WO2021186521A1 - 加工条件探索装置および加工条件探索方法 - Google Patents

加工条件探索装置および加工条件探索方法 Download PDF

Info

Publication number
WO2021186521A1
WO2021186521A1 PCT/JP2020/011587 JP2020011587W WO2021186521A1 WO 2021186521 A1 WO2021186521 A1 WO 2021186521A1 JP 2020011587 W JP2020011587 W JP 2020011587W WO 2021186521 A1 WO2021186521 A1 WO 2021186521A1
Authority
WO
WIPO (PCT)
Prior art keywords
processing
machining
evaluation value
conditions
unit
Prior art date
Application number
PCT/JP2020/011587
Other languages
English (en)
French (fr)
Inventor
秀之 増井
寛史 吉川
潤 丸田
滉稀 中根
中川　孝幸
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN202080098393.8A priority Critical patent/CN115280251A/zh
Priority to JP2020543951A priority patent/JP6880335B1/ja
Priority to DE112020006553.7T priority patent/DE112020006553T5/de
Priority to PCT/JP2020/011587 priority patent/WO2021186521A1/ja
Priority to TW109131471A priority patent/TW202136939A/zh
Publication of WO2021186521A1 publication Critical patent/WO2021186521A1/ja
Priority to US17/885,986 priority patent/US20220382229A1/en

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G05B19/40937—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36289—Cutting, machining conditions by optimisation of time, cost, accuracy

