WO2021029038A1 - データ処理システム - Google Patents

データ処理システム Download PDF

Info

Publication number
WO2021029038A1
WO2021029038A1 PCT/JP2019/031947 JP2019031947W WO2021029038A1 WO 2021029038 A1 WO2021029038 A1 WO 2021029038A1 JP 2019031947 W JP2019031947 W JP 2019031947W WO 2021029038 A1 WO2021029038 A1 WO 2021029038A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
machining
work
work data
trained model
Prior art date
Application number
PCT/JP2019/031947
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/JP2019/031947 priority Critical patent/WO2021029038A1/ja
Publication of WO2021029038A1 publication Critical patent/WO2021029038A1/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 relates to a data processing system for automatically performing at least a part of process design for manufacturing this work based on the CAD data of the work.
  • 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 data processing system for automating at least a part of process design based on work shape data.
  • the data processing system has, for example, as shown in FIG. 1, the shape of the unprocessed work before being machined a plurality of times using the machine tool MC.
  • a data acquisition unit that acquires three-dimensional raw work data showing the shape of the finished work and three-dimensional finished work data showing the shape of the finished work after all the machining using the machine tool MC has been performed.
  • I / F unit 21 By inputting the raw work data acquired by the data acquisition unit 21 and the completed work data into the trained model, it is possible to obtain the completed work from the raw work. It includes a plurality of machining information sets including the types of machining to be executed and tools used for the machining, and an inference unit 22 for inferring the execution order of the plurality of the machining information sets.
  • the data processing system is the data processing system according to the first aspect of the present invention, wherein the trained model is: From the raw work data and the completed work data. First learned to infer the three-dimensional intermediate machining work data showing each shape of one or more intermediate machining works showing the process from the raw work to the obtained finished work and the execution order of the machining. Model; From the pre-machining work data and the post-machining work data, infer the type of machining using the machine tool and the tool used for the machining in order to obtain the post-machining work shown in the post-machining work data. It consists of a second trained model and;
  • the trained model used in the inference unit can be divided into two, and the number of training data sets required to generate each trained model can be suppressed. Therefore, the inference unit can be divided into two. The man-hours for preparation can be reduced.
  • the inference unit 22 is: the data acquisition unit 21 is added to the first trained model. With the first inference unit 23 that outputs the one or more intermediate machining work data and the execution order of the machining by inputting the acquired raw work data and the completed work data; the raw work. The data, the completed work data, and the one or more intermediate machining work data output by the first inference unit 23 are aligned according to the execution order of the machining output by the first inference unit 23.
  • Alignment unit 24 Two adjacent machining work data among the machining work data aligned by the alignment unit 24 are input to the second trained model as the pre-machining work data and the post-machining work data.
  • the work data before machining and the work data after machining are inferred in the second inference unit by first inferring one or more intermediate machining work data and then inferring the machining type and tool. It suffices if one type of machining and the tool used for the machining can be inferred from the work data. Therefore, the second trained model can be generated with a relatively small training data set, and the man-hours for preparing the second trained model can be suppressed.
  • At least one of the 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. Data processing can be realized regardless of the format.
  • this data processing system by using this data processing system, it becomes possible to automate at least a part of process design based on the shape data of a workpiece in machining using a machine tool.
  • FIG. 1 is a schematic block diagram of a server device as a data processing system according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing a machine learning method for obtaining a first trained model according to an embodiment of the present invention.
  • FIG. 3 is a conceptual diagram showing an example of a neural network model for supervised learning implemented as a machine learning method according to an embodiment of the present invention.
  • FIG. 4 is a flowchart showing a machine learning method for obtaining a second trained model according to an embodiment of the present invention.
  • FIG. 5 is a flowchart showing a series of processing processes executed in the server device according to the embodiment of the present invention.
  • FIG. 6 is an explanatory diagram schematically showing various data generated in the server device according to the embodiment of the present invention.
  • 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 present invention automatically performs the work of specifying the main part of the process design performed by the operator of the CAD / CAM system described above, specifically, the type of a series of machining to be performed and the tool to be used in chronological order. I am aiming. Therefore, as an embodiment of the present invention, a data processing system capable of specifying a series of steps carried out for obtaining a completed work from an unprocessed work will be described below.
  • FIG. 1 is a schematic block diagram of a server device as a data processing system according to an embodiment of the present invention.
  • the data processing system according to the present embodiment can be provided in the form of the server device 20 connected to the network NW.
  • the server device 20 is composed of a GPU (Graphics Processing Unit) server or the like, and is connected to a terminal device PC1 connected via a network NW or an NC machine tool, for example, a machining center MC.
  • Data processing is executed based on a request from the CAD / CAM system 30 or the like.
  • the network NW referred to here 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 terminal device PC1, the CAD / CAM system 30, and the machining center MC those having a well-known configuration can be adopted, and therefore detailed description thereof will be omitted here.
  • the server device 20 includes an I / F unit (data acquisition unit) 21, an inference unit 22, a first trained model storage unit 26, and a second trained model storage unit 27. , At least. Then, the server device 20 infers information related to the process design in the inference unit 22 based on the data acquired in the I / F unit 21.
  • the I / F unit 21 is composed of three-dimensional shape data (specifically, for example, three-dimensional (3D) CAD data), and is a block material before processing by a machining center MC or the like, or a block material prepared in advance. It is composed of raw work data representing a blank material after being subjected to a predetermined (for example, simple) processing, and three-dimensional shape data, and is processed a plurality of times using a machining center MC or the like on the raw work. This is for acquiring input data (see FIG. 6) composed of completed work data representing a work as a mechanical part which is a product after all the above steps have been performed. Further, the I / F unit 21 also has a function of transmitting the output data output by the inference unit to a predetermined destination.
  • 3D three-dimensional
  • the input data acquired by the I / F unit 21 is transmitted to the server device 20 together with the data processing request from the terminal device PC1 and the CAD / CAM system 30.
  • the three-dimensional shape data constituting the input data may be, for example, 3D-CAD data created by the designer of the mechanical component on the terminal device PC1 using arbitrary software, or may be Such 3D-CAD data may be changed to an arbitrary data format (for example, point group data described later).
  • the inference unit 22 obtains a completed work from the raw work by using a trained model prepared in advance from the input data composed of the raw work data and the completed work data acquired by the I / F unit 21.
  • a plurality of machining information sets including a machining type and a tool used for the machining and an execution order of the plurality of machining information sets executed during the process are inferred, and based on the inference result. It can generate output data.
  • the inference unit 22 according to the present embodiment has a first inference unit 23, an alignment unit 24, and a second inference unit 25 as a specific configuration for inferring a plurality of processing information sets and their execution orders. Includes. Each of these units has the configuration shown below in detail.
  • the first inference unit 23 executes a series of processing for obtaining a completed work from the raw work based on the raw work data and the completed work data as input data acquired and transmitted in the I / F unit 21. It infers and generates intermediate processing data composed of one or a plurality of intermediate processing work data indicating the shape of the work generated each time the data is generated and the generation order data thereof. For this inference, the first trained model stored in the first trained model storage unit 26 described later is used. Then, the intermediate processing data inferred and output here is transmitted to the alignment unit 24 together with the input data acquired by the I / F unit 21.