Definitions

  • the present disclosure relates to a machining condition search device for searching machining conditions and a machining condition search method.
  • Patent Document 1 describes a control device that predicts the machining result of a workpiece by a machining machine. This control device predicts the effect of the change in the state quantity on the machining result by using a learning model that shows the correlation between the state variable indicating the change in the state quantity indicating the machining state and the judgment data indicating the machining result. ..
  • the present disclosure solves the above-mentioned problems, and obtains a machining condition search device and a machining condition search method capable of searching for machining conditions without collecting a large amount of data in advance and constructing a learning model.
  • the purpose is.
  • the machining condition search device includes a machining condition generator that generates machining conditions set in the machining machine, a machining machine that performs machining according to the machining conditions, a workpiece to be machined, and each state of the installation environment of the machining machine. Based on the machining status collection unit that collects the machining status indicating Based on the machining result evaluation unit that calculates the evaluation value of the processed machining, the machining conditions generated by the machining condition generation section, the machining state collected by the machining state collection section, and the evaluation value calculated by the machining result evaluation section.
  • An evaluation value prediction model that predicts the evaluation value corresponding to the untrial machining condition and an evaluation value prediction model based on the degree of change in the relationship between the machining condition and the evaluation value are constructed, and the evaluation value prediction model is used. It is equipped with a model construction unit that weights according to the processing state, and the processing condition generation unit generates the processing conditions to be tried next using the predicted value of the evaluation value calculated by the evaluation value prediction model, and processes. Each process by the machining state collecting section, the machining result collecting section, the machining result evaluation section, the evaluation value prediction model, and the model building section is repeated until it is determined by the condition generation section that the search for the machining conditions is completed.
  • evaluation values corresponding to untried machining conditions are predicted based on the machining conditions, machining conditions, and machining evaluation values set in the machining machine, and the relationship between the machining conditions and the evaluation values is predicted.
  • An evaluation value prediction model is constructed based on the degree of change, and the evaluation value prediction model is weighted according to the processing state. Even if the relationship between the machining conditions and the evaluation value changes due to a change in the machining state, a new evaluation value prediction model is constructed according to the degree of the change, and the evaluation value prediction model corresponds to the machining state. Weighting is performed.
  • the machining condition search device can search for machining conditions without collecting a large amount of data in advance and constructing a learning model.
  • FIG. 4A is a block diagram showing a hardware configuration for realizing the function of the machining condition search device according to the first embodiment
  • FIG. 4B is a software for realizing the function of the machining condition search device according to the first embodiment. It is a block diagram which shows the hardware configuration to execute.
  • FIG. 1 is a block diagram showing a configuration of a machining condition search device 1 according to a first embodiment.
  • the machining condition search device 1 searches for the optimum machining conditions from a large number of machining conditions that can be set in the machining machine 2, and sets the machining conditions of the search result in the machining machine 2.
  • the optimum machining conditions are, for example, machining conditions that can obtain machining results that satisfy the required machining specifications.
  • the display unit 3 displays the machining conditions and the like searched by the machining condition search device 1. For example, the display unit 3 displays the processing conditions set in the processing machine 2 and the evaluation value of the processing performed by the processing machine 2 according to the processing conditions.
  • the processing machine 2 is an industrial device that performs processing according to processing conditions. For example, a processing object made of metal is cut or polished, or unnecessary parts are removed by using electricity or other energy. As a result, the object to be processed has a desired shape.
  • the object to be processed is not limited to metal, but may be ceramics, glass or wood.
  • the processing machine 2 includes, for example, a laser processing machine, an electric discharge processing machine, a cutting processing machine, a grinding processing machine, an electrolytic processing machine, an ultrasonic processing machine, or an electron beam processing machine.
  • the electric discharge machine 2 is an electric discharge machine, particularly a die-sinking electric discharge machine.
  • the processing conditions are composed of a combination of a plurality of control parameters used for controlling the processing machine 2. Generally, different processing conditions result in different processing results. Further, even if the processing conditions set in the processing machine 2 are the same, the processing differs depending on the change in the processing state indicating each state of the processing machine 2, the workpiece to be processed, and the installation environment of the processing machine 2. Results may be obtained. That is, in order to obtain the optimum machining result satisfying the required machining specifications, it is necessary to search for appropriate machining conditions according to the machining state.
  • the machining condition search device 1 does not search a large number of machining conditions that can be set in the machining machine 2 in order, but narrows down the number of machining conditions to be searched according to the change in the machining state. The number of condition search attempts is reduced.
  • the machining condition search device 1 includes a machining condition generation section 11, a machining state collecting section 12, a machining result collecting section 13, a machining result evaluation section 14, a model building section 15, and an evaluation value prediction model 16. Further, the machining condition search device 1 includes a machining state storage unit 17A, a search result storage unit 17B, a model storage unit 17C, a prediction result storage unit 17D, and an uncertainty storage unit 17E. In addition, all or a part of the storage units 17A to 17E may be provided with an external device provided separately from the processing condition search device 1.
  • the machining condition generation unit 11 generates machining conditions and sets the generated machining conditions in the machining machine 2.
  • the machining condition generation unit 11 includes a machining condition calculation unit 11a, an actual machining command unit 11b, and a search end determination unit 11c.
  • the processing condition calculation unit 11a calculates the processing conditions set in the processing machine 2. For example, the machining condition calculation unit 11a selects a combination corresponding to the machining content from a combination of a plurality of control parameters of the machining machine 2 and a range of values that these control parameters can take, and calculates machining conditions from the selected combination. do.
  • the control parameters are, for example, laser output, cutting speed, beam magnification, focal position, and gas pressure.
  • the actual machining command unit 11b causes the machining machine 2 to perform machining based on the machining conditions calculated by the machining condition calculation unit 11a. For example, the actual machining command unit 11b generates a command for operating the machining machine 2 based on the machining conditions calculated by the machining condition calculation unit 11a, and outputs the generated command to the machining machine 2.
  • the search end determination unit 11c determines whether or not to end the search for processing conditions based on the data stored in the prediction result storage unit 17D or the uncertainty storage unit 17E.
  • the machining condition calculation unit 11a uses the prediction result of the evaluation value stored in the prediction result storage unit 17D to obtain the highest evaluation value.
  • the predicted machining conditions are determined as the optimum machining conditions.
  • the processing state collecting unit 12 collects data indicating the processing state of the processing performed by the processing machine 2.
  • the processing state includes the state of the processing machine 2, the state of the work to be machined, and the state of the installation environment of the processing machine 2.
  • the processing state affects the processing result such as the temperature of the processing machine 2, the temperature of the work, the thickness of the work, and the temperature or humidity in the room where the processing machine 2 is installed, but the processing state cannot be controlled by the user.
  • the data indicating the processing state is a state quantity obtained by quantifying each state indicated by the processing state.
  • the data collected by the processing state collecting unit 12 is stored in the processing state storage unit 17A.
  • the processing result collecting unit 13 collects the processing result of the processing performed according to the processing conditions from the processing machine 2. For example, the processing result collecting unit 13 collects information related to processing obtained during and after processing. Information related to the processing includes, for example, sound or light detection data observed during processing, the number of discharge pals, or the surface state of the workpiece after processing.
  • the processing result evaluation unit 14 calculates the evaluation value of the processing performed by the processing machine 2 according to the processing conditions based on the processing results collected by the processing result collecting unit 13.
  • the evaluation value is an evaluation value of the quality of processing, and is, for example, a value from 0 to 1. The larger the evaluation value, the better the processing result.
  • the evaluation value is 1 when the best processing is performed, and 0 when the worst processing is performed.
  • the processing result evaluation unit 14 stores the combination of the processing conditions and the evaluation value as a search result in the search result storage unit 17B.
  • the search result storage unit 17B stores the search result.
  • the model building unit 15 builds the evaluation value prediction model 16 based on the degree of change in the relationship between the machining conditions and the evaluation value, and weights the evaluation value prediction model 16 according to the machining state. For example, the model building unit 15 changes the relationship between the processing conditions and the evaluation value based on the information indicating the processing state stored in the processing state storage unit 17A and the evaluation value stored in the search result storage unit 17B. Calculate the degree. When the degree of change in the relationship between the machining conditions and the evaluation value is equal to or greater than the threshold value, the model building unit 15 determines that a change in the machining state in which the evaluation value prediction model should be newly constructed has occurred, and predicts the evaluation value. Build a model.
  • the model building unit 15 weights the evaluation value prediction model 16 according to the machining state. For example, the predicted values of each evaluation value by the plurality of evaluation value prediction models 16 are integrated by weights according to the size of the state quantity obtained by quantifying the processing state corresponding to the evaluation value prediction model 16. In the integrated evaluation value prediction value, the larger the weight of the evaluation value prediction model 16, the more important the prediction result is.
  • the evaluation value prediction model 16 has not been tried based on the processing conditions generated by the processing condition generation unit 11, the processing state collected by the processing state collecting unit 12, and the evaluation value calculated by the processing result evaluation unit 14. Predict the evaluation value corresponding to the processing conditions.
  • the evaluation value prediction model 16 includes an evaluation value prediction unit 16a and an uncertainty evaluation unit 16b.
  • the evaluation value prediction unit 16a predicts the evaluation value corresponding to the untrial (not processed) processing condition based on the processing condition stored in the search result storage unit 17B and the corresponding evaluation value. do. Further, the evaluation value prediction unit 16a stores the processing conditions and the predicted values of the evaluation values corresponding thereto in the prediction result storage unit 17D. In the prediction result storage unit 17D, untrial processing conditions and predicted values of evaluation values corresponding thereto are stored in association with each other.