  • the first trained model is composed of, for example, a neural network model, and the details thereof will be described later.
  • the intermediate machining data generated by the first inference unit 23 refers to the input data, and when the series of machining required to obtain the finished work from the raw workpiece is executed, these series of machining are performed.
  • One or more intermediate machining work data indicating the shape of the work generated each time one of the machining is performed, and the unmachined work as the shape at the start of machining and the finished work as the shape at the completion of machining. It is composed of generation order data indicating the order in which these one or more intermediate machining work data are generated in the case of.
  • one or more intermediate machined work data is composed of three-dimensional shape data like the unprocessed work data and the completed work data.
  • the intermediate machining data composed of such data for example, tabular data in which one or more intermediate machining work data to be generated are arranged in ascending order from top to bottom according to the generation order (FIG. 6). See.).
  • the first inference unit 23 adjusts the input / output information in the first inference unit 23 separately from the portion that executes the inference using the first learned model.
  • the preprocessing unit is for converting and unifying the data format of the input data, adjusting the number of data to be input to the input layer of the first trained model, and the like.
  • the post-processing unit adjusts the data output to the output layer of the first trained model into one or a plurality of intermediate processing work data composed of three-dimensional shape data, or in the above-mentioned tabular format. It is for converting to the format of intermediate processing data.
  • the alignment unit 24 When the alignment unit 24 acquires the input data and the intermediate machining data, the alignment unit 24 processes the raw work data, the completed work data, and one or more intermediate machining work data in the data in a time series according to the generation order thereof. It is intended to be aligned with. By aligning the input data and the intermediate processing data in chronological order in this way, inference in the second inference unit 25, which will be described later, can be smoothly performed. Then, in the alignment unit 24 according to the present embodiment, in order to smoothly execute the processing in the second inference unit 25 described later, a plurality of aligned work data are set with the work data adjacent to each other. Then, a plurality of process data (see FIG.
  • 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. 6) in a state of being arranged in a table format, for example. ..
  • the details of the second trained model will be described later in the same manner as the first trained model.
  • 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 first trained model storage unit 26 is composed of a database capable of storing the first trained model referred to in the first inference unit 23.
  • the first trained model stored in the first trained model storage unit 26 is not limited to one. That is, for example, a plurality of first trained models linked to user information of the terminal device PC1 or the CAD / CAM system 30 that requests data processing can be stored. Then, if the optimum first trained model is selected according to the request source information and the like, more accurate inference can be realized, which is preferable.
  • 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. As with the first trained model, a plurality of the second trained models can be stored in advance in the second trained model storage unit 27, and can be appropriately selected and used. In FIG. 1, 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. 2 is a flowchart showing a machine learning method for obtaining a first trained model according to an embodiment of the present invention.
  • FIG. 3 is a conceptual diagram showing an example of a neural network model for supervised learning implemented as a machine learning method according to an embodiment of the present invention.
  • a machine learning method is adopted as a method of creating the first trained model.
  • this machine learning method supervised learning using a neural network can be specifically used.
  • the machine learning method is not limited to this, and other learning methods can be adopted as long as the correlation between input and output can be learned from the learning data set. For example, ensemble learning (random forest, boosting, etc.) can also be used.
  • the machine learning method referred to here is realized by using a computer.
  • the computer used here is not particularly limited, and a computer having a well-known configuration can be adopted. Specifically, an arithmetic unit consisting 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 a bus connecting each of these devices. Computers including can be adopted.
  • a plurality of first training (training) data sets for the first trained model are prepared (step S11).
  • This first learning data set is composed of four types of data. That is, raw work data, completed work data, one or more intermediate processed work data generated each time a plurality of times of machining are performed to obtain a finished work from the raw work, and one or more of these. It is composed of the generation order data indicating the order of the time series in which the intermediate machining work data is generated.
  • the first training data set it is necessary to prepare a plurality of data sets composed of different data so that the first trained model obtained after machine learning has the desired inference accuracy.
  • the pre-learning model to be machine-learned is prepared (step S12).
  • the neural network model constituting this pre-learning model includes l neurons (x1 to xl) in the input layer, m neurons (y11 to y1 m) in the first intermediate layer, and th. 2 It is composed of n neurons (y21 to y2n) in the middle layer 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 weight wi in the pre-learning model prepared here may be set to an initial value.
  • one learning data set is selected from the plurality of first learning data sets prepared in step S11 (step S13). Then, by inputting the raw work data and the completed work data in the training data set acquired in step S13 into the neurons x1 to xl of the input layer of the pre-learning model as state variables, this pre-learning model Outputs one or more intermediate processing work data and a value indicating the generation order data thereof to the neurons z1 to zo of the output layer (step S14).
  • the format in which the information acquired as the state variable is input can be appropriately set in consideration of the accuracy of the generated trained model and the like. it can.
  • the value of the neuron of the output layer referred to here is calculated by the calculation method of the output value of a general neural network. That is, the value of the output side neuron is the product of the value of the input side neuron connected to the neuron and the weight wi associated with the node connecting the output side neuron and the input side neuron. It is calculated as the sum of several sequences by using a method performed on all neurons other than the neurons in the input layer.
  • one or more intermediate machining work data and its generation order data as control data output to the output layer in step S14 are generated by the pre-learning model, the desired result is obtained in most cases. Will have different content. Therefore, next, one or a plurality of intermediate processing work data and its generation order data as control information constituting the teacher data included in the learning data set acquired in step S13, and the output layer in step S14.
  • Machine learning (for example, backpropagation) is performed using one or more intermediate machining work data and its generation order data as the output control information (step S15). 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 (back error) of adjusting the weight wi associated with each node in the pre-learning model.
  • step S15 When machine learning is performed in step S15, whether or not it is necessary to continue machine learning is specified based on, for example, the remaining number of unlearned first training data sets prepared in step S11. (Step S16). When the machine learning is continued (No in step S16), the process returns to step S13, and when the machine learning is finished (Yes in step S16), the process proceeds to step S17.
  • the steps S13 to S15 are carried out a plurality of times using the unlearned first learning data set, and usually, finally in proportion to the number of times. The trained model generated is more accurate.
  • the weight wi associated with each node is adjusted through a series of steps, and the generated neural network is used as the first trained model in the first trained model storage unit 26. It is stored (step S17), and a series of learning processes is completed.