  • the uncertainty evaluation unit 16b calculates an index indicating the uncertainty of the evaluation value prediction by the evaluation value prediction unit 16a. For example, the uncertainty evaluation unit 16b uses the search result stored in the search result storage unit 17B to calculate the uncertainty of the evaluation value with respect to the predicted value, that is, an index indicating the easiness of misprediction.
  • the uncertainty evaluation unit 16b stores the uncertainty information including the calculated index value and the processing condition in the uncertainty storage unit 17E.
  • untrial processing conditions and index values indicating uncertainties in predicting evaluation values corresponding thereto are stored in association with each other.
  • FIG. 2 is a flowchart showing a machining condition search method according to the first embodiment, and shows a series of processes until the optimum machining condition is searched by the machining condition search device 1.
  • the machining condition generation unit 11 When the search process for the optimum machining conditions is started, the machining condition generation unit 11 generates the initial machining conditions (step ST1).
  • the machining condition calculation unit 11a selects a certain number of combinations as initial machining conditions from all the combinations of control parameters that can be set in the machining machine 2. Design of experiments, optimal design, or random sampling are available as methods for selecting initial machining conditions. Further, if the user has an idea of the optimum processing conditions from the past usage record of the processing machine 2, the processing conditions specified by the user may be used as the initial processing conditions.
  • the machining condition calculation unit 11a selects a certain number of machining conditions from 1000 kinds of machining conditions.
  • the fixed number is, for example, 5, and the machining condition calculation unit 11a selects 5 machining conditions from 1000 machining conditions.
  • the machining condition generation unit 11 sets the initial machining conditions in the machining machine 2, and causes the machining machine 2 to perform machining according to the initial machining conditions (step ST2).
  • the machining condition calculation unit 11a selects one initial machining condition from the five initial machining conditions, and outputs the selected initial machining condition to the actual machining command unit 11b.
  • the actual machining command unit 11b generates a command for operating the machining machine 2 according to the initial machining conditions output from the machining condition calculation unit 11a, and outputs the generated command to the machining machine 2.
  • the processing machine 2 performs processing according to the initial processing conditions. In the following description, machining according to the initial machining conditions is also described as "initial machining".
  • the processing state collecting unit 12 collects data indicating the processing state of the processing performed by the processing machine 2 according to the initial processing conditions (step ST3).
  • the processing state collecting unit 12 stores the data indicating the processing state collected from the processing machine 2 in the processing state storage unit 17A.
  • the machining state storage unit 17A stores the initial machining conditions and the machining state in association with each other.
  • the processing result collecting unit 13 collects data indicating the processing result of the processing performed by the processing machine 2 according to the initial processing conditions (step ST4).
  • the data collected by the processing result collecting unit 13 is output to the processing result evaluation unit 14.
  • the processing result evaluation unit 14 calculates the evaluation value of the processing performed by the processing machine 2 according to the initial processing conditions based on the processing results collected by the processing result collecting unit 13 (step ST5).
  • the processing result evaluation unit 14 digitizes the processing results collected by the processing result collecting unit 13 and calculates an evaluation value of the quality of processing.
  • the machining result evaluation unit 14 measures the sound or light detection data or the number of discharge pulses observed during machining according to the initial machining conditions, and uses this measured value as a continuous value or a plurality of steps of discreteness indicating the quality of machining. It is converted into an evaluation value of a value (for example, 10 steps).
  • the search result storage unit 17B stores the combination of the processing conditions and the evaluation value.
  • the machining condition calculation unit 11a confirms whether or not the initial machining has been completed for all the machining conditions selected as the initial machining conditions (step ST6).
  • step ST6 an initial machining condition in which the initial machining has not been completed
  • the processes from step ST1 to step ST5 are sequentially executed for the initial machining condition in which the initial machining has not been completed.
  • all the initial machining conditions for example, five initial machining conditions
  • the data indicating the machining state are stored in association with each other in the machining state storage unit 17A.
  • all the initial processing conditions and the evaluation values are stored in association with each other.
  • step ST6 When the initial machining of all the initial machining conditions is completed (step ST6; YES), the machining condition calculation unit 11a confirms whether or not the machining according to the searched optimum machining conditions is completed (step ST7). .. When the processing machine 2 finishes processing according to the optimum processing conditions (step ST7; YES), the series of processing shown in FIG. 2 ends.
  • the model building unit 15 uses the data indicating the machining state stored in the machining state storage unit 17A to perform the machining conditions and the evaluation value. It is determined whether or not the value of the index indicating the degree of change in the relationship with is equal to or greater than the threshold value (step ST8).
  • the degree of abnormality is used as an index indicating the degree of change.
  • the degree of abnormality is, for example, a value obtained by squared the difference between the predicted value of the machining state and the measured value of the machining state stored in the machining state storage unit 17A.
  • an autoregressive model is used to calculate the predicted value of the processing state.
  • the predicted value hat y (t) of the machining state at the time t one hour ahead is calculated using the following equation (1).
  • y (t-1) is the measured value of the machining state at the current time t-1
  • y (t-2) is the measured value of the machining state at the past time t-2
  • y (t-3) is an actually measured value of the processing state at the past time t-3.
  • the coefficient ⁇ 1 is a coefficient with respect to the measured value y (t-1)
  • the coefficient ⁇ 2 is a coefficient with respect to the measured value y (t-2)
  • the coefficient ⁇ 3 is a coefficient with respect to the measured value y (t-3).
  • the model construction unit 15 may evaluate the degree of change in the relationship between the processing conditions and the evaluation value by using supervised learning such as a multiple regression model, a decision tree, or a neural network.
  • the model building unit 15 determines that the value of the index indicating the degree of change in the relationship between the processing conditions and the evaluation value is equal to or greater than the threshold value (step ST8; YES), the model building unit 15 should newly build the evaluation value prediction model 16. It is determined that a change in the machining state has occurred, and an evaluation value prediction model 16 corresponding to the changed machining state is constructed (step ST9).
  • Supervised learning such as an autoregressive model, a multiple regression model, a decision tree, or a neural network can be used to construct the evaluation value prediction model 16.
  • step ST8; NO When it is determined that the value of the index indicating the degree of change in the relationship between the processing conditions and the evaluation value is less than the above threshold value (step ST8; NO) or when step ST9 is completed, the model building unit 15 has already constructed each of them.
  • the evaluation value prediction model 16 of the above is weighted according to the processing state stored in the processing state storage unit 17A (step ST10). Weighting methods include linear interpolation or boosting. Further, the model building unit 15 may select one evaluation value prediction model 16 and perform weighting instead of weighting a plurality of evaluation value prediction models 16.
  • the model building unit 15 weights the evaluation value prediction model 16 by using linear interpolation.
  • the model building unit 15 has the processing state s1 at the past time t-2 stored in the processing state storage unit 17A, the processing state s2 at the past time t-3, and the current t collected by the processing state collecting unit 12.
  • ⁇ 2 (s) is calculated according to the following formula (2).
  • the output f (x, s) of the evaluation value prediction model 16 for the machining condition x and the machining state s is calculated according to the following equation (3).
  • the evaluation value prediction unit 16a in the evaluation value prediction model 16 uses, for example, the processing conditions stored in the search result storage unit 17B and the evaluation values corresponding thereto when the processing according to the five initial processing conditions is completed. , The evaluation values for all the 1000 processing conditions described above are predicted (step ST11). The evaluation value predicted by the evaluation value prediction unit 16a is stored in the prediction result storage unit 17D (step ST12).
  • the evaluation value prediction unit 16a is a probability model of the processing conditions corresponding to the evaluation values, which is constructed on the assumption that the evaluation values corresponding to the processing conditions are random variables.
  • the evaluation value prediction unit 16a sets k as a vector in which each processing condition stored in the search result storage unit 17B and the corresponding kernel value are arranged, and arranges the evaluation values stored in the search result storage unit 17B.
  • the evaluation value prediction unit 16a can calculate the prediction value m (x) of the evaluation value with respect to the processing condition x according to the following equation (4).
  • CN is a Gram matrix.
  • the evaluation value prediction unit 16a does not have to be Gaussian process regression, and may predict the evaluation value using supervised learning such as decision tree, linear regression, boosting, or neural network.
  • m (x) k T ⁇ ( CN -1 ) ⁇ t ⁇ ⁇ ⁇ (4)
  • the uncertainty evaluation unit 16b in the evaluation value prediction model 16 uses, for example, the processing conditions stored in the search result storage unit 17B and the corresponding evaluation values when the processing according to the five initial processing conditions is completed. Then, an index showing the uncertainty of the prediction of the evaluation value for all the 1000 processing conditions described above is calculated (step ST13). The value of the index calculated by the uncertainty evaluation unit 16b is stored in the uncertainty storage unit 17E (step ST14).
  • the uncertainty evaluation unit 16b As a method of calculating the above index by the uncertainty evaluation unit 16b, for example, there is Gaussian process regression.
  • Gaussian process regression let k be a vector in which each machining condition stored in the search result storage unit 17B and the corresponding kernel value are arranged, and the accuracy parameter of the evaluation value prediction unit 16a is set to the kernel value between the machining conditions x.
  • the uncertainty evaluation unit 16b sets the index ⁇ 2 (x) indicating the uncertainty of the prediction of the evaluation value with respect to the untrial processing condition x according to the following equation (5). Can be calculated.
  • CN is a Gram matrix.
  • the uncertainty evaluation unit 16b does not have to be Gaussian process regression, and may calculate the above index by regression using density estimation, mixed density network, and Kullback-Leibler divergence.
  • ⁇ 2 (x) ck T ⁇ (C N -1 ) ⁇ k ⁇ ⁇ ⁇ (5)
  • FIG. 3 is a graph showing the relationship between the processing conditions, the predicted value of the corresponding evaluation value, and the index showing the uncertainty of the prediction of the evaluation value.
  • the evaluation value prediction model 16 predicts the evaluation value according to the Gaussian distribution by using, for example, Gaussian process regression.
  • the black plot shown in FIG. 3 shows the processing conditions and evaluation values stored in the search result storage unit 17B.
  • the prediction of the evaluation value is Even if it deviates, it is statistically shown that the black plot has a probability of about 95% that it is in the range of m (x) + 2 ⁇ (x) or less and m (x) -2 ⁇ (x) or more. ..
  • the search end determination unit 11c included in the processing condition generation unit 11 determines the prediction value of the evaluation value of the processing condition stored in the prediction result storage unit 17D and the uncertainty of the prediction of the evaluation value stored in the uncertainty storage unit 17E. It is determined whether or not to end the search for machining conditions using the index indicating (step ST15). For example, the search end determination unit 11c compares the value of the index stored in the uncertainty storage unit 17E, which indicates the uncertainty of the prediction of the evaluation value of all the processing conditions searched so far, with the threshold value, and makes the said. When the value of the index is equal to or less than the threshold value, it is determined that the optimum machining condition has been searched, and the search for the machining condition is terminated.
  • the search end determination unit 11c specifies the number of machining conditions that may greatly deviate from the prediction of the evaluation value by comparing the index indicating the uncertainty of the prediction of the evaluation value of all the machining conditions with the threshold value. If the number is less than the number, the search for processing conditions is terminated. This is because if there is a machining condition in which the measured value of the evaluation value and the predicted value of the evaluation value are significantly different, the predicted value changes significantly in a wide range of the search space of the machining condition.
  • the search end determination unit 11c uses the machining condition x, the predicted value m (x) of the evaluation value with respect to the machining condition x, and the index (standard deviation) ⁇ (x) indicating the uncertainty of the prediction of the evaluation value. Therefore, it can be determined that the larger the value of m (x) + ⁇ (x), the higher the value of searching for the processing conditions.
  • ⁇ is a parameter determined before searching for processing conditions. The smaller the value of ⁇ , the higher the predicted value of the evaluation value is selected, and the larger the value of ⁇ , the more the processing condition that is likely to deviate from the prediction of the evaluation value is selected.
  • the value of ⁇ the same value may be used continuously, or the value may be changed in the middle.
  • the search end determination unit 11c determines that the evaluation values are among the predicted values of the evaluation values of all the processing conditions stored in the prediction result storage unit 17D.
  • the processing conditions predicted to be the highest are extracted, and the extracted processing conditions are output to the actual processing command unit 11b.
  • the actual machining command unit 11b outputs a command including the machining conditions output from the search end determination unit 11c to the machining machine 2, and sets the machining conditions in the machining machine 2 (step ST16).
  • the search end determination unit 11c When it is determined that it is necessary to additionally search for the machining condition (step ST15; NO), the search end determination unit 11c outputs the continuation of the search to the machining condition calculation unit 11a.
  • the processing condition calculation unit 11a uses the predicted value of the evaluation value of the processing condition stored in the prediction result storage unit 17D to perform the next processing to be tried.
  • Generate a condition step ST17).
  • the machining condition to be tried next calculated by the machining condition calculation unit 11a is output to the actual machining command unit 11b.
  • the actual machining command unit 11b outputs a command including the machining condition to be tried next to the machining machine 2, and sets the machining condition in the machining machine 2.
  • the machining machine 2 When the optimum machining conditions are set in step ST16, or when the machining conditions to be tried next are set in step ST17, the machining machine 2 performs machining (step ST18).
  • the machining state collecting unit 12 collects data indicating the machining state, and stores the machining conditions and the machining state in the machining state storage unit 17A in association with each other.
  • the processing result collecting unit 13 collects data indicating the processing result and outputs the data to the processing result evaluation unit 14.
  • the processing result evaluation unit 14 calculates the evaluation value of the processing performed by the processing machine 2 based on the processing result collected by the processing result collecting unit 13 (step ST19). Next, the process proceeds to step ST7, and the above-described process is executed.
  • the display unit 3 displays the machining conditions and the evaluation values corresponding to the machining conditions obtained during the search for the machining conditions by the machining condition search device 1.
  • the display unit 3 displays the machining conditions and the predicted value of the evaluation value corresponding to the machining conditions or the optimum machining conditions of the search result. That is, the display unit 3 shows the processing conditions read from the search result storage unit 17B and the evaluation values corresponding to the processing conditions, the processing conditions read from the prediction result storage unit 17D, and the evaluation values corresponding to the processing conditions. At least one of the predicted value of the above or the optimum machining condition of the search result output from the machining condition calculation unit 11a is displayed. As a result, the machining operator can recognize the search status and the search result of the machining conditions by referring to the information displayed on the display unit 3.
  • the hardware configuration that realizes the function of the machining condition search device 1 is as follows.
  • the functions of the machining condition generation unit 11, the machining state collection section 12, the machining result collection section 13, the machining result evaluation section 14, the model construction section 15, and the evaluation value prediction model 16 in the machining condition search device 1 are realized by the processing circuit. .. That is, the machining condition search device 1 includes a processing circuit that executes the processes from step ST1 to step ST19 in FIG.
  • the processing circuit may be dedicated hardware or a CPU (Central Processing Unit) that executes a program stored in the memory.
  • CPU Central Processing Unit
  • FIG. 4A is a block diagram showing a hardware configuration that realizes the function of the machining condition search device 1.
  • FIG. 4B is a block diagram showing a hardware configuration for executing software that realizes the function of the machining condition search device 1.
  • the input interface 100 relays data indicating a machining state and a machining result output from the machining machine 2 to the machining condition search device 1, and from each storage unit 17A to 17E to the machining condition search device 1. Relay the output stored data.
  • the output interface 101 relays the information output from the machining condition search device 1 to the display unit 3 or the data output from the machining condition search device 1 to the storage units 17A to 17E.
  • the processing circuit 102 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Specific Integrated). Circuit), FPGA (Field-Programmable Gate Array), or a combination of these is applicable.
  • the functions of the machining condition generation unit 11, the machining state collection section 12, the machining result collection section 13, the machining result evaluation section 14, the model construction section 15, and the evaluation value prediction model 16 in the machining condition search device 1 are realized by separate processing circuits. These functions may be collectively realized by one processing circuit.
  • the processing circuit is the processor 103 shown in FIG. 4B, the processing condition generation unit 11, the processing state collection unit 12, the processing result collection unit 13, the processing result evaluation unit 14, the model construction unit 15, and the evaluation in the processing condition search device 1
  • the function of the value prediction model 16 is realized by software, firmware or a combination of software and firmware.
  • the software or firmware is described as a program and stored in the memory 104.
  • the processor 103 By reading and executing the program stored in the memory 104, the processor 103 reads and executes the machining condition generation unit 11, the machining state collection section 12, the machining result collection section 13, the machining result evaluation section 14, and the model in the machining condition search device 1.
  • the functions of the construction unit 15 and the evaluation value prediction model 16 are realized.
  • the machining condition search device 1 includes a memory 104 for storing a program in which the processes from steps ST1 to ST19 in the flowchart shown in FIG. 2 are executed as a result when executed by the processor 103. .. These programs cause a computer to execute the procedures or methods of the processing condition generation unit 11, the processing state collection unit 12, the processing result collection unit 13, the processing result evaluation unit 14, the model construction unit 15, and the evaluation value prediction model 16.
  • the memory 104 stores a program for causing the computer to function as a processing condition generation unit 11, a processing state collection unit 12, a processing result collection unit 13, a processing result evaluation unit 14, a model construction unit 15, and an evaluation value prediction model 16. It may be a computer-readable storage medium.
  • the memory 104 may be, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Read Only Memory), an EEPROM (Electrolytically magnetic volatility), an EEPROM (Electrically-volatile) semiconductor, or the like.
  • a RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory an EPROM (Erasable Programmable Read Only Memory), an EEPROM (Electrolytically magnetic volatility), an EEPROM (Electrically-volatile) semiconductor, or the like.
  • EPROM Erasable Programmable Read Only Memory
  • EEPROM Electrically magnetic volatility
  • EEPROM Electrically-volatile semiconductor
  • the processing condition generation unit 11, the processing state collection section 12, the processing result collection section 13, the machining result evaluation section 14, the model construction section 15, and the evaluation value prediction model 16 in the machining condition search device 1 are dedicated hardware. It may be realized by software or firmware in part.
  • the processing condition generation unit 11, the processing state collection unit 12, the processing result collection unit 13, the processing result evaluation unit 14, and the model construction unit 15 are realized by the processing circuit 102, which is dedicated hardware, and the evaluation values are evaluated.
  • the function of the prediction model 16 is realized by the processor 103 reading and executing the program stored in the memory 104.
  • the processing circuit can realize the above-mentioned functions by hardware, software, firmware or a combination thereof.
  • the evaluation values corresponding to the untrial machining conditions are set based on the machining conditions, the machining state, and the machining evaluation values set in the machining machine 2.
  • the evaluation value prediction model 16 is constructed based on the predicted degree of change in the relationship between the processing conditions and the evaluation value, and the evaluation value prediction model 16 is weighted according to the processing state. Even if the relationship between the machining conditions and the evaluation value changes due to a change in the machining state, the evaluation value prediction model 16 is newly constructed according to the degree of the change, and the machining state is compared with the evaluation value prediction model 16. Weighting is performed according to.
  • the machining condition search device 1 collects a large amount of data in advance and builds a learning model even when the relationship between the machining conditions and the evaluation value changes according to the change in the machining state. It is possible to search for processing conditions without having to. Further, the machining condition search device 1 does not search a large number of machining conditions that can be set in the machining machine 2 in order, but narrows down the number of machining conditions to be searched according to the change in the machining state, so that the machining conditions are searched. The number of trials is reduced.
  • the machining condition search device can be used, for example, to search for machining conditions of an electric discharge machine.
  • 1 Machining condition search device 2 Machining machine, 3 Display unit, 11 Machining condition generation unit, 11a Machining condition calculation unit, 11b Actual machining command unit, 11c Search end determination unit, 12 Machining status collection unit, 13 Machining result collection unit, 14 Machining result evaluation unit, 15 Model construction unit, 16 Evaluation value prediction model, 16a Evaluation value prediction unit, 16b Uncertainty evaluation unit, 17A Machining state storage unit, 17B Search result storage unit, 17C Model storage unit, 17D Prediction result Storage unit, 17E uncertainty storage unit, 100 input interface, 101 output interface, 102 processing circuit, 103 processor, 104 memory.