  • the first inference unit 23 acquires raw work data and completed work data as input data. Then, it becomes possible to output the intermediate processing data composed of one or a plurality of intermediate processing work data and the generation order data thereof. Depending on the input data, there is a case where the processing performed to obtain the completed work from the unprocessed work is performed only once. In such a case, since the intermediate machining work data is not required, it is preferable that the first inference unit 23 can handle it separately. Specifically, for example, the first inference unit 23 outputs the completed work data instead of the intermediate machining work data, so that it can be understood that the intermediate machining work does not exist.
  • the correspondence may be trained in advance by the first trained model.
  • FIG. 4 is a flowchart showing a machine learning method for obtaining a second trained model according to an embodiment of the present invention.
  • the second trained model is also created by using the same machine learning method as the first trained model. Therefore, in the following explanation, the same items as the machine learning method for creating the first trained model will be omitted, and the points different from the machine learning method for creating the first trained model will be mainly focused on. It shall be explained to.
  • 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-learning model is next prepared (step S22).
  • the pre-learning model prepared here may have the same format as that prepared in step S12.
  • one learning data set is selected from the plurality of second learning data sets prepared in step S21 (step S23).
  • the model outputs a value indicating one type of machining and the tool used for the machining to the neurons z1 to zo of the output layer (step S24).
  • step S25 one machining type data as control information constituting the teacher data and tool data used for the machining, which are included in the learning data set acquired in step S23, are output to the output layer in step S24.
  • Machine learning is performed using one type of machining data and tool data used for the machining as control information (step S25).
  • step S26 it is specified whether or not it is necessary to continue machine learning (step S26).
  • step S27 the steps S23 to S25 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 S27), 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.
  • the unprocessed work data, the completed work data, the intermediate processed work data, the pre-processed work data, and the post-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 (Standard 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 (state variable) to be input to.
  • point group data for example, STL (Standard Triangled Language) format
  • parameter information state variable
  • a data conversion unit (not shown) may be adopted for sequential conversion, or the data sender may unify in advance. You may set a rule to do so.
  • 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 data processing system adopts a configuration including two types of inference units that execute different inferences.
  • the number of training data sets required to create the trained model used in each inference unit can be obtained. It can be kept low.
  • the trained model used in the second inference unit can achieve highly accurate inference with a relatively small number of training data sets, and the generation cost of the trained model is suppressed.
  • FIG. 5 is a flowchart showing a series of processing processes executed in the server device according to the embodiment of the present invention.
  • FIG. 6 is an explanatory diagram schematically showing various data generated in the server device according to the embodiment of the present invention.
  • the arrows in FIG. 6 indicate the flow of data in the server device 20, and each arrow is given a code for each step shown in FIG. 5 in parentheses.
  • each data shown in FIG. 6 assumes, as a specific example, a case where a fixture used for fixing an object at a predetermined position as a completed work is manufactured from an unprocessed work composed of a block material. It was done.
  • 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 S31).
  • the I / F unit 21 transmits the input data to the first inference unit 23 (step S32).
  • 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 S33).
  • 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. 6, 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. 6) 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 S34).
  • 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 S35).
  • 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 S37 and S38 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 S39 and S40).
  • the processes of steps S37 and S38 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 S41).
  • 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 S42), 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 S36 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.
  • transmission of process data May be performed 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.
  • intermediate processing data may be transmitted.
  • 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 server device 20 As described above, if the input data composed of the raw work data and the completed work data is transmitted to the server device 20 as the data processing system according to the present embodiment, until the completed work is obtained from the raw work. It is possible to automatically specify a plurality of machining information sets including the types of machining and tools used for the machining, and the execution order of these plurality of machining information sets, which are executed during the period. 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 trained model used in the inference unit is divided into two trained models having different input / output correlations because it is relatively easy to prepare the trained model. Divided into models.
  • the present invention is not limited to such a configuration, and it is also possible to output the same inference result by using, for example, three or more trained models or only one trained model. is there. Therefore, as an example below, it is possible to generate desired output data using only a single trained model (for convenience of explanation, this trained model is hereinafter referred to as a "third trained model").
  • a third trained model A simple data processing system will be described below.
  • the data processing system according to the present embodiment has the same configuration as the data processing system according to the above embodiment except for the configuration related to the trained model and the inference unit using the trained model. Therefore, only the points different from the data processing system according to the above-described embodiment will be described below, and the same points will be omitted as the above description is incorporated.
  • 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, and a third trained model storage unit 28.
  • the inference unit 22A uses a third trained model prepared in advance from the input data composed of the raw work data and the completed work data acquired by the I / F unit 21, and the raw work is used. It is inferred from a plurality of machining information sets including a type of machining and a tool used for the machining, and an execution order of the plurality of the machining information sets, which are executed from the operation to the acquisition of a completed work.
  • the third trained model storage unit 28 is a database in which the third trained model used in the inference unit 22A is stored.
  • the third trained model used in the present embodiment is created by using a machine learning method in the same manner as the first and second trained models described above.
  • the specific process of the machine learning method is substantially the same as the machine learning method of the first trained model shown in FIG.
  • the difference from the first trained model is the configuration of the training data set to be prepared.
  • the third training data set prepared for training the third trained model is composed of four types of data. That is, raw work data, completed work data, and a plurality of machining information set data including the types of machining and the tools used for the machining, which are executed between the raw work and the finished work. It is composed of execution order data of a plurality of machining information sets. Since there are many variations of expected output data for this third training data set, the number of training data sets to be prepared is compared with the number of the first and second training data sets described above. It should be noted that there is a need to increase the number.
  • the same processing as in steps S12 to S16 shown in FIG. 2 is executed, and when machine learning is completed, a neural network in which a series of machine learning is performed is obtained.
  • the trained model of 3 it is stored in the third trained model storage unit 28.
  • the inference unit 22A transmits from the I / F unit 21 using only the third trained model. Execution of a plurality of machining information sets including a machining type and a tool used for the machining and the plurality of machining information sets executed from the input data to be processed until the finished workpiece is obtained. It is possible to infer the order.
  • the inference process in the inference unit 22A is the same as the inference process in the first and second inference units 23 and 25.
  • the unit constituting the server device 20A can be simplified.
  • 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.

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

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、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２１と；データ取得ユニット２１が取得した未加工ワークデータと完成ワークデータとを学習済モデルに入力することで、未加工ワークから完成ワークを得るまでの間に実行される、加工の種類及びその加工に用いられる工具を含む複数の加工情報セットと、複数の前記加工情報セットの実行順序とを推論する推論ユニット２２と；を含む、データ処理システム２０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データ処理システムを提供することができる。

Description

データ処理システム
　本発明は、ワークのＣＡＤデータに基づいてこのワークを製造するための工程設計の少なくとも一部を自動的に行うための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。例えばワークに穴あけ加工を行う場合において、どの工具を用いるかによって加工に要する時間や加工表面の仕上がりは異なるし、また、ワークに複数、例えば５種類の加工を行う場合において、その順序が異なることのみに起因してバリや膨みが発生したりしなかったりする。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データ処理システム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の態様に係るデータ処理システムは、例えば図１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、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；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学習済モデルに入力することで、前記未加工ワークから前記完成ワークを得るまでの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットと、複数の前記加工情報セットの実行順序と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、３次元の未加工ワークデータ及び完成ワークデータを入力するのみで、工作機械を用いた加工における工程設計に必要な、一連の加工の種類及びその加工に用いられる工具を時系列で取得することができるようになる。
　また、本発明の第２の態様に係るデータ処理システムは、上記本発明の第１の態様に係るデータ処理システムにおいて、前記学習済モデルは：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一乃至複数個の中間加工ワークの各形状を示した３次元の中間加工ワークデータ及びその加工の実行順序を推論する第１の学習済モデルと；加工前ワークデータと加工後ワークデータとから、前記加工後ワークデータに示される加工後ワークを得るための、前記工作機械を用いた加工の種類及びその加工に用いられる工具を推論する第２の学習済モデルと；から構成される。
　このように構成すると、推論ユニットにおいて用いられる学習済モデルが２つに分割でき、それぞれの学習済モデルを生成するために必要な学習用のデータセットの数を抑えることができるため、推論ユニットを準備するための工数を抑えることができる。
　また、本発明の第３の態様に係るデータ処理システムは、上記本発明の第２の態様に係るデータ処理システムにおいて、推論ユニット２２は：前記第１の学習済モデルに、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、前記一乃至複数個の中間加工ワークデータ及びその加工の実行順序を出力する第１の推論ユニット２３と；前記未加工ワークデータと前記完成ワークデータと前記第１の推論ユニット２３が出力した前記一乃至複数個の中間加工ワークデータとを、前記第１の推論ユニット２３が出力した前記加工の実行順序に沿って整列させる整列ユニット２４と；前記第２の学習済モデルに、前記整列ユニット２４によって整列された加工ワークデータのうちの隣接する２つの加工ワークデータを前記加工前ワークデータ及び前記加工後ワークデータとして入力することで、前記加工後ワークデータに示される加工後ワークを得るための、前記加工の種類及びその加工に用いられる工具を備えた前記加工情報セットを出力する第２の推論ユニット２５と；を含む。
　このように構成すると、初めに１乃至複数個の中間加工ワークデータを推論した後、加工の種類及び工具を推論するようにしたことで、第２の推論ユニットにおいては加工前ワークデータ及び加工後ワークデータとから、一の加工の種類及びその加工に用いられる工具が推論できればよい。したがって、第２の学習済モデルを比較的少ない学習用データセットで生成することができ、第２の学習済モデルを準備する工数を抑えることができる。
　また、本発明の第４の態様に係るデータ処理システムは、上記本発明の第１乃至３の態様に係るデータ処理システムにおいて、前記ワークデータの少なくとも１つは、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、データ処理を実現することができる。
　本発明によれば、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ことができるようになる。
図１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第１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３は、本発明の一実施の形態に係る機械学習方法とし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概念図である。 図４は、本発明の一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５は、本発明の一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６は、本発明の一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。 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ＣＡＤ／ＣＡＭシステムのオペレータが行う工程設計の主要な部分、具体的には実施する一連の加工の種類及び使用する工具を時系列で特定する作業を自動的に行うことを目的としている。そこで、本発明の一実施の形態として、以下に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一連の工程を特定することが可能なデータ処理システムについて説明を行う。
　図１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の概略ブロック図である。本実施の形態に係るデータ処理システムは、図１に示すように、ネットワークＮＷに接続されたサーバ装置２０の形式で提供することが可能なものである。そして、本実施の形態においては、このサーバ装置２０は、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）サーバ等で構成され、ネットワークＮＷを介して接続された端末装置ＰＣ１や、ＮＣ工作機械、例えばマシニングセンタＭＣに接続されたＣＡＤ／ＣＡＭシステム３０等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、ここでいうネットワーク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。また、端末装置ＰＣ１、ＣＡＤ／ＣＡＭシステム３０及びマシニングセンタＭＣとしては、周知の構成のものが採用できるので、ここでは詳細な説明を省略する。
　サーバ装置２０は、図１に示すように、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、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。そしてこのサーバ装置２０は、Ｉ／Ｆユニット２１で取得したデータに基づき、推論ユニット２２において工程設計に関する情報を推論するものである。
　Ｉ／Ｆユニット２１は、３次元の形状データ（詳しくは、例えば３次元（３Ｄ）のＣＡＤデータ）で構成され、マシニングセンタＭＣ等による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マシニングセンタＭＣ等を用いた複数回の加工を全て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、から構成された入力データ（図６参照。）を取得するためのものである。また、このＩ／Ｆユニット２１は、上記推論ユニットによって出力される出力データを所定の送信先に送信する機能をも備えている。