Abstract

加工条件探索装置（１）は、加工機（２）に設定される加工条件を生成する加工条件生成部（１１）と、加工状態を収集する加工状態収集部（１２）と、加工条件に従って実施された加工の加工結果を収集する加工結果収集部（１３）と、加工結果に基づいて加工の評価値を算出する加工結果評価部（１４）と、加工条件、加工状態および評価値に基づいて、未試行の加工条件に対応する評価値を予測する評価値予測モデル（１６）と、加工条件と評価値との関係性の変化度合いに基づいて評価値予測モデル（１６）を構築し、評価値予測モデル（１６）に対して加工状態に応じた重み付けを行うモデル構築部（１５）を備え、加工条件生成部（１１）は、評価値の予測値を用いて、次に試行すべき加工条件を生成し、探索を終了すると判定されるまで、加工状態収集部（１２）、加工結果収集部（１３）、加工結果評価部（１４）、評価値予測モデル（１６）およびモデル構築部（１５）による各処理を繰り返し行う。

Description

加工条件探索装置および加工条件探索方法
　本開示は、加工条件を探索する加工条件探索装置および加工条件探索方法に関する。
　一般的に、加工機に設定される加工条件によって異なる加工結果が得られ、また、同一の加工条件であっても、加工機の状態およびワークの状態を示す加工状態の変化によって異なる加工結果が得られる。このため、加工の要求仕様を満足する加工結果を得るためには、加工状態に応じた適切な加工条件を探索する必要がある。
　これに対して、例えば、特許文献１には、加工機械によるワークの加工結果を予測する制御装置が記載されている。この制御装置は、加工状態を示す状態量の変化を表す状態変数と加工結果を示す判定データとの相関関係を示す学習モデルを用いることで、状態量の変化が加工結果に及ぼす影響を予測する。
特開２０１９－３２６４９号公報
　加工状態が変化すると、加工機に設定された加工条件が同一であっても異なる加工結果となり、加工条件とこの加工条件で実施された加工の評価値との関係性も変化する。このため、特許文献１に記載された制御装置を用いて加工の要求仕様を満足させる加工条件を探索するためには、事前に大量の学習用データを収集して、加工状態の変化が加工結果に及ぼす影響を精度よく予測することができる学習モデルを構築しておく必要があるという課題があった。
　本開示は上記課題を解決するものであり、事前に大量のデータを収集して学習モデルを構築しておくことなく、加工条件を探索することができる加工条件探索装置および加工条件探索方法を得ることを目的とする。
　本開示に係る加工条件探索装置は、加工機に設定される加工条件を生成する加工条件生成部と、加工条件に従って加工を実施する加工機、加工対象のワークおよび加工機の設置環境の各状態を示す加工状態を収集する加工状態収集部と、加工条件に従って実施された加工の加工結果を収集する加工結果収集部と、加工結果収集部によって収集された加工結果に基づいて、加工条件に従って実施された加工の評価値を算出する加工結果評価部と、加工条件生成部によって生成された加工条件、加工状態収集部によって収集された加工状態および加工結果評価部によって算出された評価値に基づいて、未試行の加工条件に対応する評価値を予測する評価値予測モデルと、加工条件と評価値との関係性の変化度合いに基づいて評価値予測モデルを構築し、評価値予測モデルに対して加工状態に応じた重み付けを行うモデル構築部とを備え、加工条件生成部は、評価値予測モデルによって算出された評価値の予測値を用いて、次に試行すべき加工条件を生成し、加工条件生成部によって加工条件の探索を終了すると判定されるまで、加工状態収集部、加工結果収集部、加工結果評価部、評価値予測モデルおよびモデル構築部による各処理を繰り返し行う。
　本開示によれば、加工機に設定された加工条件、加工状態および加工の評価値に基づいて、未試行の加工条件に対応する評価値が予測され、加工条件と評価値との関係性の変化度合いに基づいて、評価値予測モデルが構築され、評価値予測モデルに対して加工状態に応じた重み付けが行われる。加工状態の変化によって加工条件と評価値との関係性が変化した場合であってもその変化の度合いに応じて評価値予測モデルが新たに構築され、評価値予測モデルに対して加工状態に応じた重み付けが行われる。これにより、本開示に係る加工条件探索装置は、事前に大量のデータを収集して学習モデルを構築しておくことなく、加工条件を探索することができる。
実施の形態１に係る加工条件探索装置の構成を示すブロック図である。 実施の形態１に係る加工条件探索方法を示すフローチャートである。 加工条件と、これに対応する評価値の予測値と、評価値の予測の不確実性を示す指標との関係を示すグラフである。 図４Ａは、実施の形態１に係る加工条件探索装置の機能を実現するハードウェア構成を示すブロック図であり、図４Ｂは、実施の形態１に係る加工条件探索装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。
実施の形態１．
　図１は、実施の形態１に係る加工条件探索装置１の構成を示すブロック図である。加工条件探索装置１は、加工機２に設定可能な多数の加工条件から最適な加工条件を探索し、探索結果の加工条件を加工機２に設定する。最適な加工条件は、例えば、加工の要求仕様を満足する加工結果が得られる加工条件である。また、表示部３は、加工条件探索装置１によって探索された加工条件等を表示する。例えば、表示部３は、加工機２に設定された加工条件と、この加工条件に従って加工機２が実施した加工の評価値を表示する。
　加工機２は、加工条件に従って加工を実施する産業用装置であり、例えば、金属からなる加工対象物に対して切削あるいは研磨を行うか、電気またはその他のエネルギーを利用して不要な部分を取り除くことにより、加工対象物を所望の形状とする。加工対象物は、金属に限らず、セラミックス、ガラスあるいは木材であってもよい。加工機２には、例えば、レーザ加工機、放電加工機、切削加工機、研削加工機、電解加工機、超音波加工機または電子ビーム加工機がある。以下の説明は、加工機２が、放電加工機、特に形彫放電加工機であるものとする。
　加工条件は、加工機２の制御に用いられる複数の制御パラメータの組み合わせによって構成される。一般的に、加工条件が異なると、加工結果は異なる。また、加工機２に設定された加工条件が同一であっても、加工中の加工機２、加工対象のワークおよび加工機２の設置環境の各状態を示す加工状態の変化によっては、異なる加工結果が得られることがある。すなわち、加工の要求仕様を満足する最適な加工結果を得るためには、加工状態に応じた適切な加工条件を探索する必要がある。
　例えば、形彫放電加工機の加工において調整可能な制御パラメータが３つあり、各制御パラメータの値を１０段階で選択できる場合に、各制御パラメータの組み合わせによって構成される加工条件は、１０３＝１０００通りある。これに対して、加工条件探索装置１は、加工機２に設定可能な多数の加工条件を順に探索するのではなく、加工状態の変化に応じて探索対象の加工条件の数を絞るので、加工条件の探索の試行回数が低減される。
　図１において、加工条件探索装置１は、加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６を備える。また、加工条件探索装置１は、加工状態記憶部１７Ａ、探索結果記憶部１７Ｂ、モデル記憶部１７Ｃ、予測結果記憶部１７Ｄおよび不確実性記憶部１７Ｅを備える。なお、記憶部１７Ａ～１７Ｅの全てまたはその一部は、加工条件探索装置１とは別に設けられた外部装置が備えてもよい。
　加工条件生成部１１は、加工条件を生成し、生成した加工条件を加工機２に設定する。加工条件生成部１１は、加工条件計算部１１ａ、実加工指令部１１ｂおよび探索終了判定部１１ｃを備えている。
　加工条件計算部１１ａは、加工機２に設定する加工条件を算出する。例えば、加工条件計算部１１ａは、加工機２の複数の制御パラメータおよびこれらの制御パラメータが取り得る値の範囲の組み合わせから、加工内容に対応する組み合わせを選択し、選択した組み合わせから加工条件を算出する。制御パラメータは、例えば、レーザ出力、切断速度、ビーム倍率、焦点位置、ガス圧である。
　実加工指令部１１ｂは、加工条件計算部１１ａによって算出された加工条件に基づいた加工を加工機２に実施させる。例えば、実加工指令部１１ｂは、加工条件計算部１１ａによって算出された加工条件に基づいて、加工機２を動作させるための指令を生成し、生成した指令を加工機２へ出力する。
　探索終了判定部１１ｃは、予測結果記憶部１７Ｄまたは不確実性記憶部１７Ｅに記憶されたデータに基づいて、加工条件の探索を終了するか否かを判定する。探索終了判定部１１ｃによって加工条件の探索を追加で行う必要があると判定された場合、加工条件計算部１１ａは、次に加工を実施すべき加工条件を生成する。また、加工条件の探索を追加で行う必要がないと判定された場合、加工条件計算部１１ａは、予測結果記憶部１７Ｄに記憶された評価値の予測結果を用いて、最も高い評価値であると予測された加工条件を、最適な加工条件と決定する。