　Ｉ／Ｆユニット２１が取得する入力データは、端末装置ＰＣ１やＣＡＤ／ＣＡＭシステム３０からのデータ処理要求と共にサーバ装置２０に送信されるものである。また、入力データを構成する３次元の形状データは、例えば機械部品の設計者により端末装置ＰＣ１で作成された、任意のソフトウェアを用いて作成された３Ｄ－ＣＡＤデータであってもよく、あるいは、このような３Ｄ－ＣＡＤデータから任意のデータ形式（例えば、後述する点群データ）に変更されたものであってもよい。
　推論ユニット２２は、Ｉ／Ｆユニット２１が取得した、未加工ワークデータ及び完成ワークデータで構成された入力データから、予め用意した学習済モデルを用いることで、未加工ワークから完成ワークを得るまでの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットとこの複数の前記加工情報セットの実行順序とを推論するものであり、この推論結果に基づいて出力データを生成することができるものである。そして本実施の形態に係る推論ユニット２２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を含んでいる。これら各ユニットは、詳しくは以下に示す構成を備えている。
　第１の推論ユニット２３は、Ｉ／Ｆユニット２１において取得され送信された入力データとしての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から構成された中間加工データを推論・生成するものである。この推論には後述する第１の学習済モデル格納ユニット２６内に格納された第１の学習済モデルが用いられる。そして、ここで推論され出力された中間加工データは、Ｉ／Ｆユニット２１が取得した入力データと共に整列ユニット２４に送信される。第１の学習済モデルは例えばニューラルネットワークモデルで構成されるものであるが、その詳細については後述する。
　この第１の推論ユニット２３で生成される中間加工データは、上述した通り、入力データを参照し、未加工ワークから完成ワークを得るために必要な一連の加工を実行した場合に、これら一連の加工のうちの一の加工が行われ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と、未加工ワークを加工開始時の形状とし完成ワークを加工完了時の形状とした場合におけるこれら１乃至複数個の中間加工ワークデータが生成される順序を示す生成順序データとで構成されている。このうち、１乃至複数個の中間加工ワークデータは、未加工ワークデータ及び完成ワークデータと同様に、３次元の形状データで構成される。このようなデータで構成される中間加工データとしては、例えば生成される１乃至複数個の中間加工ワークデータをその生成順序に合わせて上から下へ昇順で整列させた表形式のデータ（図６参照。）とすることができる。
　また、図示は省略するが、第１の推論ユニット２３は、第１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１の推論ユニット２３における入出力の情報を調整するための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、入力データのデータ形式の変換・統一や、第１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１の学習済モデルの出力層に出力されたデータを３次元の形状データで構成される１乃至複数個の中間加工ワークデータに調整したり、上述した表形式の中間加工データの形式に変換したりするためのものである。
　整列ユニット２４は、入力データ及び中間加工データを取得すると、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ておくことで、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ことができるようになる。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、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６参照。）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６参照。）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も、第１の学習済モデルと同様に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１の学習済モデル格納ユニット２６は、第１の推論ユニット２３において参照される第１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。ここで、第１の学習済モデル格納ユニット２６内に格納される第１の学習済モデルは１つに限定されない。すなわち、例えばデータ処理の要求を行う端末装置ＰＣ１やＣＡＤ／ＣＡＭシステム３０のユーザ情報等に紐づけられた第１の学習済モデルを複数個格納しておくことができる。そして、要求元情報等に応じて最適な第１の学習済モデルを選定するようにすれば、より高精度の推論を実現でき好ましい。
　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２の学習済モデルに関しても、第１の学習済モデルと同様に事前に第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。なお、図１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１の推論ユニット２３及び第２の推論ユニット２５で使用される第１及び第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２は、本発明の一実施の形態に係る第１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。また、図３は、本発明の一実施の形態に係る機械学習方法とし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概念図である。第１の学習済モデルを作成する方法として、本実施の形態においては、図２及び図３に示すように、機械学習方法を採用している。この機械学習方法としては、具体的にニューラルネットワークを用いた教師あり学習を利用することができる。なお、機械学習方法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。
　ここでいう機械学習方法は、コンピュータを用いることにより実現されるものである。ここで用いられるコンピュータは、特に限定されず、周知の構成のものを採用することができる。詳しくは、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コンピュータを採用することができる。
　この機械学習方法にあっては、先ず、第１の学習済モデルのための第１の学習（トレーニング）用データセットを複数個準備する（ステップＳ１１）。この第１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、未加工ワークデータと、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る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。第１の学習用データセットは、機械学習後に得られる第１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１の学習用データセットの準備が完了すると、次に、機械学習を行う対象となる学習前モデルを準備する（ステップＳ１２）。この学習前モデルを構成するニューラルネットワークモデルは、図３に示すように、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。ここで準備する学習前モデルにおける重みｗｉは、初期値に設定されていればよい。
　次に、ステップＳ１１で準備された複数個の第１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Ｓ１３）。そして、このステップＳ１３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状態変数として、学習前モデルの入力層のニューロンｘ１～ｘｌに入力することで、この学習前モデルは、出力層のニューロンｚ１～ｚｏ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Ｓ１４）。ここで、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。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（ＸＹＺ座標）で構成された各点に関する情報を入力層のニューロンにそれぞれ入力してもよいし、加えて各点に関する情報の情報量を調整すべく前処理を実行した後に入力層のニューロンにそれぞれ入力してもよい。また、ここでいう出力層のニューロンの値は、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。つまり、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を用いることで、算出する。
　上記ステップＳ１４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内容のものとなる。そこで、次に、ステップＳ１３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、ステップＳ１４において出力層に出力された制御情報としての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Ｓ１５）。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ｗｉを調整する処理（バックプロバケーション）を指す。
　ステップＳ１５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、例えばステップＳ１１において準備した第１の学習用データセットのうち未学習のものの残数に基づいて特定する（ステップＳ１６）。機械学習を継続する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合（ステップＳ１６でＹｅｓ）にはステップＳ１７に移る。上記機械学習を継続する場合には、ステップＳ１３～Ｓ１５の工程を未学習の第１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１の学習済モデルとして、第１の学習済モデル格納ユニット２６に格納し（ステップＳ１７）、一連の学習プロセスを終了する。
　このようにして第１の学習済モデル格納ユニット２６内に格納された第１の学習済モデルを用いることにより、第１の推論ユニット２３は、入力データとして未加工ワークデータ及び完成ワークデータを取得すると、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で構成された中間加工データを出力することができるようになる。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、第１の推論ユニット２３は、別途の対応を行えるようにすると好ましい。具体的には、例えば第１の推論ユニット２３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、上記第１の学習済モデルに予め学習させておくとよい。
　次に、第２の学習済モデルを作成する方法について説明する。図４は、本発明の一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。第２の学習済モデルも、図４に示すように、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、第１の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、第１の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Ｓ２１）。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Ｓ２２）。ここで準備する学習前モデルはステップＳ１２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Ｓ２１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Ｓ２３）。そして、このステップＳ２３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ｘ１～ｘｌに入力することで、この学習前モデルは、出力層のニューロンｚ１～ｚｏ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Ｓ２４）。
　次に、ステップＳ２３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Ｓ２４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、機械学習を実施する（ステップＳ２５）。このステップＳ２５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する（ステップＳ２６）。そして、機械学習を継続する場合（ステップＳ２６でＮｏ）にはステップＳ２３に戻り、機械学習を終了する場合（ステップＳ２６でＹｅｓ）にはステップＳ２７に移る。上記機械学習を継続する場合には、ステップＳ２３～Ｓ２５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Ｓ２７）、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。
　ここで、未加工ワークデータ、完成ワークデータ、中間加工ワークデータ、加工前ワークデータ及び加工後ワークデータが、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（状態変数）として利用することとした。これにより、本発明では、各種の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。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、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。
　また、本実施の形態に係るデータ処理システムが、異なる推論を実行する２種類の推論ユニットを含む構成を採用していることは、特に留意すべき事項である。このように、入力データから所望の出力データを得るに際し、異なる出力を行う２つの推論ユニットを組み合わせると、各推論ユニットにおいて用いられる学習済モデルを作成する際に必要な学習用データセットの数を少なく抑えることができる。特に、第１の推論ユニットにて１乃至複数個の中間加工ワークデータが出力されることで、第２の推論ユニットにおいては常に１つの加工に対する加工前及び加工後のワークデータが学習済モデルの入力層に入力されることとなり、結果として出力層に出力される加工の種類は１つに特定できる。したがって、第２の推論ユニットにおいて用いられる学習済モデルは比較的少ない学習用データセットの数で高精度の推論を達成することができ、学習済モデルの生成コストが抑えられている。
　以下に、図５及び図６を参酌して、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２０によるデータ処理プロセスについて説明する。図５は、本発明の一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６は、本発明の一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６中の矢印はサーバ装置２０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５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６に示す各データは、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５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Ｓ３１）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Ｓ３２）。