　加工状態収集部１２は、加工機２によって実施されている加工の加工状態を示すデータを収集する。加工状態には、加工機２の状態、加工対象のワークの状態および加工機２の設置環境の状態が含まれる。例えば、加工状態は、加工機２の温度、ワークの温度、ワークの厚み、および加工機２の設置環境である室内の温度または湿度といった、加工結果に影響を与えるが、ユーザが制御できない状態である。加工状態を示すデータは、加工状態が示す各状態を数値化した状態量である。加工状態収集部１２によって収集されたデータは、加工状態記憶部１７Ａに記憶される。
　加工結果収集部１３は、加工機２から、加工条件に従って実施された加工の加工結果を収集する。例えば、加工結果収集部１３は、加工中および加工後に得られた加工に関連する情報を収集する。加工処理に関連する情報には、例えば、加工中に観測された音または光の検出データ、放電パル数または加工後のワークの表面状態がある。
　加工結果評価部１４は、加工結果収集部１３によって収集された加工結果に基づいて、加工機２によって加工条件に従って実施された加工の評価値を算出する。評価値は、加工の良否の評価値であり、例えば、０から１までの値である。評価値が大きいほど加工結果がよいことを表す。最も良い加工が行われた場合に評価値は１となり、最も悪い加工が行われた場合の評価値は０となる。また、加工結果評価部１４は、加工条件と評価値との組み合わせを探索結果として探索結果記憶部１７Ｂに記憶する。探索結果記憶部１７Ｂは、探索結果を記憶する。
　モデル構築部１５は、加工条件と評価値との関係性の変化度合いに基づいて評価値予測モデル１６を構築し、評価値予測モデル１６に対して加工状態に応じた重み付けを行う。例えば、モデル構築部１５は、加工状態記憶部１７Ａに記憶された加工状態を示す情報と探索結果記憶部１７Ｂに記憶された評価値とに基づいて、加工条件と評価値との関係性の変化度合いを算出する。モデル構築部１５は、加工条件と評価値との関係性の変化度合いが閾値以上である場合に、評価値予測モデルを新たに構築すべき加工状態の変化が生じたと判断して、評価値予測モデルを構築する。
　また、モデル構築部１５は、加工状態に応じて評価値予測モデル１６に対して重み付けを実施する。例えば、複数の評価値予測モデル１６による各評価値の予測値は、評価値予測モデル１６に対応する加工状態を数値化した状態量の大きさに応じた重みによって統合される。統合された評価値の予測値において、重みが大きい評価値予測モデル１６であるほど、その予測結果が重視される。
　評価値予測モデル１６は、加工条件生成部１１によって生成された加工条件、加工状態収集部１２によって収集された加工状態、および加工結果評価部１４によって算出された評価値に基づいて、未試行の加工条件に対応する評価値を予測する。図１において、評価値予測モデル１６は、評価値予測部１６ａおよび不確実性評価部１６ｂを備える。
　評価値予測部１６ａは、探索結果記憶部１７Ｂに記憶された加工条件とこれに対応する評価値とに基づいて、未試行（加工が実施されていない）の加工条件に対応する評価値を予測する。また、評価値予測部１６ａは、加工条件およびこれに対応する評価値の予測値を予測結果記憶部１７Ｄに記憶する。予測結果記憶部１７Ｄには、未試行の加工条件と、これに対応する評価値の予測値とが対応付けて記憶される。
　不確実性評価部１６ｂは、評価値予測部１６ａによる評価値の予測の不確実性を示す指標を算出する。例えば、不確実性評価部１６ｂは、探索結果記憶部１７Ｂに記憶されている探索結果を用いて、評価値の予測値に対する不確実性、すなわち、予測の外れやすさを示す指標を算出する。不確実性評価部１６ｂは、算出した指標の値および加工条件を含む不確実性情報を、不確実性記憶部１７Ｅに記憶する。不確実性記憶部１７Ｅには、未試行の加工条件と、これに対応する評価値の予測の不確実性を示す指標値とが対応付けて記憶される。
　図２は、実施の形態１に係る加工条件探索方法を示すフローチャートであり、加工条件探索装置１によって最適な加工条件が探索されるまでの一連の処理を示している。最適な加工条件の探索処理が開始されると、加工条件生成部１１が、初期加工条件を生成する（ステップＳＴ１）。加工条件計算部１１ａは、加工機２に設定可能な全ての制御パラメータの組み合わせの中から、一定数の組み合わせを初期加工条件として選択する。初期加工条件の選択方法として、実験計画法、最適計画法またはランダムサンプリングがある。また、加工機２の過去の利用実績から、ユーザが最適な加工条件の見当がついている場合には、ユーザが指定した加工条件を初期加工条件として用いてもよい。
　例えば、加工条件を構成する制御パラメータが３つであり、制御パラメータごとに１０段階の値から加工機２に設定する値を選べる場合、加工条件の総組み合せ数は、１０００通り存在する。加工条件計算部１１ａは、１０００通りの加工条件の中から一定数の加工条件を選択する。以下の説明では、一定数が例えば５であり、加工条件計算部１１ａは、１０００通りの加工条件の中から５通りの加工条件を選択するものとする。
　続いて、加工条件生成部１１が、初期加工条件を加工機２に設定して、初期加工条件に従って加工機２に加工を実施させる（ステップＳＴ２）。例えば、加工条件計算部１１ａは、５通りの初期加工条件の中から１つの初期加工条件を選択し、選択した初期加工条件を実加工指令部１１ｂに出力する。実加工指令部１１ｂは、加工条件計算部１１ａから出力された初期加工条件に従って加工機２を動作させるための指令を生成し、生成した指令を加工機２に出力する。加工機２は、初期加工条件に従った加工を実施する。以下の説明において、初期加工条件に従った加工は、“初期加工”とも記載される。
　加工状態収集部１２は、初期加工条件に従って加工機２によって実施された加工の加工状態を示すデータを収集する（ステップＳＴ３）。加工状態収集部１２は、加工機２から収集した加工状態を示すデータを、加工状態記憶部１７Ａに記憶する。これにより、加工状態記憶部１７Ａには、初期加工条件と加工状態とが対応付けて記憶される。
　加工結果収集部１３は、初期加工条件に従って加工機２によって実施された加工の加工結果を示すデータを収集する（ステップＳＴ４）。加工結果収集部１３によって収集されたデータは、加工結果評価部１４に出力される。
　加工結果評価部１４は、加工結果収集部１３によって収集された加工結果に基づいて、加工機２によって初期加工条件に従って実施された加工の評価値を算出する（ステップＳＴ５）。加工結果評価部１４は、加工結果収集部１３によって収集された加工結果を数値化し、加工の良否の評価値を算出する。例えば、加工結果評価部１４は、初期加工条件に従う加工中に観測された音または光の検出データあるいは放電パルス数を計測し、この計測値を、加工の良否を示す連続値または複数段階の離散値（例えば１０段階）の評価値に変換する。探索結果記憶部１７Ｂは、加工条件と評価値との組み合わせを記憶する。
　加工条件計算部１１ａは、初期加工条件として選択した全ての加工条件について、初期加工が終了したか否かを確認する（ステップＳＴ６）。初期加工が終了していない初期加工条件がある場合（ステップＳＴ６；ＮＯ）、初期加工が終了していない初期加工条件について、ステップＳＴ１からステップＳＴ５までの処理が順に実施される。これにより、加工状態記憶部１７Ａには、全ての初期加工条件（例えば、５通りの初期加工条件）と、加工状態を示すデータとが対応付けて記憶される。さらに、探索結果記憶部１７Ｂには、全ての初期加工条件と評価値とが対応付けて記憶される。
　全ての初期加工条件の初期加工が終了した場合（ステップＳＴ６；ＹＥＳ）、加工条件計算部１１ａは、探索された最適な加工条件に従った加工が終了したか否かを確認する（ステップＳＴ７）。最適な加工条件に従って加工機２が加工を終えた場合（ステップＳＴ７；ＹＥＳ）、図２の一連の処理が終了する。
　最適な加工条件に従った加工が終了していない場合（ステップＳＴ７；ＮＯ）、モデル構築部１５は、加工状態記憶部１７Ａに記憶された加工状態を示すデータを用いて、加工条件と評価値との関係性の変化度合いを示す指標の値が閾値以上であるか否かを判定する（ステップＳＴ８）。上記変化度合いを求める方法には、変化点検知がある。変化点検知においては、上記変化度合いを示す指標として異常度が用いられる。異常度は、例えば、加工状態の予測値と、加工状態記憶部１７Ａに記憶された加工状態の実測値との差を二乗した値である。
　加工状態の予測値の算出には、例えば、自己回帰モデルが用いられる。自己回帰モデルにおいて、１時間ステップ先の時刻ｔにおける加工状態の予測値ハットｙ（ｔ）は、下記式（１）を用いて算出される。下記式（１）において、ｙ（ｔ－１）は、現在時刻ｔ－１における加工状態の実測値であり、ｙ（ｔ－２）は、過去の時刻ｔ－２における加工状態の実測値であり、ｙ（ｔ－３）は、過去の時刻ｔ－３における加工状態の実測値である。係数α１は、実測値ｙ（ｔ－１）に対する係数であり、係数α２は、実測値ｙ（ｔ－２）に対する係数であり、係数α３は、実測値ｙ（ｔ－３）に対する係数である。なお、モデル構築部１５は、自己回帰モデル以外に、重回帰モデル、決定木あるいはニューラルネットワークといった教師あり学習を用いて加工条件と評価値との関係性の変化度合いを評価してもよい。

Figure JPOXMLDOC01-appb-I000001
　モデル構築部１５は、加工条件と評価値との関係性の変化度合いを示す指標の値が閾値以上であると判定した場合（ステップＳＴ８；ＹＥＳ）、新規に評価値予測モデル１６を構築すべき加工状態の変化が生じたと判断して、変化後の加工状態に対応した評価値予測モデル１６を構築する（ステップＳＴ９）。評価値予測モデル１６の構築には、例えば、自己回帰モデル、重回帰モデル、決定木またはニューラルネットワークといった教師あり学習を用いることができる。
　加工条件と評価値との関係性の変化度合いを示す指標の値が上記閾値未満であると判定した場合（ステップＳＴ８；ＮＯ）あるいはステップＳＴ９が完了すると、モデル構築部１５は、既に構築したそれぞれの評価値予測モデル１６に対して、加工状態記憶部１７Ａに記憶された加工状態に応じて重み付けを行う（ステップＳＴ１０）。重み付けの方法には線形補間またはブースティングがある。また、モデル構築部１５は、複数の評価値予測モデル１６を重み付けするのではなく、１つの評価値予測モデル１６を選択して重み付けを行ってもよい。
　例えば、モデル構築部１５は、線形補間を用いて、評価値予測モデル１６に対して重み付けを行う。モデル構築部１５は、加工状態記憶部１７Ａに記憶された過去の時刻ｔ－２における加工状態ｓ１、過去の時刻ｔ－３における加工状態ｓ２、および、加工状態収集部１２によって収集された現在ｔ－１における加工状態ｓを用いて、加工状態ｓ１に対応した評価値予測モデル１６が定める関数ｆ１に対する重みβ１（ｓ）と、加工状態ｓ２に対応した評価値予測モデル１６が定める関数ｆ２に対する重みβ２（ｓ）を、下記式（２）に従って算出する。この重み付けを用いて、加工条件ｘ、加工状態ｓに対する評価値予測モデル１６の出力ｆ（ｘ，ｓ）が、下記式（３）に従って算出される。なお、２つの評価値予測モデル１６に対して重みの値を決めたが、モデル構築部１５は、３つ以上の評価値予測モデル１６に対して重みの値を算出してもよい。
β１（ｓ）＝（ｓ２－ｓ）／（ｓ２－ｓ１）
β２（ｓ）＝（ｓ－ｓ１）／（ｓ２－ｓ１）　　　　　　　　　　・・・（２）
ｆ（ｘ，ｓ）＝β１（ｓ）ｆ１（ｘ）＋β２（ｓ）ｆ２（ｘ）　　・・・（３）
　評価値予測モデル１６における評価値予測部１６ａは、例えば５通りの初期加工条件に従った加工が終了すると、探索結果記憶部１７Ｂに記憶されていた加工条件およびこれに対応する評価値を用いて、前述の１０００通り全ての加工条件に対する評価値を予測する（ステップＳＴ１１）。評価値予測部１６ａによって予測された評価値は、予測結果記憶部１７Ｄに記憶される（ステップＳＴ１２）。
　評価値予測部１６ａによる評価値の予測方法として、例えば、ガウス過程回帰がある。ガウス過程回帰において、評価値予測部１６ａは、加工条件に対応する評価値が確率変数であると仮定して構築された、評価値に対応する加工条件の確率モデルである。評価値予測部１６ａは、探索結果記憶部１７Ｂに記憶された各加工条件とこれらに対応するカーネルの値とを並べたベクトルをｋとし、探索結果記憶部１７Ｂに記憶された評価値を並べたベクトルをｔとした場合に、評価値予測部１６ａは、加工条件ｘに対する評価値の予測値ｍ（ｘ）を、下記式（４）に従って算出することができる。下記式（４）において、ＣＮは、グラム行列である。なお、評価値予測部１６ａは、ガウス過程回帰でなくてもよく、決定木、線形回帰、ブースティングまたはニューラルネットワークといった教師あり学習を用いて評価値を予測してもよい。
ｍ（ｘ）＝ｋＴ・（ＣＮ －１）・ｔ　　　　　　　・・・（４）
　評価値予測モデル１６における不確実性評価部１６ｂは、例えば５通りの初期加工条件に従った加工が終了すると、探索結果記憶部１７Ｂに記憶されていた加工条件およびこれに対応する評価値を用いて、前述した１０００通り全ての加工条件に対する評価値の予測の不確実性を示す指標を算出する（ステップＳＴ１３）。不確実性評価部１６ｂによって算出された上記指標の値は、不確実性記憶部１７Ｅに記憶される（ステップＳＴ１４）。
　不確実性評価部１６ｂによる上記指標の算出方法として、例えば、ガウス過程回帰がある。ガウス過程回帰において、探索結果記憶部１７Ｂに記憶された各加工条件およびこれに対応するカーネルの値を並べたベクトルをｋとし、加工条件ｘ間のカーネルの値に評価値予測部１６ａの精度パラメータを加えたスカラー値をｃとした場合、不確実性評価部１６ｂは、未試行の加工条件ｘに対する評価値の予測の不確実性を示す指標σ２（ｘ）を、下記式（５）に従って算出することができる。下記式（５）において、ＣＮはグラム行列である。不確実性評価部１６ｂは、ガウス過程回帰でなくてもよく、密度推定、混合密度ネットワーク、カルバック・ライブラーダイバージェンスを用いた回帰により上記指標を算出してもよい。
σ２（ｘ）＝ｃ－ｋＴ・（ＣＮ －１）・ｋ　　　・・・（５）
　図３は、加工条件と、これに対応する評価値の予測値と、評価値の予測の不確実性を示す指標との関係を示すグラフである。評価値予測モデル１６は、例えば、ガウス過程回帰を用いて評価値がガウス分布に従うものとして予測を行う。図３に示す黒色プロットは、探索結果記憶部１７Ｂに記憶された加工条件および評価値である。図３において、評価値の予測値をガウス分布の平均ｍ（ｘ）とし、評価値の予測の不確実性を示す指標をガウス分布の標準偏差σ（ｘ）とした場合、評価値の予測が外れたとしても、黒色プロットが、約９５％の確率で、ｍ（ｘ）＋２σ（ｘ）以下、かつｍ（ｘ）―２σ（ｘ）以上の範囲に入っていることが統計的に示される。
　加工条件生成部１１が備える探索終了判定部１１ｃは、予測結果記憶部１７Ｄに記憶された加工条件の評価値の予測値および不確実性記憶部１７Ｅに記憶された評価値の予測の不確実性を示す指標を用いて加工条件の探索を終了するか否かを判定する（ステップＳＴ１５）。例えば、探索終了判定部１１ｃは、不確実性記憶部１７Ｅに記憶された、これまで探索した全ての加工条件の評価値の予測の不確実性を示す指標の値を閾値と比較して、当該指標の値が閾値以下である場合、最適な加工条件が探索されたと判断して、加工条件の探索を終了する。
　また、探索終了判定部１１ｃは、全ての加工条件の評価値の予測の不確実性を示す指標を閾値と比較することで、評価値の予測を大きく外す可能性がある加工条件の数が指定数以下であった場合には、加工条件の探索を終了する。これは、評価値の実測値と評価値の予測値が大きく異なる加工条件があると、加工条件の探索空間の広い範囲において予測値が大きく変わるためである。
　例えば、探索終了判定部１１ｃは、加工条件ｘ、この加工条件ｘに対する評価値の予測値ｍ（ｘ）およびこの評価値の予測の不確実性を示す指標（標準偏差）σ（ｘ）を用いることにより、ｍ（ｘ）＋κσ（ｘ）の値が大きくなるほど加工条件を探索する価値が高いと判断することができる。なお、κは、加工条件を探索する前に決定されるパラメータである。κの値が小さいほど、評価値の予測値が高い加工条件が選択され、κの値が大きいほど、評価値の予測を大きく外している可能性が高い加工条件が選択される。κの値は、同じ値を使い続けてもよいし、途中で値を変えてもよい。
　加工条件の探索を終了すると判定した場合（ステップＳＴ１５；ＹＥＳ）、探索終了判定部１１ｃは、予測結果記憶部１７Ｄに記憶された全ての加工条件の評価値の予測値の中から、評価値が最も高いと予測された加工条件を抽出し、抽出した加工条件を実加工指令部１１ｂに出力する。実加工指令部１１ｂは、探索終了判定部１１ｃから出力された加工条件を含む指令を加工機２に出力し、当該加工条件を加工機２に設定する（ステップＳＴ１６）。
　加工条件の探索を追加で行う必要があると判定した場合（ステップＳＴ１５；ＮＯ）、探索終了判定部１１ｃは、探索の継続を加工条件計算部１１ａに出力する。加工条件計算部１１ａは、探索終了判定部１１ｃから探索の継続が指示された場合に、予測結果記憶部１７Ｄに記憶された加工条件の評価値の予測値を用いて、次に試行すべき加工条件を生成する（ステップＳＴ１７）。加工条件計算部１１ａによって算出された次に試行すべき加工条件は、実加工指令部１１ｂに出力される。実加工指令部１１ｂは、次に試行すべき加工条件を含む指令を加工機２に出力し、当該加工条件を加工機２に設定する
　ステップＳＴ１６において最適な加工条件が設定されるか、ステップＳＴ１７において次に試行すべき加工条件が設定された場合、加工機２は、加工を実施する（ステップＳＴ１８）。加工機２による加工中に、加工状態収集部１２は、その加工状態を示すデータを収集することで、加工状態記憶部１７Ａに加工条件と加工状態とを対応付けて記憶する。加工結果収集部１３は、その加工結果を示すデータを収集して加工結果評価部１４に出力する。加工結果評価部１４は、加工結果収集部１３によって収集された加工結果に基づいて、加工機２によって実施された加工の評価値を算出する（ステップＳＴ１９）。次に、ステップＳＴ７の処理に移行して、前述した処理が実行される。
　表示部３は、加工条件探索装置１による加工条件の探索中に得られた、加工条件およびこの加工条件に対応する評価値を表示する。また、表示部３は、加工条件およびこの加工条件に対応する評価値の予測値または探索結果の最適な加工条件を表示する。すなわち、表示部３は、探索結果記憶部１７Ｂから読み出された加工条件およびこの加工条件に対応する評価値、予測結果記憶部１７Ｄから読み出された加工条件およびこの加工条件に対応する評価値の予測値、または、加工条件計算部１１ａから出力された探索結果の最適な加工条件のうち、少なくとも一つを表示する。これにより、加工作業者は、表示部３に表示された情報を参照することにより、加工条件の探索状況および探索結果を認識することができる。
　加工条件探索装置１の機能を実現するハードウェア構成は、下記のようになる。
　加工条件探索装置１における加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６の機能は、処理回路によって実現される。すなわち、加工条件探索装置１は、図２のステップＳＴ１からステップＳＴ１９までの処理を実行する処理回路を備えている。処理回路は、専用のハードウェアであってもよいし、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　図４Ａは、加工条件探索装置１の機能を実現するハードウェア構成を示すブロック図である。さらに、図４Ｂは、加工条件探索装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図４Ａおよび図４Ｂにおいて、入力インタフェース１００は、加工機２から加工条件探索装置１へ出力される加工状態および加工結果を示すデータを中継し、各記憶部１７Ａ～１７Ｅから加工条件探索装置１へ出力される記憶データを中継する。出力インタフェース１０１は、加工条件探索装置１から表示部３へ出力される情報、または、加工条件探索装置１から各記憶部１７Ａ～１７Ｅへ出力されるデータを中継する。
　処理回路が、図４Ａに示す専用のハードウェアの処理回路１０２である場合、処理回路１０２は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、または、これらを組み合わせたものが該当する。加工条件探索装置１における加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６の機能は、別々の処理回路で実現されてもよいし、これらの機能がまとめて１つの処理回路で実現されてもよい。
　処理回路が、図４Ｂに示すプロセッサ１０３である場合、加工条件探索装置１における加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶されている。
　プロセッサ１０３は、メモリ１０４に記憶されたプログラムを読み出して実行することにより、加工条件探索装置１における加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６の機能を実現する。例えば、加工条件探索装置１は、プロセッサ１０３によって実行されるときに、図２に示したフローチャートにおけるステップＳＴ１からステップＳＴ１９までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０４を備える。これらのプログラムは、加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６の手順または方法をコンピュータに実行させる。メモリ１０４は、コンピュータを、加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
　メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
　加工条件探索装置１における加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４、モデル構築部１５および評価値予測モデル１６の機能の一部は、専用ハードウェアで実現され、一部は、ソフトウェアまたはファームウェアで実現されてもよい。例えば、加工条件生成部１１、加工状態収集部１２、加工結果収集部１３、加工結果評価部１４およびモデル構築部１５は、専用のハードウェアである処理回路１０２によってその機能が実現され、評価値予測モデル１６は、プロセッサ１０３がメモリ１０４に記憶されたプログラムを読み出し実行することでその機能が実現される。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせにより、上記機能を実現することができる。
　以上のように、実施の形態１に係る加工条件探索装置１において、加工機２に設定された加工条件、加工状態および加工の評価値に基づいて、未試行の加工条件に対応する評価値が予測され、加工条件と評価値との関係性の変化度合いに基づいて、評価値予測モデル１６が構築され、評価値予測モデル１６に対して加工状態に応じた重み付けが行われる。加工状態の変化によって加工条件と評価値との関係性が変化した場合であってもその変化の度合いに応じて評価値予測モデル１６が新たに構築され、評価値予測モデル１６に対して加工状態に応じた重み付けが行われる。これにより、加工条件探索装置１は、加工状態の変化に応じて加工条件とその評価値との関係性が変化する場合においても、事前に大量のデータを収集して学習モデルを構築しておくことなく、加工条件を探索することができる。また、加工条件探索装置１は、加工機２に設定可能な多数の加工条件を順に探索するのではなく、加工状態の変化に応じて探索対象の加工条件の数を絞るので、加工条件の探索の試行回数が低減される。
　なお、実施の形態の任意の構成要素の変形もしくは実施の形態の任意の構成要素の省略が可能である。
　本開示に係る加工条件探索装置は、例えば、放電加工機の加工条件の探索に利用可能である。
　１　加工条件探索装置、２　加工機、３　表示部、１１　加工条件生成部、１１ａ　加工条件計算部、１１ｂ　実加工指令部、１１ｃ　探索終了判定部、１２　加工状態収集部、１３　加工結果収集部、１４　加工結果評価部、１５　モデル構築部、１６　評価値予測モデル、１６ａ　評価値予測部、１６ｂ　不確実性評価部、１７Ａ　加工状態記憶部、１７Ｂ　探索結果記憶部、１７Ｃ　モデル記憶部、１７Ｄ　予測結果記憶部、１７Ｅ　不確実性記憶部、１００　入力インタフェース、１０１　出力インタフェース、１０２　処理回路、１０３　プロセッサ、１０４　メモリ。

Claims (6)

  1. 　加工機に設定される加工条件を生成する加工条件生成部と、
    　前記加工条件に従って加工を実施する前記加工機、加工対象のワークおよび前記加工機の設置環境の各状態を示す加工状態を収集する加工状態収集部と、
    　前記加工条件に従って実施された加工の加工結果を収集する加工結果収集部と、
    　前記加工結果収集部によって収集された前記加工結果に基づいて、前記加工条件に従って実施された加工の評価値を算出する加工結果評価部と、
    　前記加工条件生成部によって生成された前記加工条件、前記加工状態収集部によって収集された前記加工状態および前記加工結果評価部によって算出された前記評価値に基づいて、未試行の前記加工条件に対応する前記評価値を予測する評価値予測モデルと、
    　前記加工条件と前記評価値との関係性の変化度合いに基づいて前記評価値予測モデルを構築し、前記評価値予測モデルに対して前記加工状態に応じた重み付けを行うモデル構築部と、
    　を備え、
    　前記加工条件生成部は、前記評価値予測モデルによって算出された前記評価値の予測値を用いて、次に試行すべき前記加工条件を生成し、
    　前記加工条件生成部によって前記加工条件の探索を終了すると判定されるまで、前記加工状態収集部、前記加工結果収集部、前記加工結果評価部、前記評価値予測モデルおよび前記モデル構築部による各処理を繰り返し行う加工条件探索装置。
  2. 　前記評価値予測モデルは、前記加工条件および前記加工状態に応じて前記評価値の予測の不確実性を示す指標を算出し、
    　前記加工条件生成部は、前記評価値の予測値と当該評価値の予測の不確実性を示す指標とに基づいて、次に試行すべき前記加工条件を生成すること
    　を特徴とする請求項１記載の加工条件探索装置。
  3. 　前記加工条件生成部は、前記評価値の予測値および前記評価値の予測の不確実性を示す指標を用いて、探索を終了するか否かを判定し、探索を終了すると判定した場合に、前記評価値の予測の不確実性を考慮せず、前記評価値の予測値のみに基づいて最適な前記加工条件を予測すること
    　を特徴とする請求項２記載の加工条件探索装置。
  4. 　前記評価値予測モデルは、前記加工条件に対応する前記評価値が確率変数であると仮定して構築された、前記評価値に対応する前記加工条件の確率モデルであり、前記評価値の予測値と前記評価値の予測の不確実性を示す指標とを算出すること
    　を特徴とする請求項２記載の加工条件探索装置。
  5. 　前記加工条件および当該加工条件に対応する前記評価値、前記加工条件および当該加工条件に対応する前記評価値の予測値または探索結果の前記加工条件のうち少なくとも一つを表示する表示部を備えたこと
    　を特徴とする請求項１記載の加工条件探索装置。
  6. 　加工条件生成部が、加工機に設定される加工条件を生成するステップと、
    　加工状態収集部が、前記加工条件に従って加工を実施する前記加工機、加工対象のワークおよび前記加工機の設置環境の各状態を示す加工状態を収集するステップと、
    　加工結果収集部が、前記加工条件に従って実施された加工の加工結果を収集するステップと、
    　加工結果評価部が、前記加工結果収集部によって収集された前記加工結果に基づいて、前記加工条件に従って実施された加工の評価値を算出するステップと、
    　評価値予測モデルが、前記加工条件生成部によって生成された前記加工条件、前記加工状態収集部によって収集された前記加工状態および前記加工結果評価部によって算出された前記評価値に基づいて、未試行の前記加工条件に対応する前記評価値を予測するステップと、
    　モデル構築部が、前記加工条件と前記評価値との関係性の変化度合いに基づいて前記評価値予測モデルを構築し、前記評価値予測モデルに対して前記加工状態に応じた重み付けを行うステップと、
    　を備え、
    　前記加工条件生成部が、前記評価値予測モデルによって算出された前記評価値の予測値を用いて、次に試行すべき前記加工条件を生成し、
    　前記加工条件生成部によって前記加工条件の探索を終了すると判定されるまで、前記加工状態収集部、前記加工結果収集部、前記加工結果評価部、前記評価値予測モデルおよび前記モデル構築部による各処理を繰り返し行う加工条件探索方法。
PCT/JP2020/011587 2020-03-17 2020-03-17 加工条件探索装置および加工条件探索方法 WO2021186521A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202080098393.8A CN115280251A (zh) 2020-03-17 2020-03-17 加工条件探索装置及加工条件探索方法
JP2020543951A JP6880335B1 (ja) 2020-03-17 2020-03-17 加工条件探索装置および加工条件探索方法
DE112020006553.7T DE112020006553T5 (de) 2020-03-17 2020-03-17 Bearbeitungsbedingungssuchvorrichtung und bearbeitungsbedingungssuchverfahren
PCT/JP2020/011587 WO2021186521A1 (ja) 2020-03-17 2020-03-17 加工条件探索装置および加工条件探索方法
TW109131471A TW202136939A (zh) 2020-03-17 2020-09-14 加工條件探索裝置及加工條件探索方法
US17/885,986 US20220382229A1 (en) 2020-03-17 2022-08-11 Machining condition searching device and machining condition searching method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/011587 WO2021186521A1 (ja) 2020-03-17 2020-03-17 加工条件探索装置および加工条件探索方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/885,986 Continuation US20220382229A1 (en) 2020-03-17 2022-08-11 Machining condition searching device and machining condition searching method

Publications (1)

Publication Number Publication Date
WO2021186521A1 true WO2021186521A1 (ja) 2021-09-23

Family

ID=76083856

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/011587 WO2021186521A1 (ja) 2020-03-17 2020-03-17 加工条件探索装置および加工条件探索方法

Country Status (6)

Country Link
US (1) US20220382229A1 (ja)
JP (1) JP6880335B1 (ja)
CN (1) CN115280251A (ja)
DE (1) DE112020006553T5 (ja)
TW (1) TW202136939A (ja)
WO (1) WO2021186521A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024042560A1 (ja) * 2022-08-22 2024-02-29 三菱電機株式会社 パラメータ探索装置およびパラメータ探索方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7328474B1 (ja) 2022-12-16 2023-08-16 ファナック株式会社 数値制御装置
CN116203891B (zh) * 2023-04-28 2023-08-04 深圳华龙讯达信息技术股份有限公司 一种基于plc的自动化控制决策优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012236267A (ja) * 2011-05-13 2012-12-06 Mitsubishi Electric Corp 加工条件探索装置
JP2018111145A (ja) * 2017-01-10 2018-07-19 ファナック株式会社 工作機械の機械学習装置および熱変位補正装置
JP2019067137A (ja) * 2017-09-29 2019-04-25 ファナック株式会社 数値制御システム
WO2019202672A1 (ja) * 2018-04-17 2019-10-24 三菱電機株式会社 機械学習装置、放電加工機および機械学習方法
JP6639760B1 (ja) * 2019-06-28 2020-02-05 三菱電機株式会社 加工条件探索装置および加工条件探索方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6693919B2 (ja) 2017-08-07 2020-05-13 ファナック株式会社 制御装置及び機械学習装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012236267A (ja) * 2011-05-13 2012-12-06 Mitsubishi Electric Corp 加工条件探索装置
JP2018111145A (ja) * 2017-01-10 2018-07-19 ファナック株式会社 工作機械の機械学習装置および熱変位補正装置
JP2019067137A (ja) * 2017-09-29 2019-04-25 ファナック株式会社 数値制御システム
WO2019202672A1 (ja) * 2018-04-17 2019-10-24 三菱電機株式会社 機械学習装置、放電加工機および機械学習方法
JP6639760B1 (ja) * 2019-06-28 2020-02-05 三菱電機株式会社 加工条件探索装置および加工条件探索方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024042560A1 (ja) * 2022-08-22 2024-02-29 三菱電機株式会社 パラメータ探索装置およびパラメータ探索方法

Also Published As

Publication number Publication date
JPWO2021186521A1 (ja) 2021-09-23
DE112020006553T5 (de) 2022-12-01
US20220382229A1 (en) 2022-12-01
TW202136939A (zh) 2021-10-01
JP6880335B1 (ja) 2021-06-02
CN115280251A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
WO2021186521A1 (ja) 加工条件探索装置および加工条件探索方法
CN109828532B (zh) 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
US10921774B2 (en) Machine learning devices and methods for optimizing the speed and accuracy of thread mill, inner diameter, outer shape, and surface machine tools
JP6863930B2 (ja) 寿命予測装置及び機械学習装置
US10962960B2 (en) Chip removal apparatus and information processing apparatus
US11554448B2 (en) Machining condition adjustment apparatus and machine learning device
JP5734086B2 (ja) 加工条件探索装置
EP2778990A2 (en) Method and system for designing a material
CN114025912B (zh) 加工条件搜索装置以及加工条件搜索方法
CN113414638B (zh) 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法
JP2019141869A (ja) 制御装置及び機械学習装置
Danesh et al. Out-of-Distribution Dynamics Detection: RL-Relevant Benchmarks and Results
CN110893515B (zh) 加工条件调整装置以及机器学习装置
JP7109689B1 (ja) 加工条件探索装置および加工条件探索方法
CN115344951A (zh) 基于时间卷积网络和辅助学习的刀具磨损量预测方法
JP4230890B2 (ja) モデル同定装置，モデル同定プログラム及びモデル同定装置の動作方法
Cao et al. A Reinforcement Learning Hyper-Heuristic in Multi-Objective Single Point Search with Application to Structural Fault Identification
Vera et al. A hybrid system for dental milling parameters optimisation
JP2011145905A (ja) 予測関数生成装置、方法、及び、プログラム
Liu et al. Performance similarity based method for enhanced prediction of manufacturing process performance
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
Geramifard et al. A multi-modal hidden Markov model based approach for continuous health assessment in machinery systems
Miska et al. Reliability‐Based Design Optimization of Laser‐Hardened Traces in a Car Front Bumper Under the Influence of Polymorphic Uncertainties
US20210319259A1 (en) Method and apparatus for extracting a pattern of time series data
US20240028004A1 (en) Machine-learning device, control device, and machine-learning method

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020543951

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 20925296

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20925296

Country of ref document: EP

Kind code of ref document: A1