　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Ｓ３３）。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６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６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６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Ｓ３４）。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Ｓ３５）。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Ｓ３６）。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６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Ｓ３７）。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Ｓ３８）。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Ｓ３７及びステップＳ３８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Ｓ３９及びステップＳ４０）。図６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Ｓ３７及びステップＳ３８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Ｓ４０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Ｓ４１）。図６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Ｓ４２）、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Ｓ３６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、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ようにしてもよい。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２０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までの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットと、これら複数の加工情報セットの実行順序とを自動的に特定することができる。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。
＜他の実施の形態＞
　上記一の実施の形態においては、学習済モデルを準備するのが比較的容易であること等の理由から、推論ユニットで利用する学習済モデルを、異なる入出力の相関関係を持つ２つの学習済モデルに分けている。しかし、本発明はこのような構成に限定されるものではなく、例えば３つ以上の学習済モデルを用いて、あるいは１つの学習済モデルのみを用いて同様の推論結果を出力することも可能である。そこで、以下には一例として、単一の学習済モデル（説明の都合上、この学習済モデルを以下「第３の学習済モデル」という）のみを用いて所望の出力データを生成することが可能なデータ処理システムについて、以下に簡単に説明する。なお、本実施の形態に係るデータ処理システムは、学習済モデル及びこれを用いた推論ユニットに関連する構成以外は上記一実施の形態に係るデータ処理システムと同様の構成を備えているものであるので、以下には上記一実施の形態に係るデータ処理システムと異なる点のみ説明し、同一の点については上述の記載を援用するものとしてその説明を省略する。
　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３の学習済モデル格納ユニット２８とを備えている。このうち、推論ユニット２２Ａは、Ｉ／Ｆユニット２１が取得した、未加工ワークデータ及び完成ワークデータで構成された入力データから、予め用意した第３の学習済モデルを用いることで、未加工ワークから完成ワークを得るまでの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットとこの複数の前記加工情報セットの実行順序とを推論するものである。また、第３の学習済モデル格納ユニット２８は、この推論ユニット２２Ａで用いられる第３の学習済モデルが格納されたデータベースである。
　本実施の形態において利用される第３の学習済モデルは、上述した第１及び第２の学習済モデルと同様に、機械学習方法を用いて作成される。そして、その機械学習方法の具体的なプロセスは、実質的に図２に示す第１の学習済モデルの機械学習方法と同様である。この第３の学習済モデルを生成するにあたり、第１の学習済モデルと異なる点は、準備される学習用データセットの構成である。詳しくは、第３の学習済モデルを学習するために準備される第３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、未加工ワークデータと、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までの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットデータと、複数の加工情報セットの実行順序データとで構成される。なお、この第３の学習用データセットに関しては、想定される出力データのバリエーションが多岐にわたるため、準備する学習用データセットの数は上述した第１及び第２の学習用データセットの数に比して多くする必要があることは、留意すべき事項である。
　上述した第３の学習用データセットを所定数準備した後、図２に示すステップＳ１２～Ｓ１６と同様の処理を実行し、機械学習が完了したとき、一連の機械学習を行ったニューラルネットワークを第３の学習済モデルとして、第３の学習済モデル格納ユニット２８内に格納される。
　このように生成され格納された第３の学習済モデルを利用することにより、本実施の形態に係る推論ユニット２２Ａは、この第３の学習済モデルのみを用いて、Ｉ／Ｆユニット２１から送信される入力データから、未加工ワークから完成ワークを得るまでの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットとこの複数の前記加工情報セットの実行順序とを推論することが可能となる。この推論ユニット２２Ａにおける推論のプロセスは、第１及び第２の推論ユニット２３、２５における推論のプロセスと同様である。
　上記のように、他の実施の形態に係るデータ処理システムによれば、サーバ装置２０Ａを構成するユニットを単純にすることができる。
　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。
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
２８　第３の学習済モデル格納ユニット
３０　ＣＡＤ／ＣＡＭシステム
ＭＣ　マシニングセンタ（工作機械）
ＰＣ１　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；
    　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学習済モデルに入力することで、前記未加工ワークから前記完成ワークを得るまでの間に実行される、加工の種類及びその加工に用いられる工具を備えた複数の加工情報セットと、複数の前記加工情報セットの実行順序と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。
  2. 　前記学習済モデルは：
    　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一乃至複数個の中間加工ワークの各形状を示した３次元の中間加工ワークデータ及びその加工の実行順序を推論する第１の学習済モデルと；
    　加工前ワークデータと加工後ワークデータとから、前記加工後ワークデータに示される加工後ワークを得るための、前記工作機械を用いた加工の種類及びその加工に用いられる工具を推論する第２の学習済モデルと；から構成される、
    　請求項１に記載のデータ処理システム。
  3. 　前記推論ユニットは：
    　前記第１の学習済モデルに、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、前記一乃至複数個の中間加工ワークデータ及びその加工の実行順序を出力する第１の推論ユニットと；
    　前記未加工ワークデータと前記完成ワークデータと前記第１の推論ユニットが出力した前記一乃至複数個の中間加工ワークデータとを、前記第１の推論ユニットが出力した前記加工の実行順序に沿って整列させる整列ユニットと；
    　前記第２の学習済モデルに、前記整列ユニットによって整列された加工ワークデータのうちの隣接する２つの加工ワークデータを前記加工前ワークデータ及び前記加工後ワークデータとして入力することで、前記加工後ワークデータに示される加工後ワークを得るための、前記加工の種類及びその加工に用いられる工具を備えた前記加工情報セットを出力する第２の推論ユニットと；を備える、
    　請求項２に記載のデータ処理システム。
  4. 　前記ワークデータの少なくとも１つは、点群データで構成される、
    　請求項１乃至請求項３のいずれか１項に記載のデータ処理システム。
PCT/JP2019/031947 2019-08-14 2019-08-14 データ処理システム WO2021029038A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/031947 WO2021029038A1 (ja) 2019-08-14 2019-08-14 データ処理システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/031947 WO2021029038A1 (ja) 2019-08-14 2019-08-14 データ処理システム

Publications (1)

Publication Number Publication Date
WO2021029038A1 true WO2021029038A1 (ja) 2021-02-18

Family

ID=74570972

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/031947 WO2021029038A1 (ja) 2019-08-14 2019-08-14 データ処理システム

Country Status (1)

Country Link
WO (1) WO2021029038A1 (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
KR20190141611A (ko) 데이터베이스에서 선택된 전략들을 기반으로 한 머시닝
JP2009524143A (ja) 非線形工程計画の生成方法及びそれを利用したインターネット基盤のｓｔｅｐ−ｎｃシステム
CN102298360B (zh) 一种自动生成数控加工代码系统
JP2019530060A (ja) 標準プロセスパラメータ入力の変更による産業用機械動作の最適化のためのシステム
US20170329315A1 (en) Information processing apparatus for processing machining information between plurality of manufacturing cells
CN101960457A (zh) 用于复合加工的方法和设备
JP2009522682A (ja) Ｇコードからｓｔｅｐ−ｎｃパートプログラムに変換する方法
JP4512754B2 (ja) 工程設計支援システム及び工程設計支援方法
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
JPWO2020121477A1 (ja) 機械学習装置、加工プログラム生成装置および機械学習方法
EP1406190A3 (en) Method of designing and manufacturing rubber process tolling using an interface to a CAD/CAM software program
US20050010325A1 (en) Computer-aided manufacturing system and method for sheet-metal punching
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
CN107491036B (zh) 机床加工能耗控制方法及加工机床
JP4828086B2 (ja) 加工プログラム作成装置
WO2021029038A1 (ja) データ処理システム
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
Igari et al. Computer-Aided Operation Planning for an Actual Machine Tool Based on Updatable Machining Database and Database-Oriented Planning Algorithm.
CN110300936A (zh) 用于设计和加工齿轮的方法以及相应的加工机床和软件
US10722974B2 (en) System and method for processing parts on a workpiece
Adamczyk et al. A new approach to a CAD/CAM system as a part of distributed environment: Intranet database
Wang et al. Optimization of the tool selection based on big data

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: 19941771

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: 19941771

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP