WO2022224399A1 - 加工条件探索装置、プログラム及び加工条件探索方法 - Google Patents

加工条件探索装置、プログラム及び加工条件探索方法 Download PDF

Info

Publication number
WO2022224399A1
WO2022224399A1 PCT/JP2021/016285 JP2021016285W WO2022224399A1 WO 2022224399 A1 WO2022224399 A1 WO 2022224399A1 JP 2021016285 W JP2021016285 W JP 2021016285W WO 2022224399 A1 WO2022224399 A1 WO 2022224399A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
parameters
machining
dimension
feature amount
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2021/016285
Other languages
English (en)
French (fr)
Inventor
敦仁 矢野
翔貴 宮川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2023515970A priority Critical patent/JP7286055B2/ja
Priority to DE112021007121.1T priority patent/DE112021007121T5/de
Priority to PCT/JP2021/016285 priority patent/WO2022224399A1/ja
Priority to CN202180097111.7A priority patent/CN117157595A/zh
Priority to TW110133193A priority patent/TW202242579A/zh
Publication of WO2022224399A1 publication Critical patent/WO2022224399A1/ja
Priority to US18/378,185 priority patent/US20240054361A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters

Definitions

  • the present disclosure relates to a machining condition searching device, a program, and a machining condition searching method.
  • a processing machine used for industrial purposes performs processing that changes the shape or state of a material by performing a predetermined processing on the material that is the object to be processed.
  • processing machines include machine tools that cut or grind materials, and plant equipment that performs processes such as mixing, reacting, heating, cooling, drying, or baking materials.
  • these processing machines are designed so that multiple parameters can be set to reflect the user's intentions. Since the processing result of a processing machine depends on processing conditions, which are a combination of a plurality of parameters, it is necessary to set appropriate processing conditions for the processing machine in order to obtain a desired processing result.
  • Patent Document 1 for high-dimensional data, a method of extracting the feature amount using means such as principal component analysis and reducing the dimension of the extracted feature amount makes the problem easier to handle. Proposed.
  • the processing result depends not only on control parameters, but also on characteristic parameters related to the properties of the material such as size or specific gravity, or environmental parameters related to the environment of the processing site such as temperature and humidity, etc.
  • characteristic parameters related to the properties of the material such as size or specific gravity, or environmental parameters related to the environment of the processing site such as temperature and humidity, etc.
  • environmental parameters related to the environment of the processing site such as temperature and humidity, etc.
  • one or more aspects of the present invention provide global optimum machining for parameters that are permitted to be changed even if there are parameters that are not permitted to be changed in the machining conditions used for machining. It is intended to allow searching for conditions.
  • a machining condition search device stores machining result evaluation information indicating a plurality of machining conditions each having a plurality of parameters, and a plurality of evaluation values for a plurality of machining results under the plurality of machining conditions.
  • a processing result evaluation storage unit for evaluating the plurality of parameters, a parameter selection unit for sorting the plurality of parameters into a plurality of variable parameters that are permitted to be changed and one or a plurality of fixed parameters that are not permitted to be changed, and a predetermined a first dimension processing unit that generates one or a plurality of first feature amounts corresponding to the plurality of processing conditions by generating a first feature amount that is equal to or less than the first dimension that is the dimension that is obtained;
  • One or more second feature quantities corresponding to the plurality of machining conditions by generating a second feature quantity of a second dimension or less, which is a predetermined dimension, from the one or more fixed parameters and a learning model by learning the relationship between the one or more first feature amounts, the one or more second feature amounts, and the plurality of evaluation values.
  • a program causes a computer to store a plurality of machining conditions each having a plurality of parameters, and machining result evaluation information indicating a plurality of evaluation values for a plurality of machining results under the plurality of machining conditions.
  • a machining result evaluation storage unit for processing the plurality of parameters, a parameter selection unit for sorting the plurality of parameters into a plurality of variable parameters that are permitted to be changed and one or a plurality of fixed parameters that are not permitted to be changed; a first dimension processing unit that generates one or a plurality of first feature amounts corresponding to the plurality of processing conditions by generating a first feature amount that is equal to or less than a first dimension that is a dimension; Generating one or a plurality of second feature amounts corresponding to the plurality of machining conditions by generating a second feature amount of a second dimension or less, which is a predetermined dimension, from the plurality of fixed parameters.
  • a second dimension processing unit a machine learning unit that generates a learning model by learning a relationship between the one or more first feature amounts, the one or more second feature amounts, and the plurality of evaluation values 3. generating a third feature amount of the second dimension or less from one or more target fixed parameters which are one or more fixed parameters used in the target machining conditions which are the machining conditions to be searched; a dimensional processing unit, and a search unit that searches for the optimum value of the feature amount of a plurality of target variable parameters that are a plurality of variable parameters used in the target machining condition, using the third feature amount and the learning model and a specifying unit that specifies a searched machining condition, which is a machining condition searched for as the target machining condition, from the optimum value and the one or more target fixed parameters.
  • a machining condition search method includes machining result evaluation information indicating a plurality of machining conditions each having a plurality of parameters and a plurality of evaluation values for a plurality of machining results under the plurality of machining conditions.
  • the plurality of parameters are sorted into a plurality of variable parameters that are permitted to be changed and one or a plurality of fixed parameters that are not permitted to be changed, and a first dimension that is a predetermined dimension is selected from the plurality of variable parameters
  • a first dimension that is a predetermined dimension is selected from the plurality of variable parameters
  • a searched machining condition which is a machining condition searched for as the target machining condition, by searching for an optimum value of a feature amount of a plurality of target variable parameters, which are a plurality of variable parameters, from the optimum value and the one or more target fixed parameters. characterized by specifying
  • FIG. 1 is a block diagram schematically showing the configuration of a processing system according to Embodiments 1-6;
  • FIG. 1 is a block diagram schematically showing the configuration of a machining condition search device according to Embodiments 1-4;
  • FIG. It is a schematic diagram showing an example of processing result evaluation information.
  • (A) and (B) are schematic diagrams showing examples of parameter data indicating parameters selected by a parameter selection unit. It is a block diagram which shows the hardware structural example of a processing condition search apparatus.
  • 4 is a flow chart showing the operation of the processing system according to Embodiment 1;
  • FIG. 2 is a schematic diagram for explaining a search method in Embodiment 1;
  • FIG. 13 is a block diagram schematically showing the configuration of a parameter selection section 225 according to Embodiment 2;
  • FIG. (A) and (B) are schematic diagrams showing examples of a case where the correlation between Qx and Rx is low and a case where the correlation is high.
  • 10 is a flow chart showing an example of parameter selection operation in a parameter selection unit according to Embodiment 2.
  • FIG. FIG. 12 is a block diagram schematically showing the configuration of a parameter selection unit according to Embodiment 3; 14 is a flow chart showing an example of a parameter distribution operation in a parameter distribution unit according to Embodiment 3.
  • FIG. FIG. 12 is a flow chart showing the operation of an optimum machining condition search unit at the time of initial search in Embodiment 4;
  • FIG. 11 is a block diagram schematically showing the configuration of a machining condition search device according to Embodiment 5; 14 is a flow chart showing operations in a first dimension reduction unit, a second dimension reduction unit, a fourth dimension reduction unit, a first comparison unit, and a second comparison unit according to Embodiment 5;
  • FIG. 12 is a block diagram schematically showing the configuration of a machining condition search device according to Embodiment 6; 14 is a flow chart showing operations in a first dimension reduction unit, a second dimension reduction unit, a fourth dimension reduction unit, a synthesis unit, and a comparison unit according to Embodiment 6.
  • FIG. 12 is a block diagram schematically showing the configuration of a machining condition search device according to Embodiment 6; 14 is a flow chart showing operations in a first dimension reduction unit, a second dimension reduction unit, a fourth dimension reduction unit, a synthesis unit, and a comparison unit according to Embodiment 6.
  • FIG. 1 is a block diagram schematically showing the configuration of a processing system 100 according to Embodiment 1.
  • the machining system 100 includes a machining machine 110 and a machining condition searching device 120 .
  • the processing machine 110 performs processing using the processing conditions from the processing condition searching device 120 and provides the processing result information, which is information indicating the processing results as the result of the processing, to the processing condition searching device 120 .
  • the machining condition search device 120 receives machining result information under machining conditions set in the machining machine 110 and searches for machining conditions suitable for the machining machine 110 . Processing conditions consist of a plurality of parameters.
  • FIG. 2 is a block diagram schematically showing the configuration of the machining condition search device 120.
  • the processing condition search device 120 includes a processing result acquisition unit 121, a processing result evaluation unit 122, a processing result evaluation storage unit 123, a selection flag storage unit 124, a parameter selection unit 125, and a first dimension reduction unit 126. , a second dimension reduction unit 127, a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, a third dimension reduction unit 131, an optimum machining condition search unit 132, and a dimension restoration unit 133 and a machining condition command unit 134 .
  • the processing result acquisition unit 121 acquires processing result information, which is information indicating processing results, from the processing machine 110 .
  • the acquired processing result information is given to the processing result evaluation unit 122 .
  • the type of processing result information differs depending on the type of the processing machine 110, the purpose of processing, or the like.
  • the processing result information may be inspection data of the workpiece, and the inspection result value may be the error from the target value determined by the processing specifications or the defect rate.
  • processing result acquisition unit 121 acquires processing result information from the processing machine 110 in Embodiment 1
  • Embodiment 1 is not limited to such an example.
  • processing result information may be acquired from an inspection machine or the like other than the processing machine 110 .
  • the user may input the processing result information via an input unit (not shown).
  • the machining result evaluation unit 122 determines an evaluation value by evaluating the machining result, which is the result of machining performed by the machining machine 110, and stores the machining used when the machining is performed in the machining result evaluation information described later.
  • the determined evaluation value is added in association with the search processing condition, which is the condition.
  • the processing result evaluation unit 122 evaluates the processing result indicated by the processing result information from the processing result acquisition unit 121 and determines its evaluation value.
  • the evaluation value is a numerical value such as a continuous value or a discrete value, a category value representing an attribute, or a logical value representing the truth of a proposition.
  • the evaluation value indicates the quality of the processing result.
  • the evaluation value may be a numerical value that takes a continuous value or a discrete value indicating the degree of processing quality.
  • the evaluation value may be a category indicating the quality of the processing result, or a logical value indicating whether a predetermined proposition is true or false. Then, the machining result evaluation unit 122 stores the evaluation value in the machining result evaluation storage unit 123 in association with the corresponding machining condition.
  • the machining result evaluation storage unit 123 stores a plurality of machining conditions and machining result evaluation information indicating a plurality of evaluation values for a plurality of machining results under the plurality of machining conditions. As described above, each of the multiple processing conditions has multiple parameters.
  • machining result evaluation information As a default, a machining condition different from the machining condition searched by the machining condition searching device 120 and an evaluation value of the machining result under the machining condition are stored in association with each other. Such information may be input via an input unit (not shown).
  • the machining result evaluation information the machining conditions instructed by the machining condition command unit 134 to the machining machine 110 and the evaluation values determined by the machining result evaluation unit 122 for the machining results under these machining conditions are associated. remembered. It is assumed that the processing result evaluation information is stored in the processing result evaluation storage unit 123 for all processing performed through the processing condition searching device 120 .
  • FIG. 3 is a schematic diagram showing an example of processing result evaluation information.
  • the machining result evaluation information 101 is a matrix in which various parameters constituting machining conditions and evaluation values corresponding thereto are put together.
  • a machining number which is machining identification information for identifying each machining, is assigned to machining that has been performed N times in the past (N is an integer equal to or greater than 1).
  • M types M is an integer equal to or greater than 2 of parameters used in processing and evaluation values corresponding thereto are arranged in a vertical row in a matrix.
  • parameters are control parameters of the processing machine 110, material parameters representing properties such as the type of material or characteristic values, or environmental parameters such as temperature and humidity at the processing site. These parameters may be numerical values such as continuous or discrete values, categorical values representing attributes, or logical values representing the truth of a proposition.
  • the selection flag storage unit 124 stores a selection flag indicating whether each parameter type is a variable parameter or a fixed parameter in order to select a plurality of parameters.
  • the selection flag storage unit 124 stores a selection flag indicating whether each type of a plurality of parameters constituting the processing conditions is a changeable variable parameter or an unchangeable fixed parameter.
  • variable parameters are parameters that are allowed to be changed
  • fixed parameters are parameters that are not allowed to be changed.
  • the selection flag may be set by receiving a user's instruction via an input unit (not shown). Alternatively, the selection flag may be automatically set based on conditions such as the type or model of the processing machine 110 . Furthermore, the selection flag may be received from another device via a communication unit (not shown).
  • the fixed parameters include, among the control parameters of the processing machine 110, control parameters that cannot be changed or that the user does not desire to change, parameters related to materials such as material properties, sizes, or amounts, or pressure, temperature, and humidity of the processing environment. and other environmental parameters.
  • the parameter selection unit 125 selects a plurality of parameters included in the processing result evaluation information into a plurality of variable parameters that are permitted to be changed and one or a plurality of fixed parameters that are not permitted to be changed.
  • the parameter selection unit 125 refers to the selection flag to select multiple parameters into multiple variable parameters and one or multiple fixed parameters.
  • the parameter selection unit 125 reads a plurality of parameters included in the processing result evaluation information stored in the processing result evaluation storage unit 123 and the selection flags stored in the selection flag storage unit 124, respectively.
  • the parameter sorting unit 125 sorts parameters into variable parameters or fixed parameters according to the sorting flag. Then, the parameter selection unit 125 generates variable parameter data indicating the selected variable parameters and fixed parameter data indicating the selected fixed parameters.
  • FIG. 4A and 4B are schematic diagrams showing examples of parameter data indicating parameters selected by the parameter selection unit 125.
  • FIG. FIG. 4A shows an example of variable parameter data 102 storing variable parameters
  • FIG. 4B shows an example of fixed parameter data 103 storing fixed parameters.
  • variable parameter data 102 stores Mv parameters
  • fixed parameter data 103 stores Mf parameters.
  • the variable parameter data 102 and the fixed parameter data 103 are composed of a matrix holding parameters for each machining number for machining performed N times in the past, similar to the machining result evaluation information 101 shown in FIG. .
  • Mv and Mf correspond to the number of dimensions of variable parameters and fixed parameters, respectively.
  • variable parameter data 102 let qxy be the y-th variable parameter for the machining number x.
  • the fixed parameter data 103 the z-th fixed parameter for the machining number x is rxz .
  • the first dimensionality reduction unit 126 generates a first feature amount of a first dimension or less, which is a predetermined dimension, from a plurality of variable parameters included in the variable parameter data. is a first dimensional processing unit that generates one or a plurality of first feature amounts corresponding to a plurality of machining conditions.
  • the first dimension reduction unit 126 generates the first feature amount by reducing the dimension of the plurality of variable parameters when the dimension of the plurality of variable parameters is larger than the first dimension.
  • the first dimension reduction unit 126 analyzes the variable parameter data generated by the parameter selection unit 125, and determines whether the number of dimensions Mv of the variable parameter data is greater than a predetermined threshold THv. . Then, when the number of dimensions Mv is greater than the threshold THv, the first dimension reduction unit 126 converts the variable parameter data into the first feature amount data expressed by the number of dimensions Lv equal to or less than the threshold THv. A first dimensionality reduction process is performed.
  • the threshold THv corresponds to the first dimension.
  • the first feature amounts of a plurality of dimensions included in the first feature amount data are also referred to as a first feature amount set.
  • avnx is a function of variable parameters qn1 , qn2 , ..., qnMv . Therefore, it is represented by the following formula (1).
  • avnx fx( qn1 , qn2 , ..., qnMv ) (1)
  • fx represents a function that transforms the variable parameter into the x-th element of the first feature amount data. The element here is the first feature amount.
  • principal component analysis can be used as this dimensionality reduction process.
  • each principal component obtained by principal component analysis becomes a feature quantity.
  • the dimensions can be reduced by extracting the first to k-th principal components in descending order of the eigenvalues of the covariance matrix and removing the remaining principal components.
  • k Mv.
  • An autoencoder using a neural network is also a suitable example of dimensionality reduction processing.
  • the feature value is the output of the encoder network of the autoencoder.
  • the encoder network is a part of the neural network that constitutes the autoencoder, and means a sub-network involved in encoder processing.
  • Random EMbedding Bayesian Optimization which embeds a low-dimensional space into a high-dimensional space using a random matrix, or Line, which limits the search space to a one-dimensional space
  • Bayesian optimization which is a type of black-box optimization.
  • Processing such as Bayesian Optimization (LINEBO) is known, and these can also be used as the dimension reduction processing in the first embodiment.
  • dimensionality reduction processes include multidimensional scaling, independent component analysis, non-negative matrix factor analysis (NMF), local linear embedding (LLE), locality preserving projection (LPP), Laplace eigenmap (LEP ), kernel principal component analysis, Karhunen-Loeve expansion, t-SNE (t-distributed Stochastic Neighbor Embedding), etc. may be used.
  • NMF non-negative matrix factor analysis
  • LLE local linear embedding
  • LPP locality preserving projection
  • LEP Laplace eigenmap
  • kernel principal component analysis Karhunen-Loeve expansion
  • t-SNE t-distributed Stochastic Neighbor Embedding
  • the first dimension reduction unit 126 When the number of dimensions Mv of the variable parameter data is equal to or less than the threshold THv, the first dimension reduction unit 126 does not perform dimension reduction and uses the variable parameter data itself as the first feature data. The first dimensionality reduction unit 126 then provides the first feature data to the machine learning unit 128 .
  • the second dimension reduction unit 127 generates a second feature amount of a second dimension or less, which is a predetermined dimension, from one or more fixed parameters indicated by the fixed parameter data, thereby performing a plurality of processes.
  • a second dimension processing unit that generates one or a plurality of second feature amounts corresponding to conditions.
  • the second dimension reduction unit 127 generates the second feature amount by reducing the dimension of the plurality of fixed parameters when the dimension of the plurality of fixed parameters is larger than the second dimension.
  • the second dimension reduction unit 127 analyzes the fixed parameter data generated by the parameter selection unit 125, and determines whether the number of dimensions Mf of the fixed parameter data is greater than a predetermined threshold THf. . When the number of dimensions Mf is greater than the threshold THf, the second dimension reduction unit 127 converts the fixed parameter data into second feature amount data represented by the number of dimensions Lf equal to or less than the threshold THf. Perform a two-dimensional reduction process. A specific process of dimension reduction is the same as that of the first dimension reduction unit 126 .
  • the number of dimensions Mf corresponds to the second dimension.
  • the second feature amounts of a plurality of dimensions included in the second feature amount data are also referred to as a second feature amount set.
  • afnx be the x-th element of the second feature amount data for the fixed parameter of the processing number n
  • afnx is a function of the fixed parameter values r n1 , r n2 , It is represented by the following formula (2).
  • af nx hx(r n1 , r n2 , . . . r nMf ) (2)
  • hx represents a function that transforms the fixed parameter into the x-th element of the second feature amount data. The element here becomes the second feature amount.
  • the second dimension reduction unit 127 when the number of dimensions Mf of the fixed parameter data is equal to or less than the threshold THf, the second dimension reduction unit 127 does not perform dimension reduction and uses the fixed parameter data itself as the second feature amount data. Then, the second dimension reduction unit 127 provides the second feature amount data to the machine learning unit 128 .
  • the fixed parameters are not searched for by the optimum machining condition search unit 132, which will be described later, even if the number of dimensions Mf of the fixed parameter data is large, the second dimension reduction process is omitted, and the fixed parameter data itself is may be used as the second feature amount data.
  • the machine learning unit 128 generates a learning model by learning the relationship between one or more first feature amounts, one or more second feature amounts, and multiple evaluation values. For example, the machine learning unit 128 uses the first feature amount data provided by the first dimension reduction unit 126, the second feature amount data provided by the second dimension reduction unit 127, the processing result evaluation storage unit 123 Based on the evaluation values contained in the processing result evaluation information stored in , each feature value is regarded as an input value and the evaluation value is regarded as a response value, and the relationship between the two is learned, and this learning is expressed by a mathematical model. Generate a model.
  • a regression model can be applied if the evaluation value is a numerical value such as a continuous value or a discrete value
  • a classification model can be applied if the evaluation value is a categorical value or a logical value.
  • learning algorithms for generating such learning models include linear regression, nonlinear regression, regression trees, model trees, support vector regression, genetic programming, Gaussian process regression, linear discriminant analysis, logistic regression, k nearest neighbors. , support vector machines, decision trees, random forests or neural networks.
  • the model storage unit 129 stores the learning model generated by the machine learning unit 128.
  • the fixed parameter storage unit 130 stores one or more fixed parameters used in target machining conditions, which are machining conditions to be searched.
  • One or more fixed parameters stored in the fixed parameter storage unit 130 are also referred to as one or more target fixed parameters.
  • Data indicating one or more fixed parameters stored in the fixed parameter storage unit 130 is also referred to as fixed parameter data or target fixed parameter data.
  • the fixed parameters stored in the fixed parameter storage unit 130 may be set by a user's instruction, set automatically under specific conditions, or input from another device through communication means (not shown). You can do so.
  • the selection flags stored in the selection flag storage unit 124 or the fixed parameters stored in the fixed parameter storage unit 130 may be changed after the search procedure described later is performed.
  • the third dimension reduction unit 131 is a third dimension processing unit that generates a third feature amount of the second dimension or lower from one or more fixed parameters stored in the fixed parameter storage unit 130 .
  • the third dimension reduction unit 131 reduces the dimension of the plurality of fixed parameters to generate the third feature amount. do.
  • the third dimension reduction unit 131 analyzes the fixed parameter data stored in the fixed parameter storage unit 130 and determines whether the number of dimensions Mf of the fixed parameter data is greater than the threshold THf.
  • the third dimension reduction unit 131 performs dimension reduction processing for converting the fixed parameter data into third feature amount data expressed by the number of dimensions Lf which is less than or equal to the number of dimensions Mf when the number of dimensions Mf is greater than the threshold THf.
  • a third dimensionality reduction process is performed.
  • the third dimension reduction processing is the same dimension reduction processing as the second dimension reduction processing performed by the second dimension reduction unit 127 .
  • the third feature amount data is given to the optimum machining condition searching section 132 . Note that when the number of dimensions Lf is 2 or more, a plurality of third feature amounts included in the third feature amount data are also referred to as a third feature amount set.
  • the third dimension reduction unit 131 extracts the same number of principal components as the second feature amount data using the eigenvalues and eigenvectors used at that time. Just do it. Also, when the second dimensionality reduction process uses an autoencoder, the third dimensionality reduction unit 131 inputs fixed parameters to the same encoder network as the second dimensionality reduction unit 127, and outputs the A third feature amount may be used.
  • the third dimension reduction unit 131 does not perform the third dimension reduction process, and the fixed parameters read from the fixed parameter storage unit 130 The data itself is given to the optimum machining condition search unit 132 as the third feature amount data.
  • the optimum machining condition search unit 132 uses the third feature amount and the learning model to search for the optimum value of the feature amount of the plurality of target variable parameters which are the plurality of variable parameters used in the target machining condition. is. For example, the optimum machining condition search unit 132 searches for optimum machining conditions using a learning model stored in the model storage unit 129 . At this time, the optimum machining condition search unit 132 learns the third feature amount data given from the third dimensionality reduction unit 131 and the feature amount candidates of a plurality of variable parameters generated by a predetermined method. Obtain the predicted value of the evaluation value given as an input to the model and obtained as the response of the learning model. Then, the optimum machining condition searching unit 132 provides the dimension restoring unit 133 with the candidate that gives the best predicted value as the optimum machining condition. The candidates included in the optimum machining conditions correspond to the optimum values.
  • the dimension restoration unit 133 is a specification unit that specifies searched machining conditions, which are machining conditions searched as target machining conditions, from the optimum value and one or more target fixed parameters.
  • searched machining conditions which are machining conditions searched as target machining conditions, from the optimum value and one or more target fixed parameters.
  • the dimension restoration unit 133 restores the parameters from the optimum values so that the dimensions are the same as the dimensions of the plurality of variable parameters.
  • g represents a function that transforms the feature amount into variable parameters.
  • the dimension restoration unit 133 can convert the optimum processing conditions into variable parameters using the eigenvalues and eigenvectors used in the dimension compression process.
  • the dimension restoration unit 133 can obtain a variable parameter as an output by inputting the feature amount to the decoder network.
  • the decoder network is a part of the neural network that constitutes the autoencoder, and means a sub-network involved in decoder processing.
  • the dimension restoring unit 133 does not restore the dimension and uses the optimum machining conditions given from the optimum machining condition searching unit 132 as the variable parameters.
  • the machining condition command unit 134 gives the searched machining conditions to the processing machine 110 to cause the machine 110 to perform machining under the searched machining conditions, and adds the searched machining conditions to the machining result evaluation information.
  • the machining condition command unit 134 combines the variable parameter given from the dimension restoring unit 133 and the fixed parameter read from the fixed parameter storage unit 130 to set the machining condition, and performs machining under the machining condition. command the machine 110.
  • the machining condition command unit 134 also stores the machining condition in the machining result evaluation information stored in the machining result evaluation storage unit 123 .
  • the user may arbitrarily modify the processing conditions via an input unit (not shown).
  • the machining conditions corrected by the user are output from the machining condition command unit 134 to the machining machine 110 and the machining result evaluation storage unit 123 .
  • the processing machine 110 When the processing conditions are given from the processing condition search device 120 as described above, the processing machine 110 performs processing according to the processing conditions. Then, the processing machine 110 provides processing result information indicating the result of processing to the processing condition searching device 120 .
  • the unit 131, the optimum machining condition search unit 132, the dimension restoration unit 133, and the machining condition command unit 134 can each be implemented by a processing circuit.
  • the processing circuit may be a circuit that includes a processor, or may be dedicated hardware. Also, these may be realized in a distributed computing environment configured by connecting them on a computer network such as a cloud. In other words, the machining condition search device 120 may be implemented by a computer.
  • the processing result evaluation storage unit 123, the selection flag storage unit 124, the model storage unit 129, and the fixed parameter storage unit 130 can be realized by a storage device.
  • Storage devices include semiconductor memories such as DRAM (Dynamic Random Access Memory), SRAM (Static Random Access Memory) or flash memory, recording media such as magnetic disks, optical disks or magnetic tapes, or data storage on computer networks. do.
  • FIG. 5 is a block diagram showing a hardware configuration example of the processing condition searching device 120.
  • the processing circuitry 140 described above comprises, for example, a processor 141 and a memory 142 .
  • the processor 141 reads out and executes a program stored in the memory 142, thereby obtaining the processing result acquisition unit 121, the processing result evaluation unit 122, and the parameter selection unit.
  • the processing result acquisition unit 121 the processing result evaluation unit 122, the parameter selection unit 125, the first dimension reduction unit 126, the second dimension reduction The unit 127, the machine learning unit 128, the third dimension reduction unit 131, the optimum machining condition search unit 132, the dimension restoration unit 133, and the machining condition command unit 134 are implemented using software programs.
  • Such a program may be provided through a network, or may be provided by being recorded on a recording medium. That is, such programs may be provided as program products, for example.
  • processing result evaluation storage unit 123 the selection flag storage unit 124 , the model storage unit 129 and the fixed parameter storage unit 130 are realized by the memory 142 .
  • Memory 142 is also used as a work area for processor 141 .
  • the processor 141 is a CPU (Central Processing Unit) or the like.
  • the memory 142 corresponds to, for example, a non-volatile or volatile semiconductor memory such as a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, a magnetic disk, or the like.
  • the processing circuit may be, for example, an FPGA (Field Programmable Gate Array), an ASIC (Application Specific Integrated Circuit). ).
  • Each part of the machining condition search device 120 may be realized by combining a processing circuit including a processor and dedicated hardware.
  • the processing condition search device 120 may be realized by connecting a plurality of processing circuits having processors as described above or dedicated hardware via a computer network such as a cloud.
  • each part of the processing condition search device 120 can be realized by a processing circuit network.
  • FIG. 6 is a flow chart showing the operation of the processing system 100 according to the first embodiment.
  • the selection flag storage unit 124 stores a selection flag (S10).
  • the user of the processing system 100 can set whether each type of a plurality of parameters used in the processing machine 110 is a variable parameter or a fixed parameter via an input unit (not shown). Then, the selection flag should be stored according to the setting.
  • the fixed parameter storage unit 130 stores, as fixed parameter data, the values of the parameters designated as unchangeable fixed parameters by the selection flags stored in step S10 (S11).
  • This fixed parameter data may also be set by a user's instruction via an input unit (not shown), for example.
  • the parameter selection unit 125 reads a plurality of parameters from the processing result evaluation storage unit 123, refers to the selection flags stored in the selection flag storage unit 124, and converts each of the plurality of parameters into variable parameters. Alternatively, fixed parameters are selected (S12). Then, the parameter selection unit 125 generates variable parameter data indicating the selected variable parameter and fixed parameter data indicating the selected fixed parameter, supplies the variable parameter data to the first dimension reduction unit 126, and generates fixed parameter data is given to the second dimension reduction unit 127 .
  • the first dimension reduction unit 126 analyzes the variable parameter data generated by the parameter selection unit 125 and determines whether the number of dimensions Mv of the variable parameter data is greater than the threshold THv (S13). If the number of dimensions Mv is greater than the threshold THv (Yes in S13), the process proceeds to step S14, and if the number of dimensions Mv is equal to or less than the threshold THv (No in S13), the process proceeds to step S15. Note that when the number of dimensions Mv is equal to or less than the threshold THv (No in S13), the first dimension reduction unit 126 does not perform dimension reduction, and uses the variable parameter data itself as the first feature amount data in the machine learning unit. Give to 128.
  • step S14 the first dimension reduction unit 126 converts the variable parameter data into first feature amount data expressed by the number of dimensions Lv smaller than the threshold THv.
  • step S15 the second dimension reduction unit 127 analyzes the fixed parameter data selected by the parameter selection unit 125 and determines whether the number of dimensions Mf of the fixed parameter data is greater than the threshold THf. If the number of dimensions Mf is greater than the threshold THf (Yes in S15), the process proceeds to step S16, and if the number of dimensions Mf is equal to or less than the threshold THf (No in S15), the process proceeds to step S17. Note that when the number of dimensions Mf is equal to or less than the threshold THf (No in S15), the second dimension reduction unit 127 does not perform dimension reduction, and uses the fixed parameter data itself as the second feature data for the machine learning unit. Give to 128.
  • step S16 the second dimension reduction unit 127 converts the fixed parameter data into second feature amount data expressed with the number of dimensions Lf that is less than the threshold THf.
  • step S17 the third dimension reduction unit 131 determines whether or not the number of dimensions Mf of the fixed parameter data stored in the fixed parameter storage unit 130 is greater than the threshold THf. If the number of dimensions Mf is greater than the threshold THf (Yes in S17), the process proceeds to step S18, and if the number of dimensions Mf is equal to or less than the threshold THf (No in S17), the process proceeds to step S19. Note that when the number of dimensions Mf is equal to or less than the threshold THf (No in S17), the third dimension reduction unit 131 does not perform dimension reduction, and uses the fixed parameter data itself as the third feature amount data for the optimum processing conditions. It is given to the search unit 132 .
  • step S18 the third dimension reduction unit 131 reads the fixed parameter data from the fixed parameter storage unit 130, and performs the same dimension reduction processing as the second dimension reduction unit 127 on the fixed parameter data, thereby obtaining the third feature Quantity data is converted into quantity data, and the third feature quantity data is provided to the optimum machining condition searching unit 132 .
  • the machine learning unit 128 stores the first feature amount data provided by the first dimension reduction unit 126, the second feature amount data provided by the second dimension reduction unit 127, and the processing result evaluation storage.
  • a plurality of evaluation values included in the processing result evaluation information stored in the processing result evaluation storage unit stored in the unit 123 are read, each feature amount is regarded as an input value, and the evaluation value is regarded as a response value. It learns the relationship between the two and generates a learning model that expresses this in a mathematical model.
  • the generated learning model is stored in the model storage unit 129 .
  • the optimum machining condition search unit 132 searches for optimum machining conditions using the learning model stored in the model storage unit 129 (S20). At this time, the optimum machining condition search unit 132 learns the third feature amount data given from the third dimensionality reduction unit 131 and a plurality of variable parameter feature amount candidates generated by a predetermined method. Given as an input value to the model, the prediction value of the evaluation value obtained as the response of the learning model to this is obtained, and the candidate giving the best prediction value is set as the optimum machining condition.
  • FIG. 7 is a schematic diagram for explaining a search method according to Embodiment 1.
  • FIG. 7 as an example in which the evaluation value is determined by the feature amount av of the variable parameter and the feature amount af of the fixed parameter, the horizontal axis represents the feature amount av of the variable parameter, and the vertical axis represents the feature amount af of the fixed parameter.
  • a graph is shown.
  • points P01 to P06 indicated by squares indicate searched processing conditions stored in the processing result evaluation storage unit 123.
  • Regions R11, R12, and R13 represent regions in which the processing result is predicted to be poor, good, or best, respectively, by the learning model generated by learning by the machine learning unit 128 based on the searched processing condition data.
  • the evaluation value is assumed to be the defective rate. The evaluation value takes a continuous value from 0% to 100%, and the defective rate of less than 1% is defined as best, less than 5% as good, and 5% or more as defective.
  • the predicted evaluation value in the region R11 is 5% or more
  • the predicted evaluation value in the region R12 is 1% or more and less than 5%
  • the predicted evaluation value in the region R13 is less than 1%.
  • the search space is on the dashed line L shown in FIG.
  • the dimensionality of the search space is equal to the dimensionality of the variable parameter feature, in other words, the first feature.
  • the feature amount of the variable parameter is assumed to be one-dimensional for the sake of simple illustration, but in the case of two-dimensional or more, the search space is also two-dimensional or more.
  • Search candidates are selected from points on the search space limited by the third feature value in this way, but any means may be used for the selection method.
  • the search space may be divided into grids at predetermined intervals as in grid search, and each grid point may be used as a search candidate. A number may be randomly selected.
  • methods such as hill-climbing method, simulated annealing method, particle swarm optimization method, or Bayesian optimization method, the predicted value is obtained while selecting candidate points one by one, and the next candidate point is determined based on this result. , a sequential optimization technique may be used.
  • a point P21 indicated by a triangle, a point P22 indicated by a circle, and a point P23 indicated by a double circle represent search candidates selected by a predetermined method.
  • the abscissa coordinates of each point are candidates for the feature amount of the variable parameter.
  • the predicted defect rate in the first search candidate corresponding to point P21 indicated by a triangle is 5% or more, for example, 12%.
  • the predicted failure rate of the second search candidate corresponding to the circled point P22 is 1% or more and less than 5%, for example, 3%.
  • the predicted failure rate in the third search candidate corresponding to point P23 indicated by a double circle is less than 1%, for example 0.2%.
  • the optimum machining condition search unit 132 determines that the third search candidate indicated by point P23 is the best, and gives the dimension restoration unit 133 the feature amount av * of the variable parameter in that candidate as the optimum machining condition.
  • the optimum machining condition searching unit 132 can use this to calculate not only the predicted value of the evaluation value but also its confidence interval. is. Then, the optimum machining condition searching unit 132 can calculate a score indicating whether or not to search for any unsearched point using an acquisition function calculated based on the calculated confidence interval. In such a case, the optimum machining condition searching unit 132 may set the feature amount of the variable parameter at the search point that maximizes the score calculated by the acquisition function as the optimum machining condition.
  • the optimum machining condition searching unit 132 selects the optimum candidate only for the feature quantity of the variable parameter and sets it as the optimum machining condition while maintaining the feature quantity of the fixed parameter, without changing the fixed parameter. Only variable parameters can be searched. In addition, since the optimum machining condition searching unit 132 selects a candidate predicted by the learning model to give the best result as the optimum machining condition, the number of actual trials by the machining machine 110 can be reduced, and efficient machining conditions can be obtained. allows exploration of
  • the dimension restoration unit 133 determines whether or not the number of dimensions Mv of the variable parameter data is greater than the threshold THv (S21). If the number of dimensions Mv of the variable parameter data is greater than the threshold THv (Yes in S21), the process proceeds to step S22. , the process proceeds to step S23.
  • step S22 the dimension restoration section 133 converts the optimum machining conditions given from the optimum machining condition searching section 132 into variable parameters. Then, the dimension restoring unit 133 gives the machining conditions obtained by combining the variable parameters and the fixed parameters read from the fixed parameter storage unit 130 to the machining condition command unit 134 as searched machining conditions. On the other hand, in the case of No in step S21, the dimension restoring unit 133 does not perform dimension restoration, and uses the optimum machining conditions given from the optimum machining condition searching unit 132 as variable parameters. The machining conditions combined with the fixed parameters read from the parameter storage unit 130 are given to the machining condition command unit 134 as search machining conditions.
  • the processing condition command section 134 commands the processing machine 110 to perform processing under the processing conditions given from the dimension restoration section 133 (S23). Also, the machining condition command unit 134 adds this machining condition to the machining result evaluation information stored in the machining result evaluation storage unit 123 . At this time, the user may arbitrarily modify the processing conditions via an input unit (not shown). In this case, the machining conditions modified by the user are provided from the machining condition command unit 134 to the machining machine 110 and the machining result evaluation storage unit 123 .
  • the processing machine 110 performs processing according to the processing conditions given from the processing condition command section 134 (S24). Then, the processing result acquisition unit 121 acquires processing result information from the processing machine 110 (S25).
  • the processing result evaluation unit 122 determines the evaluation value of the processing result based on the processing result information acquired by the processing result acquisition unit 121 (S26). Then, the machining result evaluation unit 122 stores the evaluation value in the machining result evaluation information stored in the machining result evaluation storage unit 123 in association with the machining conditions added by the machining condition command unit 134 .
  • the parameter selection unit 125 determines whether or not to end the process (S28). If the process is not to end (No in S28), the process returns to step S12 and the above process is repeated. Any method may be used to determine whether to end the process. For example, an arbitrary upper limit for the number of iterations may be set, or the user may be allowed to view the processing result and instruct termination. Furthermore, the processing condition search device 120 may be allowed to terminate the search by itself according to some criteria.
  • the machining conditions are divided into fixed parameters and variable parameters, and dimension reduction is performed individually to convert them into feature amounts, and the feature amounts of the fixed parameters are held. Since the optimum machining condition is searched for the feature amount of the variable parameter, even if the parameters constituting the machining condition are high-dimensional and some of them are unchangeable parameters, they can be changed. Optimal values can be searched efficiently only for parameters.
  • the optimum machining condition is applied to the feature amount of the variable parameter having a lower dimension than the variable parameter, which is obtained by reducing the dimension of the variable parameter.
  • the search space becomes low-dimensional, and the search for the optimum machining conditions becomes easy.
  • Embodiment 1 even if the parameters constituting the machining conditions are high-dimensional, machine learning and searching for the optimum machining conditions are performed based on lower-dimensional feature amounts obtained by dimensionality reduction. By doing so, the computational power or memory capacity required for these processes can be reduced.
  • the candidates predicted by the learning model to obtain the best result are selected as the optimum machining conditions, the number of actual trials by the machining machine 110 can be reduced, and efficient machining conditions can be obtained. can enable exploration of
  • Prediction accuracy can be improved by performing machine learning to create a learning model using fixed parameters and predicting the evaluation value of the machining result by taking fixed parameters into consideration.
  • Embodiment 2 variable parameters and fixed parameters are selected according to the selection flag. However, even if the parameters are selected as variable parameters by the selection flag, there are parameters that have a high correlation with the fixed parameters and can be assigned to the fixed parameters. In the second embodiment, such parameters are automatically identified and assigned to fixed parameters.
  • a processing system 200 according to Embodiment 2 includes a processing machine 110 and a processing condition searching device 220. As shown in FIG. Processing machine 110 in processing system 200 according to the second embodiment is the same as processing machine 110 in processing system 100 according to the first embodiment.
  • the processing condition search device 220 in the second embodiment includes a processing result acquisition unit 121, a processing result evaluation unit 122, a processing result evaluation storage unit 123, and a selection flag storage unit 124. , a parameter selection unit 225, a first dimension reduction unit 126, a second dimension reduction unit 127, a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, and a third dimension reduction unit 131 , an optimum machining condition search unit 132 , a dimension restoration unit 133 , and a machining condition command unit 134 .
  • Processing result acquisition unit 121, processing result evaluation unit 122, processing result evaluation storage unit 123, selection flag storage unit 124, first dimension reduction unit 126, and second dimension reduction unit of processing condition search device 220 in Embodiment 2 127, a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, a third dimension reduction unit 131, an optimum machining condition search unit 132, a dimension restoration unit 133, and a machining condition command unit 134 are the Processing result acquisition unit 121, processing result evaluation unit 122, processing result evaluation storage unit 123, selection flag storage unit 124, first dimension reduction unit 126, second dimension reduction unit 127, machine learning unit of processing condition search device 220 128 , model storage unit 129 , fixed parameter storage unit 130 , third dimension reduction unit 131 , optimum machining condition search unit 132 , dimension restoration unit 133 and machining condition command unit 134 .
  • the parameter selection unit 225 selects each of a plurality of parameters included in the processing result evaluation information stored in the processing result evaluation storage unit 123 into a variable parameter or a fixed parameter, and selects a variable parameter indicating the selected variable parameter. Generate fixed parameter data indicating the parameter data and the selected fixed parameters.
  • FIG. 8 is a block diagram schematically showing the configuration of parameter selection section 225 according to the second embodiment.
  • the parameter selection section 225 includes an initial distribution section 250 , a parameter data storage section 251 , a parameter distribution section 254 and an output section 258 .
  • the initial sorting unit 250 sorts the multiple parameters into multiple variable parameters and one or multiple fixed parameters by referring to the selection flag.
  • the parameters assigned to the variable parameters by the initial assigning unit 250 are also called initial variable parameters
  • the parameters assigned to the fixed parameters by the initial assigning unit 250 are also referred to as initial fixed parameters.
  • the initial sorting unit 250 according to the selection flag read from the selection flag storage unit 124, each of the plurality of parameters included in the processing result evaluation information stored in the processing result evaluation storage unit 123, By assigning fixed parameters or variable parameters as an initial state, variable parameter data indicating the assigned variable parameters and fixed parameter data indicating the assigned fixed parameters are generated. Then, the initial distribution unit 250 causes the parameter data storage unit 251 to store the variable parameter data and the fixed parameters.
  • the parameter data storage unit 251 includes a variable parameter data storage unit 252 that stores variable parameter data generated by the initial allocation unit 250, and a fixed parameter data storage unit that stores fixed parameter data generated by the initial allocation unit 250. 253.
  • the parameter allocating section 254 finally sorts the variable parameters and fixed parameters that were initially sorted by the initial allocating section 250 .
  • the parameter distribution section 254 includes a correlation analysis section 255 and a redistribution section 256 .
  • the correlation analysis unit 255 identifies multiple combinations of each of the multiple initial variable parameters and each of the one or multiple initial fixed parameters, and analyzes the correlation of each of the multiple combinations. For example, the correlation analysis unit 255 combines the variable parameter data stored in the variable parameter data storage unit 252 and the fixed parameter data stored in the fixed parameter data storage unit 253 for each parameter type, and analyze the correlation between
  • variable parameter data storage unit 252 stores Mv type variable parameter data 102 for the past N machining operations
  • fixed parameter data storage unit 253 stores Mf types of fixed parameter data 103, respectively.
  • the correlation score ⁇ xy represented by the following equation (4) is calculated for all combinations of x and y.
  • ⁇ xy ⁇ (Qx, Ry) (4)
  • 1 ⁇ x ⁇ Mv, 1 ⁇ y ⁇ Mf, and Qx includes variable parameter values q 1x , q2x, .
  • a vector Ry is a vector whose elements are fixed parameter values r 1y , r 2y , .
  • the function ⁇ is a function that outputs a numerical value representing the correlation between vectors.
  • Specific examples of the correlation score ⁇ xy are the absolute value of the correlation coefficient, cross entropy, KL (Kullback-Leibler) information, other mutual information, and the like.
  • FIGS. 9A and 9B show examples of cases where the correlation between Qx and Rx is low and high.
  • FIG. 9(A) shows a case where the correlation between Qx and Rx is low
  • FIG. 9(B) shows a case where the correlation between Qx and Rx is high.
  • the vertical axis indicates variable parameters with parameter number x
  • the horizontal axis indicates fixed parameters with parameter number y.
  • variable parameters when the correlation is low, the variable parameters and the fixed parameters are distributed almost uncorrelated. As shown, when the correlation is high, there is a certain relationship between the variable parameter and the fixed parameter. In other words, in the latter case, variable parameters can be considered to be linked to fixed parameters. In the latter case, variable parameters can also be regarded as parameters whose values are automatically determined when fixed parameters are determined. Thus, such variable parameters can be included in the fixed parameters. This is also the case for the inverse correlation.
  • the redistribution unit 256 redistributes the variable parameter data based on the correlation score calculated by the correlation analysis unit 255 . Specifically, the redistribution unit 256 distributes variable parameters satisfying ⁇ xy >TH ⁇ to fixed parameters according to a predetermined threshold TH ⁇ , and stores such variable parameters in the fixed parameter data. . In other words, the redistribution unit 256 selects, among a plurality of combinations of each of the plurality of initial variable parameters and each of the one or a plurality of initial fixed parameters, the combinations whose correlation is higher than a predetermined threshold. By redistributing the initially variable parameters that have been assigned to the initial fixed parameters, the plurality of initially variable parameters after distribution are determined as the plurality of variable parameters, and the one or more initial fixed parameters after distribution are fixed to one or more fixed parameters Confirm as a parameter.
  • the output unit 258 provides the variable parameter data stored in the parameter data storage unit 251 to the first dimension reduction unit 126, and transfers the fixed parameter data to the second dimension. It is given to the reduction unit 127 .
  • FIG. 10 is a flowchart showing an example of parameter selection operation in parameter selection section 225 according to the second embodiment.
  • the initial distribution unit 250 distributes, as an initial state, a plurality of parameters included in the processing result evaluation information stored in the selection flag storage unit 124 as an initial distribution, thereby obtaining variable parameter data and fixed parameter data. is generated (S30).
  • the generated variable parameter data is stored in variable parameter data storage section 252
  • the generated fixed parameter data is stored in fixed parameter data storage section 253 .
  • the correlation analysis unit 255 combines the variable parameter data stored in the variable parameter data storage unit 252 and the fixed parameter data stored in the fixed parameter data storage unit 253 for each parameter type, and Analyze the correlation between (S31).
  • the correlation score ⁇ xy is calculated.
  • the redistribution unit 256 initializes the parameter number x for identifying variable parameters to "1" (S32). Then, the redistribution unit 256 repeats the following processing until the parameter number x exceeds the maximum value Mv (S33).
  • the redistribution unit 256 initializes the parameter number y for identifying fixed parameters to "1" (S34). Then, the redistribution unit 256 repeats the following process until the parameter number y exceeds the maximum value Mf (S35).
  • the redistribution unit 256 determines whether the correlation score ⁇ xy calculated by the correlation analysis unit 255 exceeds a predetermined threshold TH ⁇ (S36). If the correlation score ⁇ xy exceeds the threshold TH ⁇ (Yes in S36), the process proceeds to step S37, and if the correlation score ⁇ xy is equal to or less than the threshold TH ⁇ (No in S36), the process Proceed to step S38.
  • the redistribution unit 256 redistributes the variable parameter Qx of the parameter number x when it is determined that the correlation score ⁇ xy exceeds the threshold TH ⁇ as a fixed parameter. Specifically, the redistribution unit 256 extracts the variable parameter Qx from the variable parameter data storage unit 252 and adds it to the fixed parameter data stored in the fixed parameter data storage unit 253 .
  • step S38 the redistribution unit 256 adds "1" to the parameter number y. Then, the redistribution unit 256 determines whether or not the parameter number y is equal to or less than the maximum value Mf (S39). If the parameter number y is equal to or less than the maximum value Mf (Yes in S39), the process returns to step S35, and if the parameter number y exceeds the maximum value Mf (No in S39), the process proceeds to step S40. proceed to
  • step S40 the redistribution unit 256 adds "1" to the parameter number x. Then, the redistribution unit 256 determines whether or not the parameter number x is equal to or less than the maximum value Mv (S41). If the parameter number x is equal to or less than the maximum value Mv (Yes in S41), the process returns to step S33, and if the parameter number x exceeds the maximum value Mv (No in S41), the process proceeds to step S42. proceed to
  • step S42 the output unit 258 outputs variable parameter data and fixed parameter data stored in the parameter data storage unit 251.
  • parameters once identified as variable parameters according to the sorting flag are also analyzed for their correlation with fixed parameters, and if the correlation is high, they are reallocated to fixed parameters. . This makes it possible to further reduce the number of variable parameters, making it easier to search for optimum machining conditions.
  • Embodiment 3 In the second embodiment, even if a parameter is set as a variable parameter in the selection flag, the variable parameter is assigned to the fixed parameter if the correlation with the fixed parameter is high. Embodiment 3 analyzes whether or not the parameters set as variable parameters in the selection flag contribute to the machining result, and sorts the variable parameters that do not contribute to the fixed parameters.
  • a processing system 300 according to Embodiment 3 includes a processing machine 110 and a processing condition searching device 320. As shown in FIG. Processing machine 110 in processing system 300 according to the third embodiment is the same as processing machine 110 in processing system 100 according to the first embodiment.
  • the processing condition search device 320 includes a processing result acquisition unit 121, a processing result evaluation unit 122, a processing result evaluation storage unit 123, and a selection flag storage unit 124. , a parameter selection unit 325, a first dimension reduction unit 126, a second dimension reduction unit 127, a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, and a third dimension reduction unit 131 , an optimum machining condition search unit 132 , a dimension restoration unit 133 , and a machining condition command unit 134 .
  • Processing result acquisition unit 121, processing result evaluation unit 122, processing result evaluation storage unit 123, selection flag storage unit 124, first dimension reduction unit 126, and second dimension reduction unit of processing condition search device 320 in Embodiment 3 127, a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, a third dimension reduction unit 131, an optimum machining condition search unit 132, a dimension restoration unit 133, and a machining condition command unit 134 are the Processing result acquisition unit 121, processing result evaluation unit 122, processing result evaluation storage unit 123, selection flag storage unit 124, first dimension reduction unit 126, second dimension reduction unit 127, machine learning unit of processing condition search device 220 128 , model storage unit 129 , fixed parameter storage unit 130 , third dimension reduction unit 131 , optimum machining condition search unit 132 , dimension restoration unit 133 and machining condition command unit 134 .
  • the parameter selection unit 325 selects each of a plurality of parameters included in the processing result evaluation information stored in the processing result evaluation storage unit 123 into a variable parameter or a fixed parameter, and selects a variable parameter indicating the selected variable parameter. Generate fixed parameter data indicating the parameter data and the selected fixed parameters.
  • FIG. 11 is a block diagram schematically showing the configuration of parameter selection section 325 according to the third embodiment.
  • the parameter selection section 325 includes an initial distribution section 250 , a parameter data storage section 251 , a parameter distribution section 354 and an output section 258 .
  • the initial allocation unit 250, the parameter data storage unit 251 and the output unit 258 of the parameter selection unit 325 in Embodiment 3 are the same as the initial allocation unit 250, the parameter data storage unit 251 and the output unit 251 of the parameter selection unit 325 in Embodiment 2. This is similar to section 258 .
  • the parameter distribution unit 354 finally distributes the variable parameters and fixed parameters initially distributed by the initial distribution unit 250 .
  • the parameter distribution section 354 includes a redistribution section 356 and a contribution analysis section 357 .
  • the contribution analysis unit 357 analyzes the contribution of each of the plurality of initial variable parameters to the corresponding evaluation value. For example, the contribution analysis unit 357 reads variable parameter data from the variable parameter data storage unit 252, and reads evaluation values corresponding to each of a plurality of variable parameters included in the variable parameter data from the processing result evaluation storage unit 123. . Then, contribution analysis section 357 analyzes the contribution of each of the plurality of variable parameters to the evaluation value.
  • variable parameter data storage unit 252 stores Mv type variable parameter data 102 for the past N times of machining. Also, it is assumed that the machining result evaluation storage unit 123 stores evaluation values of past N machining operations.
  • a contribution score ⁇ x represented by the following equation (5) is calculated for all x satisfying 1 ⁇ x ⁇ Mv.
  • ⁇ x ⁇ (Qx, J) (5)
  • Qx is a vector whose elements are the variable parameter values q 1x , q 2x , .
  • J is a vector whose elements are evaluation values j 1 , j 2 , . . . , j N for the past N times.
  • the function ⁇ (Qx, J) is a function for calculating a contribution score that numerically expresses the contribution of Qx to J.
  • the contribution score ⁇ x is the absolute value of the correlation coefficient between Qx and J.
  • the contribution score ⁇ x may be the reciprocal of the magnitude of the regression error when performing simple regression analysis of J with Qx.
  • the contribution score ⁇ x may be the magnitude of regression error when multiple regression analysis is performed on J using all variable parameters except Qx, in other words, all Qi that satisfy i ⁇ x.
  • these regression analyzes include nonlinear regression and kernel regression.
  • the contribution score calculated in this way indicates whether or not the variable parameter with the parameter number x contributes to the evaluation value. , can be considered to be excluded from the search range for optimum machining conditions.
  • the redistribution unit 356 distributes the parameter to a fixed parameter.
  • the redistribution unit 356 redistributes, among the plurality of initial variable parameters, the initially variable parameters whose contributions are equal to or less than a predetermined threshold value to the initial fixed parameters, thereby redistributing the plurality of initially variable parameters after distribution. are determined as a plurality of variable parameters, and one or more initial fixed parameters after sorting are determined as one or more fixed parameters.
  • FIG. 12 is a flowchart showing an example of a parameter allocation operation in the parameter allocation unit 354 according to the third embodiment.
  • the contribution analysis unit 357 reads the variable parameter data from the variable parameter data storage unit 252, and from the processing result evaluation storage unit 123, the evaluation values corresponding to each of the plurality of variable parameters included in the variable parameter data are obtained. read out.
  • the contribution analysis unit 357 analyzes the contribution of each parameter type of the plurality of variable parameters to the evaluation value (S50). Specifically, the contribution analysis unit 357 calculates the contribution score ⁇ x for all the parameter numbers x of the variable parameters using the above equation (5).
  • the redistribution unit 356 initializes the parameter number x for identifying variable parameters to "1" (S51). Then, the redistribution unit 356 repeats the following processing until the parameter number x exceeds the maximum value Mv (S52).
  • the redistribution unit 356 determines whether or not the contribution score ⁇ x of the variable parameter corresponding to the parameter number x is greater than the threshold TH ⁇ (S53). If the contribution score ⁇ x is equal to or less than the threshold TH ⁇ (No in S53), the process proceeds to step S54, and if the contribution score ⁇ x is greater than the threshold TH ⁇ (Yes in S53), the process goes to step S55.
  • step S54 the redistribution unit 356 redistributes the variable parameter Qx with the parameter number x when it is determined that the contribution score ⁇ x is greater than the threshold TH ⁇ as the fixed parameter. Specifically, the redistribution unit 356 extracts the variable parameter Qx from the variable parameter data storage unit 252 and adds it to the fixed parameter data stored in the fixed parameter data storage unit 253 . Then, the process proceeds to step S55.
  • step S55 the redistribution unit 356 adds "1" to the parameter number x. Then, the redistribution unit 356 determines whether or not the parameter number x is equal to or less than the maximum value Mv (S56). If the parameter number x is equal to or less than the maximum value Mv (Yes in S56), the process returns to step S52, and if the parameter number x exceeds the maximum value Mv (No in S56), the process ends. .
  • parameters once identified as variable parameters according to the sorting flag are also analyzed for their degree of contribution to the evaluation value, and if the degree of contribution is low, they are redistributed to fixed parameters. As a result, the number of variable parameters can be further reduced, making it easier to search for optimum machining conditions.
  • the optimum machining condition searching unit 132 provides a plurality of variable parameter feature quantity candidates generated by a predetermined method as inputs to the learning model, and evaluates the evaluation values obtained as the responses of the learning model to these candidates. , and the candidate that gives the best predicted value is output as the optimum machining condition.
  • the processing result evaluation storage unit 123 stores only data on processing performed in the past. In this case, it is better to select the machining conditions that are close to the machining conditions in the past data and have a track record of obtaining good evaluation values as the optimum machining conditions, rather than the machining conditions predicted by the learning model. may be obtained. Accordingly, Embodiment 4 shows an example of determining optimum processing conditions in the initial search based on the first feature amount data, the second feature amount data, the third feature amount data, and the evaluation value.
  • a processing system 400 according to Embodiment 4 includes a processing machine 110 and a processing condition search device 420. As shown in FIG. Processing machine 110 in processing system 400 according to the fourth embodiment is the same as processing machine 110 in processing system 100 according to the first embodiment.
  • the processing condition search device 420 includes a processing result acquisition unit 121, a processing result evaluation unit 122, a processing result evaluation storage unit 123, and a selection flag storage unit 124. , a parameter selection unit 125, a first dimension reduction unit 126, a second dimension reduction unit 127, a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, and a third dimension reduction unit 131 , an optimum machining condition search unit 432 , a dimension restoration unit 133 , and a machining condition command unit 134 .
  • the processing result acquisition unit 121, the processing result evaluation unit 122, the processing result evaluation storage unit 123, the selection flag storage unit 124, the parameter selection unit 125, the first dimension reduction unit 126, the second The second dimension reduction unit 127, the machine learning unit 128, the model storage unit 129, the fixed parameter storage unit 130, the third dimension reduction unit 131, the dimension restoration unit 133, and the machining condition command unit 134 are the machining conditions in the first embodiment.
  • the optimum machining condition search unit 432 selects a plurality of evaluation values included in the machining result evaluation information stored in the machining result evaluation storage unit 123 that satisfy a predetermined criterion. Select all processing numbers that exist. Then, the optimum machining condition search unit 432 identifies the second feature quantity corresponding to the selected machining number in the second feature quantity data, and the identified second feature quantity is the third A processing number that is closest to the third feature indicated by the feature data is specified. For example, it is sufficient to specify one processing number that minimizes the distance between the feature amounts calculated using the distance scale between the second feature amount and the third feature amount.
  • the optimum machining condition search unit 432 determines the feature amount corresponding to one specified machining number from the first feature amount data as the optimum machining condition, and the determined optimum machining condition is used by the dimension restoration unit Give to 133. Note that the optimum machining condition search unit 432 determines the optimum machining conditions in the same manner as in the first embodiment in searches other than the first search.
  • FIG. 13 is a flow chart showing the operation of the optimum machining condition search unit 432 during the initial search.
  • the flowchart shown in FIG. 13 is performed only during the initial search.
  • the optimum machining condition search unit 432 searches for all machining numbers that satisfy a predetermined criterion among a plurality of evaluation values included in the machining result evaluation information stored in the machining result evaluation storage unit 123. Sort out. For example, using a predetermined threshold value, all processing numbers for which it is determined that the processing result is better than the evaluation value corresponding to the threshold value may be selected.
  • the optimum machining condition searching unit 432 specifies the machining number n * of the second feature quantity closest to the third feature quantity among the second feature quantities corresponding to the selected machining numbers ( S61).
  • the optimum machining condition searching unit 432 determines the feature amount corresponding to the machining number n * from among the first feature amount data as the optimum machining condition (S62). Then, the determined optimum machining conditions are given to the dimension restoration unit 133 .
  • the third feature quantity is obtained by converting the value of a parameter that cannot be changed in the search into a feature quantity.
  • the optimum machining condition search unit 432 selects one or more evaluation values higher than a predetermined evaluation value from a plurality of evaluation values. identifying a value, identifying one or more second feature amounts corresponding to the identified one or more evaluation values among the plurality of second feature amounts, and identifying the identified one or more second feature amounts Among them, specify one second feature value that is closest to the third feature value, specify one first feature value corresponding to that one second feature value, and specify that one first feature value It functions as a search unit that optimizes the quantity.
  • the machining result evaluation storage unit 123 in the first search, among the past machining conditions stored in the machining result evaluation storage unit 123, the machining result is good and cannot be changed in this search.
  • searching for conditions that are close to the actual value of the fixed parameter that is , and setting the variable parameter paired with this as the initial optimum machining condition it is possible to find good machining conditions with a smaller number of searches. .
  • parameter selection unit 125 in Embodiment 4 is the same as the parameter selection unit 125 in Embodiment 1, Embodiment 4 is not limited to such an example.
  • parameter selection section 125 in the fourth embodiment may be parameter selection section 225 in the second embodiment or parameter selection section 325 in the third embodiment.
  • Embodiment 5 dimensionality reduction is applied to the selected variable parameter data and fixed parameter data separately.
  • each reduction process is adjusted so as to approximate the result of dimensionality reduction collectively without sorting the parameter data as a reference.
  • a processing system 500 according to Embodiment 5 includes a processing machine 110 and a processing condition search device 520. As shown in FIG. Processing machine 110 in processing system 500 according to the fifth embodiment is the same as processing machine 110 in processing system 100 according to the first embodiment.
  • FIG. 14 is a block diagram schematically showing the configuration of the machining condition searching device 520.
  • the processing condition search device 520 includes a processing result acquisition unit 121, a processing result evaluation unit 122, a processing result evaluation storage unit 123, a selection flag storage unit 124, a parameter selection unit 125, and a first dimension reduction unit 526.
  • a second dimension reduction unit 527 a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, a third dimension reduction unit 131, an optimum machining condition search unit 132, and a dimension restoration unit 133 , a machining condition command unit 134 , a fourth dimension reduction unit 560 , a first comparison unit 561 , and a second comparison unit 562 .
  • the fixed parameter storage unit 130, the third dimension reduction unit 131, the optimum machining condition search unit 132, the dimension restoration unit 133, and the machining condition command unit 134 are the machining result acquisition unit 121 of the machining condition search device 120 in Embodiment 1 , processing result evaluation unit 122, processing result evaluation storage unit 123, selection flag storage unit 124, parameter selection unit 125, machine learning unit 128, model storage unit 129, fixed parameter storage unit 130, third dimension reduction unit 131, optimal It is the same as the machining condition searching unit 132 , the dimension restoring unit 133 and the machining condition command unit 134 .
  • the fourth dimension reduction unit 560 is a dimension reduction unit that generates a fourth feature quantity by reducing dimensions of a plurality of parameters.
  • the fourth dimension reduction unit 560 reads the machining conditions from the machining result evaluation information stored in the machining result evaluation storage unit 123, and reduces the dimensions of a plurality of parameters included in the read machining conditions. By performing the reduction, fourth feature amount data is generated. The generated fourth feature amount data is given to the first comparison section 561 and the second comparison section 562 .
  • the first dimension reduction unit 526 generates first feature amount data and provides the generated first feature amount data to the first comparison unit 561 as in the first embodiment. However, the first dimension reduction unit 526 generates the first feature amount by reducing the dimensions of the multiple variable parameters regardless of the number of dimensions of the multiple variable parameters. Then, the first dimensionality reduction unit 526 receives from the first comparison unit 561 a first similarity score calculated by comparing the first feature data and the fourth feature data. Obtain a similarity score and determine if the first similarity score has converged.
  • the first dimensionality reduction unit 526 reduces the difference between the first feature amount data and the fourth feature amount data indicated by the first similarity score. Adjust it by changing the dimensionality reduction process so that the degree of similarity increases. Then, the first dimension reduction unit 526 generates the first feature amount data again by the dimension reduction processing after adjustment, and supplies the generated first feature amount data to the first comparison unit 561 . The above processing is repeated until the first similarity score converges.
  • the first dimensionality reduction unit 526 provides the machine learning unit 128 with the first feature amount data determined to have converged.
  • the first feature amount before the first similarity score converges is also referred to as a first provisional feature amount.
  • the first dimension reduction unit 526 repeats the generation of the first provisional feature amount by changing the process of reducing the dimensions of the plurality of variable parameters until the first similarity score converges.
  • a first provisional feature amount when one similarity score converges is determined as the first feature amount.
  • the second dimension reduction unit 527 generates second feature amount data and provides the generated second feature amount data to the second comparison unit 562 as in the first embodiment. However, the second dimension reduction unit 527 generates the second feature quantity by reducing the dimensions of the plurality of fixed parameters regardless of the number of dimensions of the plurality of fixed parameters. Then, the second dimension reduction unit 527 outputs a second similarity score, which is a similarity score calculated by comparing the second feature amount data and the fourth feature amount data from the second comparison unit 562. Obtain a similarity score and determine if the second similarity score has converged.
  • the second dimension reduction unit 527 reduces the second feature amount data and the fourth feature amount data indicated by the second similarity score. Adjust it by changing the dimensionality reduction process so that the degree of similarity increases. Then, the second dimension reduction unit 527 generates the second feature amount data again by the dimension reduction processing after adjustment, and supplies the generated second feature amount data to the second comparison unit 562 . The above processing is repeated until the second similarity score converges.
  • the second dimensionality reduction unit 527 provides the machine learning unit 128 with the second feature amount data determined to have converged.
  • the second feature amount before the second similarity score converges is also referred to as a second provisional feature amount.
  • the second dimension reduction unit 527 repeats generation of the second temporary feature amount by changing the process of reducing the dimensions of the plurality of fixed parameters until the second similarity score converges.
  • a second provisional feature amount when the two similarity scores converge is determined as the second feature amount.
  • the first comparison unit 561 calculates a first similarity score, which is a similarity score indicating the degree of similarity between the first provisional feature amount and the fourth feature amount.
  • the second comparison unit 562 calculates a second similarity score, which is a similarity score indicating the degree of similarity between the second provisional feature amount and the fourth feature amount.
  • the absolute value of the correlation coefficient, cross entropy, KL information (Kullback-Leibler Divergence), and other mutual information are used as similarity scores.
  • the cross entropy or mutual information takes a lower value as the data to be compared is more similar, so when using it for the similarity score, the positive and negative signs are reversed or in the form of reciprocals.
  • the autoencoder is a suitable example of the dimensionality reduction processing of the first dimensionality reduction unit 526, the second dimensionality reduction unit 527 and the fourth dimensionality reduction unit 560 of Embodiment 5, and the first dimensionality reduction unit 526 and ,
  • the second dimensionality reduction unit 527 can obtain a dimensionality reduction effect similar to that of the fourth dimensionality reduction unit 560 by adding the above-mentioned cross entropy or KL information amount to the loss function when learning the autoencoder. can.
  • ⁇ is a function for calculating the similarity score.
  • Av x is a vector whose elements are av 1x , av 2x , . .
  • Ao z is a vector having ao 1z , ao 2z , .
  • N is the maximum value of the machining number.
  • the second similarity score ⁇ 2 is composed of af 1y , af 2y , . and vector Ao z whose element is the z -th dimension feature quantity of the above-mentioned fourth feature quantity data
  • the maximum value, minimum value, or average value is the second similarity score ⁇ 2 .
  • ⁇ 2 (y,z) ⁇ (Afy,Aoz) (7)
  • the amount of change from the previous similarity score is equal to or less than a predetermined threshold, it may be determined that the similarity score has converged.
  • the hardware configuration of the processing condition searching device 520 in the fifth embodiment described above is the same as the hardware configuration of the processing condition searching device 120 in the first embodiment.
  • the fourth dimensionality reduction unit 560 , the first comparison unit 561 and the second comparison unit 562 can also be realized by the processing circuit 140 .
  • FIG. 15 shows the operations of the first dimension reduction unit 526, the second dimension reduction unit 527, the fourth dimension reduction unit 560, the first comparison unit 561, and the second comparison unit 562 in Embodiment 5. It is a flow chart showing.
  • the fourth dimension reduction unit 560 reads the processing conditions, in other words, the parameters, included in the processing result evaluation information stored in the processing result evaluation storage unit 123, and performs dimension reduction on the parameters. Then, the fourth feature amount data is generated (S70). The generated fourth feature amount data is given to the first comparison section 561 and the second comparison section 562 .
  • the first dimension reduction unit 526 dimension-reduces the variable parameter data from the parameter selection unit 125 in the same manner as in Embodiment 1, and generates first feature amount data (S71).
  • the first feature amount data is given to the first comparison section 561 .
  • the first comparison unit 561 compares the fourth feature amount data and the first feature amount data, and calculates a first similarity score ⁇ 1 (S73).
  • the first similarity score ⁇ 1 is provided to the first dimensionality reducer 526 .
  • the first dimension reduction unit 526 determines whether or not the first similarity score ⁇ 1 has converged (S73). If the first similarity score ⁇ 1 has not converged (No in S73), the process proceeds to step S74; if the first similarity score ⁇ 1 has converged (Yes in S73), , the process proceeds to step S75.
  • the first dimension reduction unit 526 provides the machine learning unit 128 with the first feature amount data generated in step S71.
  • step S74 the first dimension reduction unit 526 changes the dimension reduction process so that the first similarity score ⁇ 1 increases. Then, the process returns to step S71.
  • step S75 the second dimension reduction unit 527 dimension-reduces the fixed parameter data from the parameter selection unit 125 to generate second feature data (S72), as in the first embodiment.
  • the second feature amount data is given to the second comparison section 562 .
  • the second comparison unit 562 compares the fourth feature amount data and the second feature amount data, and calculates a second similarity score ⁇ 2 (S76).
  • a second similarity score ⁇ 2 is provided to a second dimensionality reduction unit 527 .
  • the second dimension reduction unit 527 determines whether or not the second similarity score ⁇ 2 has converged (S77). If the second similarity score ⁇ 2 has not converged (No in S77), the process proceeds to step S78, and if the second similarity score ⁇ 2 has converged (Yes in S77), , the second dimension reduction unit 527 supplies the second feature amount data generated in step S75 to the machine learning unit 128, and ends the process.
  • step S78 the second dimension reduction unit 527 changes the dimension reduction process so that the second similarity score ⁇ 2 increases. Then, the process returns to step S75.
  • Embodiment 5 when dimension reduction is applied to the selected variable parameter data and fixed parameter data, the results of dimension reduction collectively without selecting the parameter data are referred to. , the dimensionality reduction effect can be enhanced because each reduction process is adjusted so as to approach this.
  • parameter selecting section 125 in Embodiment 5 is the same as the parameter selecting section 125 in Embodiment 1, Embodiment 5 is not limited to such an example.
  • parameter selection section 125 in the fifth embodiment may be parameter selection section 225 in the second embodiment or parameter selection section 325 in the third embodiment.
  • the optimum machining condition searching section 132 in the fifth embodiment may be the optimum machining condition searching section 432 in the fourth embodiment.
  • Embodiment 6 In Embodiment 5, the first feature amount and the second feature amount are individually compared with the fourth feature amount. In Embodiment 6, the first feature amount and the second feature amount are combined so as to have the same number of dimensions as the fourth feature amount, and compared with the fourth feature amount.
  • a processing system 600 according to Embodiment 6 includes a processing machine 110 and a processing condition searching device 620. As shown in FIG. Processing machine 110 in processing system 600 according to the sixth embodiment is the same as processing machine 110 in processing system 100 according to the first embodiment.
  • FIG. 16 is a block diagram schematically showing the configuration of the machining condition searching device 620.
  • the processing condition search device 620 includes a processing result acquisition unit 121, a processing result evaluation unit 122, a processing result evaluation storage unit 123, a selection flag storage unit 124, a parameter selection unit 125, and a first dimension reduction unit 626.
  • a second dimension reduction unit 627 a machine learning unit 128, a model storage unit 129, a fixed parameter storage unit 130, a third dimension reduction unit 131, an optimum machining condition search unit 132, and a dimension restoration unit 133 , a machining condition command unit 134 , a fourth dimension reduction unit 560 , a synthesis unit 663 , and a comparison unit 664 .
  • the fixed parameter storage unit 130, the third dimension reduction unit 131, the optimum machining condition search unit 132, the dimension restoration unit 133, and the machining condition command unit 134 are the machining result acquisition unit 121 of the machining condition search device 120 in Embodiment 1 , processing result evaluation unit 122, processing result evaluation storage unit 123, selection flag storage unit 124, parameter selection unit 125, machine learning unit 128, model storage unit 129, fixed parameter storage unit 130, third dimension reduction unit 131, optimal It is the same as the machining condition searching unit 132 , the dimension restoring unit 133 and the machining condition command unit 134 .
  • the fourth dimension reduction unit 560 of the processing condition search device 620 according to the sixth embodiment is the same as the fourth dimension reduction unit 560 of the processing condition search device 520 according to the fifth embodiment. However, in Embodiment 4, the fourth dimension reduction unit 560 provides the generated fourth feature amount data to the comparison unit 664 .
  • the first dimension reduction unit 626 generates first feature amount data and provides the generated first feature amount data to the synthesizing unit 663 in the same manner as in the first embodiment. However, the first dimension reduction unit 626 generates the first feature quantity by reducing the dimensions of the multiple variable parameters regardless of the number of dimensions of the multiple variable parameters. Then, the first dimension reduction unit 626 compares the combined feature amount data indicating the combined feature amount of the first feature amount data and the second feature amount data from the comparison unit 664 with the fourth feature amount data. A similarity score calculated by doing is obtained, and it is determined whether or not the similarity score has converged.
  • the first dimension reduction unit 626 increases the degree of similarity between the synthetic feature amount data and the fourth feature amount data, indicated by the similarity score, Adjust it by changing the dimensionality reduction process. Then, the first dimension reduction unit 626 generates the first feature amount data again by the dimension reduction processing after adjustment, and supplies the generated first feature amount data to the synthesizing unit 663 . The above processing is repeated until the similarity score converges.
  • the first dimensionality reduction unit 626 provides the machine learning unit 128 with the first feature amount data determined to have converged.
  • the first feature amount before the first similarity score converges is also referred to as a first provisional feature amount.
  • the first dimension reduction unit 626 repeats the generation of the first provisional feature amount by changing the process of reducing the dimensions of the plurality of variable parameters until the similarity score converges.
  • a first provisional feature amount at the time of convergence is determined as a first feature amount.
  • the second dimension reduction unit 627 generates second feature amount data and provides the generated second feature amount data to the synthesizing unit 663 as in the first embodiment. However, the second dimension reduction unit 627 generates the second feature quantity by reducing the dimensions of the plurality of fixed parameters regardless of the number of dimensions of the plurality of fixed parameters. Then, the second dimension reduction unit 627 compares the synthetic feature amount data indicating the synthetic feature amount of the first feature amount data and the second feature amount data from the comparison unit 664 with the fourth feature amount data. A similarity score calculated by doing is obtained, and it is determined whether or not the similarity score has converged.
  • the second dimension reduction unit 627 increases the degree of similarity between the synthetic feature data and the fourth feature data indicated by the similarity score, Adjust it by changing the dimensionality reduction process. Then, the second dimension reduction unit 627 generates the second feature amount data again by the adjusted dimension reduction processing, and supplies the generated second feature amount data to the synthesizing unit 663 . The above processing is repeated until the similarity score converges.
  • the second dimensionality reduction unit 627 provides the machine learning unit 128 with the second feature amount data determined to have converged.
  • the second feature amount before the second similarity score converges is also referred to as a second provisional feature amount.
  • the second dimension reduction unit 627 repeats the generation of the second temporary feature amount by changing the process of reducing the dimensions of the plurality of fixed parameters until the similarity score converges.
  • a second provisional feature amount at the time of convergence is determined as a second feature amount.
  • the combining unit 663 generates a combined feature amount by combining the first temporary feature amount and the second temporary feature amount, and combines the dimension of the combined feature amount and the dimension of the fourth feature amount. make it the same
  • the synthesizing unit 663 combines the first feature amount indicated by the first feature amount data given from the first dimension reduction unit 626 and the second feature amount output from the second dimension reduction unit 627.
  • Synthetic feature amount data showing the synthesized feature amount by synthesizing the second feature amount indicated by the data so that the synthesized feature amount, which is the synthesized feature amount, has the same number of dimensions as the fourth feature amount. to generate
  • the generated synthetic feature amount data is given to the comparison section 664 .
  • the synthesizing unit 663 performs the following (8) Synthesis can be done by formula. (8)
  • the synthesizing unit 663 calculates by comparing the synthetic feature amount data indicating the synthetic feature amount of the first feature amount data and the second feature amount data from the comparing unit 664 with the fourth feature amount data. and determine whether the similarity scores have converged.
  • the synthesizing unit 663 changes the synthesizing process so that the degree of similarity between the synthetic feature amount data and the fourth feature amount data indicated by the similarity score increases. adjust it by In other words, the synthesizing unit 663 changes the process of synthesizing the first provisional feature amount and the second provisional feature amount until the similarity score converges.
  • the comparison unit 664 calculates a similarity score indicating the degree of similarity between the synthesized feature quantity and the fourth feature quantity. For example, the comparison unit 664 compares the fourth feature amount data and the synthesized feature amount data given from the synthesis unit 663, and calculates the similarity score ⁇ . Specifically, the absolute value of the correlation coefficient, cross entropy, KL information amount, and other mutual information amounts are used as similarity scores. Note that the cross entropy or mutual information takes a lower value as the data to be compared is more similar, so when using it for the similarity score, the positive and negative signs are reversed or in the form of reciprocals.
  • the autoencoder is a suitable example of the dimensionality reduction processing of the first dimensionality reduction unit 626, the second dimensionality reduction unit 627 and the fourth dimensionality reduction unit 660 of Embodiment 6, and the first dimensionality reduction unit 626 and ,
  • the second dimensionality reduction unit 627 can obtain a dimensionality reduction effect similar to that of the fourth dimensionality reduction unit 660 by adding the above-mentioned cross entropy or KL information amount to the loss function when learning the autoencoder. can.
  • the amount of change from the previous similarity score is equal to or less than a predetermined threshold, it may be determined that the similarity score has converged.
  • the hardware configuration of the machining condition searching device 620 in the sixth embodiment described above is the same as the hardware configuration of the machining condition searching device 120 in the first embodiment.
  • the fourth dimensionality reduction unit 560 , the synthesis unit 663 and the comparison unit 664 can also be realized by the processing circuit 140 .
  • FIG. 17 is a flow chart showing operations in the first dimension reduction unit 626, the second dimension reduction unit 627, the fourth dimension reduction unit 660, the synthesis unit 663 and the comparison unit 664 according to the sixth embodiment.
  • the fourth dimension reduction unit 560 reads the processing conditions, in other words, the parameters, included in the processing result evaluation information stored in the processing result evaluation storage unit 123, and performs dimension reduction on the parameters. Then, the fourth feature amount data is generated (S80). The generated fourth feature amount data is given to the comparing section 664 .
  • the first dimension reduction unit 626 dimension-reduces the variable parameter data from the parameter selection unit 125 in the same manner as in Embodiment 1, and generates first feature amount data (S81).
  • the first feature amount data is given to the synthesizing section 663 .
  • the second dimension reduction unit 627 dimension-reduces the fixed parameter data from the parameter selection unit 125 to generate second feature amount data (S82).
  • the second feature amount data is given to the synthesizing section 663 .
  • the synthesizing unit 663 combines the first feature amount indicated by the first feature amount data given from the first dimension reduction unit 626 and the second feature amount data output from the second dimension reduction unit 627. Synthesizing the indicated second feature quantity so that the synthesized feature quantity, which is the synthesized feature quantity, has the same number of dimensions as the fourth feature quantity, thereby generating synthesized feature quantity data indicating the synthesized feature quantity. (S83).
  • the generated synthetic feature amount data is given to the comparison section 664 .
  • the comparison unit 664 compares the fourth feature amount data and the synthetic feature amount data, and calculates a similarity score ⁇ (S84).
  • the similarity score ⁇ is given to the first dimensionality reduction unit 626 , the second dimensionality reduction unit 627 and the combining unit 663 .
  • the first dimension reduction unit 626, the second dimension reduction unit 627, and the synthesis unit 663 determine whether or not the similarity score ⁇ converges (S85). If the similarity score ⁇ has not converged (No in S85), the process proceeds to step S86. When the similarity score ⁇ converges (Yes in S85), the first dimension reduction unit 626 reduces the first feature amount data generated in step S81, and the second dimension reduction unit 527 reduces the 2 to the machine learning unit 128, and the process ends.
  • step S86 the first dimensionality reduction unit 626 and the second dimensionality reduction unit 627 change the dimensionality reduction process so that the similarity score ⁇ increases.
  • the synthesizing unit 663 changes the synthesizing process so as to increase the similarity score ⁇ (S87). Then, the process returns to step S81.
  • the sixth embodiment when adjusting the dimension reduction for the selected variable parameter data and the fixed parameter data, referring to the result of the dimension reduction collectively without selecting the parameter data, , Combining the feature values of the variable parameter data and the fixed parameter data, and comparing the feature values obtained as a result of dimensionality reduction collectively without selecting the parameter data so as to have the same number of dimensions. Since the similarity score is used, it is possible to obtain a reduction effect that is closer to the case where the dimensionality reduction is collectively performed without sorting the parameter data.
  • parameter selection section 125 in Embodiment 6 is the same as the parameter selection section 125 in Embodiment 1, Embodiment 6 is not limited to such an example.
  • parameter selection section 125 in the sixth embodiment may be parameter selection section 225 in the second embodiment or parameter selection section 325 in the third embodiment.
  • the optimum machining condition searching section 132 in the sixth embodiment may be the optimum machining condition searching section 432 in the fourth embodiment.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Numerical Control (AREA)
  • Feedback Control In General (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Manipulator (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

加工条件探索装置（１２０）は、複数のパラメータを複数の可変パラメータ及び一又は複数の固定パラメータに選別するパラメータ選別部（１２５）と、複数の可変パラメータから第一の次元以下の第一の特徴量を生成する第一の次元削減部（１２６）と、一又は複数の固定パラメータから第二の次元以下の第二の特徴量を生成する第二の次元削減部（１２７）と、第一の特徴量、第二の特徴量及び複数の評価値の関係を学習することで、学習モデルを生成する機械学習部（１２８）と、一又は複数の固定パラメータである一又は複数の対象固定パラメータから、第二の次元以下の第三の特徴量を生成する第三の次元処理部（１３１）と、第三の特徴量及び学習モデルを使用して、複数の対象可変パラメータの特徴量の最適値を探索する最適加工条件探索部（１３２）と、最適値及び一又は複数の対象固定パラメータから探索加工条件を特定する次元復元部（１３３）とを備える。

Description

加工条件探索装置、プログラム及び加工条件探索方法
　本開示は、加工条件探索装置、プログラム及び加工条件探索方法に関する。
　産業用に用いられる加工機は、被加工物である素材に対し所定の加工処理を行うことで、その形状又は状態を変化させる加工を行う。このような加工機には、素材の切削若しくは研削等を行う工作機械、又は、素材の混合、反応、加熱、冷却、乾燥若しくは焼成等の処理を行うプラント機器が例として挙げられる。
　一般に、これらの加工機では、使用者の意図を反映できるように複数のパラメータを設定できるようになっている。加工機の加工結果は、複数のパラメータの組み合わせである加工条件に依存するため、所望の加工結果を得るためには、加工機に適切な加工条件を設定する必要がある。
　しかし、複数のパラメータが存在し、かつ、各々のパラメータが連続値又は段階的な離散値で設定可能である場合、その組み合わせパターンは膨大な数となる。このため、所望の加工結果が得られるような加工条件を発見するためには、多大な手間及び時間をかけて試行錯誤を行う必要がある。
　このようなパラメータに関して、従来から、加工結果の評価値と、評価値に対応する加工条件とに基づいて、加工が実施されていない加工条件に対応する評価値を予測した予測値を求め、予測値に基づいて最適加工条件を計算することも行われているが、パラメータの次元が大きいほど大域的な最適値の探索が困難になる。
　そこで、特許文献１では、高次元のデータに対し、主成分分析等の手段を用いてその特徴量を抽出し、抽出された特徴量の次元を削減することで、問題を扱いやすくする方法が提案されている。
特表２０１２－５０９１９０号公報（段落００１４）
　しかしながら、従来の次元削減では、全てのパラメータから特徴量を抽出する結果として全てのパラメータが探索対象になるので、使用者の意図又は加工現場の状況等により、一部のパラメータに変更が加えられないような場合には適用できないという問題点がある。
　例えば、加工結果が制御パラメータだけでなく、大きさ若しくは比重等の素材の性質に関わる特性パラメータ、又は、温湿度等の加工現場の環境に関わる環境パラメータ等にも依存する場合、最適加工条件の探索はこれらのパラメータも加味して行う必要がある。しかしながら、次元削減を行う場合、これらの変更不可能なパラメータも変更対象にされてしまう。
　そこで、本発明の一又は複数の態様は、加工に使用される加工条件において、変更が許可されていないパラメータが存在する場合であっても、変更が許可されているパラメータについて大域的な最適加工条件の探索を可能にすることを目的とする。
　本開示の一態様に係る加工条件探索装置は、各々が複数のパラメータを有する複数の加工条件、及び、前記複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報を記憶する加工結果評価記憶部と、前記複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別するパラメータ選別部と、前記複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第一の特徴量を生成する第一の次元処理部と、前記一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第二の特徴量を生成する第二の次元処理部と、前記一又は複数の第一の特徴量、前記一又は複数の第二の特徴量及び前記複数の評価値の関係を学習することで、学習モデルを生成する機械学習部と、探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータである一又は複数の対象固定パラメータから、前記第二の次元以下の第三の特徴量を生成する第三の次元処理部と、前記第三の特徴量及び前記学習モデルを使用して、前記対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索する探索部と、前記最適値及び前記一又は複数の対象固定パラメータから、前記対象加工条件として探索された加工条件である探索加工条件を特定する特定部と、を備えることを特徴とする。
　本開示の一態様に係るプログラムは、コンピュータを、各々が複数のパラメータを有する複数の加工条件、及び、前記複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報を記憶する加工結果評価記憶部、前記複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別するパラメータ選別部、前記複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第一の特徴量を生成する第一の次元処理部、前記一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第二の特徴量を生成する第二の次元処理部、前記一又は複数の第一の特徴量、前記一又は複数の第二の特徴量及び前記複数の評価値の関係を学習することで、学習モデルを生成する機械学習部、探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータである一又は複数の対象固定パラメータから、前記第二の次元以下の第三の特徴量を生成する第三の次元処理部、前記第三の特徴量及び前記学習モデルを使用して、前記対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索する探索部、及び、前記最適値及び前記一又は複数の対象固定パラメータから、前記対象加工条件として探索された加工条件である探索加工条件を特定する特定部、として機能させることを特徴とする。
　本開示の一態様に係る加工条件探索方法は、各々が複数のパラメータを有する複数の加工条件、及び、前記複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報に含まれている前記複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別し、前記複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第一の特徴量を生成し、前記一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第二の特徴量を生成し、前記一又は複数の第一の特徴量、前記一又は複数の第二の特徴量及び前記複数の評価値の関係を学習することで、学習モデルを生成し、探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータである一又は複数の対象固定パラメータから、前記第二の次元以下の第三の特徴量を生成し、前記第三の特徴量及び前記学習モデルを使用して、前記対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索し、前記最適値及び前記一又は複数の対象固定パラメータから、前記対象加工条件として探索された加工条件である探索加工条件を特定することを特徴とする。
　本開示の一又は複数の態様によれば、加工に使用される加工条件において、変更が許可されていないパラメータが存在する場合であっても、変更が許可されているパラメータについて大域的な最適加工条件の探索を可能にすることができる。
実施の形態１～６に係る加工システムの構成を概略的に示すブロック図である。 実施の形態１～４における加工条件探索装置の構成を概略的に示すブロック図である。 加工結果評価情報の一例を示す概略図である。 （Ａ）及び（Ｂ）は、パラメータ選別部によって選別されたパラメータを示すパラメータデータの例を示す概略図である。 加工条件探索装置のハードウェア構成例を示すブロック図である。 実施の形態１に係る加工システムの動作を示すフローチャートである。 実施の形態１における探索方法を説明するための概略図である。 実施の形態２におけるパラメータ選別部２２５の構成を概略的に示すブロック図である。 （Ａ）及び（Ｂ）は、ＱｘとＲｘとの相関性が低い場合と、高い場合との例を示す概略図である。 実施の形態２におけるパラメータ選別部におけるパラメータ選別動作の一例を示すフローチャートである。 実施の形態３におけるパラメータ選別部の構成を概略的に示すブロック図である。 実施の形態３におけるパラメータ振分部におけるパラメータの振分動作の一例を示すフローチャートである。 実施の形態４における初回探索時の最適加工条件探索部の動作を示すフローチャートである。 実施の形態５における加工条件探索装置の構成を概略的に示すブロック図である。 実施の形態５における第一の次元削減部、第二の次元削減部、第四の次元削減部、第一の比較部及び第二の比較部での動作を示すフローチャートである。 実施の形態６における加工条件探索装置の構成を概略的に示すブロック図である。 実施の形態６における第一の次元削減部、第二の次元削減部、第四の次元削減部、合成部及び比較部での動作を示すフローチャートである。
実施の形態１．
　図１は、実施の形態１に係る加工システム１００の構成を概略的に示すブロック図である。
　加工システム１００は、加工機１１０と、加工条件探索装置１２０とを備える。
　加工機１１０は、加工条件探索装置１２０からの加工条件を用いて加工を行い、その加工の結果である加工結果を示す情報である加工結果情報を加工条件探索装置１２０に与える。
　加工条件探索装置１２０は、加工機１１０に設定した加工条件における加工結果情報を受け取り、加工機１１０に適した加工条件を探索する。
　加工条件は、複数のパラメータからなる。
　図２は、加工条件探索装置１２０の構成を概略的に示すブロック図である。
　加工条件探索装置１２０は、加工結果取得部１２１と、加工結果評価部１２２と、加工結果評価記憶部１２３と、選別フラグ記憶部１２４と、パラメータ選別部１２５と、第一の次元削減部１２６と、第二の次元削減部１２７と、機械学習部１２８と、モデル記憶部１２９と、固定パラメータ記憶部１３０と、第三の次元削減部１３１と、最適加工条件探索部１３２と、次元復元部１３３と、加工条件指令部１３４とを備える。
　加工結果取得部１２１は、加工機１１０から、加工結果を示す情報である加工結果情報を取得する。取得された加工結果情報は、加工結果評価部１２２に与えられる。
　加工結果情報の種類は、加工機１１０の種別又は加工目的等によって異なる。例えば、加工結果情報は、加工物の検査データであり、その検査結果値は、加工仕様によって定められた目標値からの誤差又は不良率であることが考えられる。
　なお、実施の形態１では、加工結果取得部１２１は、加工機１１０から加工結果情報を取得しているが、実施の形態１は、このような例に限定されない。例えば、加工機１１０とは別の検査機等から、加工結果情報を取得してもよい。また、図示しない入力部を介して、使用者が加工結果情報を入力してもよい。
　加工結果評価部１２２は、加工機１１０で行われた加工の結果である加工結果を評価することで評価値を定め、後述する加工結果評価情報に、その加工が行われる際に使用された加工条件である探索加工条件に対応付けて、その定められた評価値を追加する。
　例えば、加工結果評価部１２２は、加工結果取得部１２１からの加工結果情報で示される加工結果を評価して、その評価値を定める。評価値は、連続値若しくは離散値等の数値、属性を表すカテゴリ値、又は、命題の真偽を表す論理値等である。
　ここで、評価値は、加工結果の良否を示す。例えば、評価値は、加工の良否の度合を連続値又は離散値を取る数値であってもよい。具体例としては、加工の不良の割合を０から１の連続値で表した不良率がある。この場合には、値が小さいほど加工結果が良好であることを示す。
　また、評価値は加工結果の良否を示すカテゴリ、又は、予め定められた命題に対して真か偽かを表す論理値であってもよい。
　そして、加工結果評価部１２２は、その評価値を対応する加工条件に対応付けて加工結果評価記憶部１２３に記憶する。
　加工結果評価記憶部１２３は、複数の加工条件と、その複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報を記憶する。上述のように、複数の加工条件の各々は、複数のパラメータを有する。
　例えば、加工結果評価情報には、デフォルトとして、加工条件探索装置１２０で探索された加工条件とは異なる加工条件と、その加工条件における加工結果の評価値とが対応付けて記憶されている。このような情報は、図示しない入力部を介して入力されればよい。
　そして、加工結果評価情報には、加工条件指令部１３４が加工機１１０に指示した加工条件と、この加工条件による加工結果に対して、加工結果評価部１２２が定めた評価値とが対応付けて記憶されている。
　なお、加工結果評価情報には、加工条件探索装置１２０を通じて行われた全ての加工について、これらの情報が加工結果評価記憶部１２３に記憶されているものとする。
　図３は、加工結果評価情報の一例を示す概略図である。
　図３に示されているように、加工結果評価情報１０１は、加工条件を構成する各種パラメータと、これに対応する評価値とをまとめたマトリクスとなっている。
　図３に示されている例では、過去Ｎ回（Ｎは、１以上の整数）実施された加工について、それぞれの加工を識別するための加工識別情報である加工番号が付与されている。そして、その加工番号毎に、加工の際に使用されたＭ種（Ｍは、２以上の整数）のパラメータと、これに対応する評価値とがマトリクスの縦の一列に並べられている。
　新たな加工が実施されると、マトリクスの右端に一つの列が新しく追加され、その列に、加工条件と、その評価値とが記録されていく。
　パラメータの具体例は、加工機１１０の制御パラメータ、材料の種類若しくは特性値等の性状を表す材料パラメータ、又は、加工現場の温湿度等の環境パラメータ等である。これらのパラメータは、連続値若しくは離散値等の数値、属性を表すカテゴリ値、又は、命題の真偽を表す論理値等がある。
　選別フラグ記憶部１２４は、複数のパラメータを選別するために、複数のパラメータの種別毎に、可変パラメータであるか、固定パラメータであるかを示す選別フラグを記憶する。
　例えば、選別フラグ記憶部１２４は、加工条件を構成する複数のパラメータの各々の種別について、それぞれが変更可能な可変パラメータであるか、変更不可能な固定パラメータであるかを示す選別フラグを記憶する。言い換えると、可変パラメータは、変更を許可するパラメータであり、固定パラメータは、変更を許可しないパラメータである。
　選別フラグは、図示しない入力部を介して、使用者の指示を受けることで設定されてもよい。また、選別フラグは、加工機１１０の種別又は機種等の条件から自動的に設定されてもよい。さらに、選別フラグは、図示しない通信部を介して、他の装置から受信されてもよい。
　固定パラメータには、加工機１１０の制御パラメータのうち、変更不可能若しくは使用者が変更を望まない制御パラメータ、材料の性状、サイズ若しくは量等の材料に関するパラメータ、又は、加工環境の気圧若しくは温湿度等の環境パラメータ等が含まれる。
　パラメータ選別部１２５は、加工結果評価情報に含まれている複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別する。ここでは、パラメータ選別部１２５は、選別フラグを参照することで、複数のパラメータを、複数の可変パラメータ及び一又は複数の固定パラメータに選別する。
　例えば、パラメータ選別部１２５は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている複数のパラメータと、選別フラグ記憶部１２４に記憶されている選別フラグとをそれぞれ読み出す。パラメータ選別部１２５は、選別フラグに従って、パラメータを可変パラメータ又は固定パラメータに選別する。そして、パラメータ選別部１２５は、選別された可変パラメータを示す可変パラメータデータ及び選別された固定パラメータを示す固定パラメータデータを生成する。
　図４（Ａ）及び（Ｂ）は、パラメータ選別部１２５によって選別されたパラメータを示すパラメータデータの例を示す概略図である。
　図４（Ａ）は、可変パラメータを格納した可変パラメータデータ１０２の例であり、図４（Ｂ）は、固定パラメータを格納した固定パラメータデータ１０３の例である。
　可変パラメータデータ１０２は、Ｍｖ種のパラメータを格納し、固定パラメータデータ１０３は、Ｍｆ種のパラメータを格納する。
　可変パラメータデータ１０２及び固定パラメータデータ１０３は、図３に示されている加工結果評価情報１０１と同様に、過去Ｎ回実施された加工について、加工番号毎にパラメータを保持したマトリクスで構成されている。Ｍｖ及びＭｆは、それぞれ可変パラメータと、固定パラメータとの次元数に相当する。
　可変パラメータデータ１０２において、加工番号ｘにおけるｙ番目の可変パラメータをｑｘｙとする。固定パラメータデータ１０３において、加工番号ｘにおけるｚ番目の固定パラメータをｒｘｚとする。これらは、図３に示されている加工結果評価情報１０１に格納されている加工条件において、加工番号ｘの列から抽出されたものである。
　図２に戻り、第一の次元削減部１２６は、可変パラメータデータに含まれている複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、複数の加工条件に対応する一又は複数の第一の特徴量を生成する第一の次元処理部である。ここでは、第一の次元削減部１２６は、複数の可変パラメータの次元が第一の次元よりも大きい場合に、複数の可変パラメータの次元を削減することで、第一の特徴量を生成する。
　例えば、第一の次元削減部１２６は、パラメータ選別部１２５によって生成された可変パラメータデータを分析し、可変パラメータデータの次元数Ｍｖが、予め定められた閾値ＴＨｖよりも大きいか否かを判断する。そして、第一の次元削減部１２６は、次元数Ｍｖが閾値ＴＨｖよりも大きい場合に、可変パラメータデータを閾値ＴＨｖ以下の次元数Ｌｖで表現した第一の特徴量データに変換する次元削減処理である第一の次元削減処理を行う。ここで、閾値ＴＨｖが第一の次元に対応する。また、次元数Ｌｖが２以上である場合には、第一の特徴量データに含まれている複数の次元の第一の特徴量を、第一の特徴量セットともいう。
　具体的には、加工番号ｎに対応する第一の特徴量データのｘ次元目の要素をａｖｎｘとすると、ａｖｎｘは、可変パラメータｑｎ１、ｑｎ２、・・・、ｑｎＭｖの関数となるから、以下の（１）式で表される。
　ａｖｎｘ＝ｆｘ（ｑｎ１、ｑｎ２、・・・、ｑｎＭｖ）　　　　　　　　　（１）
　ここで、ｆｘは、可変パラメータを第一の特徴量データのｘ次元目の要素に変換する関数を表している。ここでの要素が第一の特徴量となる。
　この次元削減処理として、例えば、主成分分析を用いることが考えられる。この場合、主成分分析によって得られた各主成分が特徴量となる。この際、共分散行列の固有値の大きい順に第一主成分から第ｋ主成分までを抽出し、残りの主成分を除去すれば次元を削減することができる。ただし、ｋ＜Ｍｖとする。
　ニューラルネットワークを用いたオートエンコーダもまた、次元削減処理の好適な例のひとつである。この場合は、オートエンコーダのエンコーダネットワークの出力が特徴量となる。ここでエンコーダネットワークとは、オートエンコーダを構成するニューラルネットワークの一部であり、エンコーダ処理に関わるサブネットワークを意味している。
　加工結果の評価値と、評価値に対応する加工条件とに基づいて、加工が実施されていない加工条件に対応する評価値を予測した予測値を求め、予測値に基づいて最適加工条件を計算する技術をブラックボックス最適化という。ブラックボックス最適化の一種であるベイズ最適化における次元削減処理として、ランダム行列を使って低次元空間を高次元に埋め込むＲａｎｄｏｍ　ＥＭｂｅｄｄｉｎｇ　Ｂａｙｅｓｉａｎ　Ｏｐｔｉｍｉｚａｔｉｏｎ（ＲＥＭＢＯ）、又は、探索空間を一次元空間に制限するＬｉｎｅ　Ｂａｙｅｓｉａｎ　Ｏｐｔｉｍｉｚａｔｉｏｎ（ＬＩＮＥＢＯ）等の処理が知られているが、これらも実施の形態１における次元削減処理として用いることができる。
　ここで、ＲＥＭＢＯについては、下記の文献１、ＬＩＮＥＢＯについては、下記の文献２に詳細に記載されている。
　文献１：Ｗａｎｇ，　Ｚｉｙｕ，ｅｔ　ａｌ．　“Ｂａｙｅｓｉａｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｎ　ｈｉｇｈ　ｄｉｍｅｎｓｉｏｎｓ　ｖｉａ　ｒａｎｄｏｍ　ｅｍｂｅｄｄｉｎｇｓ．”　Ｔｗｅｎｔｙ－Ｔｈｉｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｇｅｎｃｅ．　２０１３
　文献２：Ｋｉｒｓｃｈｎｅｒ，　Ｊｏｈａｎｎｅｓ，　ｅｔ　ａｌ．　“Ａｄａｐｔｉｖｅ　ａｎｄ　Ｓａｆｅ　Ｂａｙｅｓｉａｎ　Ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｎ　Ｈｉｇｈ　Ｄｉｍｅｎｓｉｏｎｓ　ｖｉａ　Ｏｎｅ－Ｄｉｍｅｎｓｉｏｎａｌ　Ｓｕｂｓｐａｃｅｓ．”　ａｒＸｉｖ　ｐｒｅｐｒｉｎｔ　ａｒＸｉｖ：１９０２．０３２２９　（２０１９）
　また、この他の次元削減処理として、多次元尺度構成法、独立成分分析、非負値行列因子分析（ＮＭＦ）、局所線形埋め込み法（ＬＬＥ）、局所性保存射影（ＬＰＰ）、ラプラス固有写像（ＬＥＰ）、カーネル主成分分析、Ｋａｒｈｕｎｅｎ－Ｌｏｅｖｅ展開、ｔ－ＳＮＥ（ｔ－ｄｉｓｔｒｉｂｕｔｅｄ　Ｓｔｏｃｈａｓｔｉｃ　Ｎｅｉｇｈｂｏｒ　Ｅｍｂｅｄｄｉｎｇ）等の処理が用いられてもよい。
　なお、第一の次元削減部１２６は、可変パラメータデータの次元数Ｍｖが閾値ＴＨｖ以下である場合は、次元削減を行わず、可変パラメータデータそのものを第一の特徴量データとする。
　そして、第一の次元削減部１２６は、第一の特徴量データを機械学習部１２８に与える。
　第二の次元削減部１２７は、固定パラメータデータで示される一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、複数の加工条件に対応する一又は複数の第二の特徴量を生成する第二の次元処理部である。ここでは、第二の次元削減部１２７は、複数の固定パラメータの次元が第二の次元よりも大きい場合に、複数の固定パラメータの次元を削減することで、第二の特徴量を生成する。
　例えば、第二の次元削減部１２７は、パラメータ選別部１２５によって生成された固定パラメータデータを分析し、固定パラメータデータの次元数Ｍｆが、予め定められた閾値ＴＨｆよりも大きいか否かを判断する。第二の次元削減部１２７は、次元数Ｍｆが閾値ＴＨｆよりも大きい場合は、固定パラメータデータを閾値ＴＨｆ以下の次元数Ｌｆで表現した第二の特徴量データに変換する次元削減処理である第二の次元削減処理を行う。次元削減の具体的な処理は、第一の次元削減部１２６と同様である。ここで、次元数Ｍｆが第二の次元に対応する。また、次元数Ｌｆが２以上である場合には、第二の特徴量データに含まれている複数の次元の第二の特徴量を、第二の特徴量セットともいう。
　加工番号ｎの固定パラメータに対する、第二の特徴量データのｘ次元目の要素をａｆｎｘとすると、ａｆｎｘは、固定パラメータ値ｒｎ１，ｒｎ２，・・・，ｒｎＭｆの関数となるから以下の（２）式で表される。
　ａｆｎｘ＝ｈｘ（ｒｎ１，ｒｎ２，・・・，ｒｎＭｆ）　　　　　　　　（２）
　ここで、ｈｘは、固定パラメータを第二の特徴量データのｘ次元目の要素に変換する関数を表している。ここでの要素が第二の特徴量となる。
　また、固定パラメータデータの次元数Ｍｆが閾値ＴＨｆ以下である場合は、第二の次元削減部１２７は、次元削減を行わず、固定パラメータデータそのものを第二の特徴量データとする。
　そして、第二の次元削減部１２７は、第二の特徴量データを機械学習部１２８に与える。
　なお、固定パラメータは、後述する最適加工条件探索部１３２における探索対象とならないので、固定パラメータデータの次元数Ｍｆが大きい場合であっても、第二の次元削減処理を省略し、固定パラメータデータそのものを第二の特徴量データとしてもよい。
　機械学習部１２８は、一又は複数の第一の特徴量、一又は複数の第二の特徴量及び複数の評価値の関係を学習することで、学習モデルを生成する。
　例えば、機械学習部１２８は、第一の次元削減部１２６より与えられる第一の特徴量データと、第二の次元削減部１２７より与えられる第二の特徴量データと、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている評価値とから、各特徴量を入力値、評価値を応答値とみなして両者の関係性を学習し、これを数理モデルで表現した学習モデルを生成する。
　学習モデルは、例えば、評価値が連続値又は離散値等の数値であれば回帰モデル、カテゴリ値又は論理値であれば分類モデルを適用することができる。新たな入力値、すなわち各特徴量の値が与えられたとき、これを学習モデルに入力すれば、これに対する加工結果の評価値の予測値を算出することができる。このような学習モデルを生成するための学習アルゴリズムの具体例は、線形回帰、非線形回帰、回帰木、モデル木、サポートベクター回帰、遺伝子プログラミング、ガウス過程回帰、線形判別分析、ロジスティック回帰、ｋ近傍法、サポートベクターマシン、決定木、ランダムフォレスト又はニューラルネットワーク等である。
　モデル記憶部１２９は、機械学習部１２８で生成された学習モデルを記憶する。
　固定パラメータ記憶部１３０は、探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータを記憶する。固定パラメータ記憶部１３０に記憶されている一又は複数の固定パラメータを一又は複数の対象固定パラメータともいう。また、固定パラメータ記憶部１３０に記憶されている一又は複数の固定パラメータを示すデータを固定パラメータデータ又は対象固定パラメータデータともいう。
　例えば、固定パラメータ記憶部１３０に記憶される固定パラメータについては、使用者の指示で設定されたり、特定の条件で自動的に設定されるようにしたり、図示しない通信手段を通じて別の機器から入力されるようにすればよい。
　なお、選別フラグ記憶部１２４に記憶されている選別フラグ又は固定パラメータ記憶部１３０に記憶されている固定パラメータは、後述の探索手順が一通り実施された後に、変更できるようにしてもよい。
　第三の次元削減部１３１は、固定パラメータ記憶部１３０に記憶されている一又は複数の固定パラメータから、第二の次元以下の第三の特徴量を生成する第三の次元処理部である。ここでは、第三の次元削減部１３１は、その複数の固定パラメータの次元が第二の次元よりも大きい場合に、その複数の固定パラメータの次元を削減することで、第三の特徴量を生成する。
　例えば、第三の次元削減部１３１は、固定パラメータ記憶部１３０に記憶されている固定パラメータデータを分析し、固定パラメータデータの次元数Ｍｆが閾値ＴＨｆよりも大きいか否かを判断する。第三の次元削減部１３１は、次元数Ｍｆが閾値ＴＨｆよりも大きい場合は、固定パラメータデータを次元数Ｍｆ以下の次元数Ｌｆで表現した第三の特徴量データに変換する次元削減処理である第三の次元削減処理を行う。第三の次元削減処理は第二の次元削減部１２７で行われる第二の次元削減処理と同一の次元削減処理である。第三の特徴量データは、最適加工条件探索部１３２に与えられる。なお、次元数Ｌｆが２以上である場合には、第三の特徴量データに含まれている複数の第三の特徴量を、第三の特徴量セットともいう。
　第二の次元削減処理が主成分分析であれば、第三の次元削減部１３１は、その際に使用された固有値と、固有ベクトルとを用いて主成分を第二の特徴量データと同数抽出すればよい。
　また、第二の次元削減処理がオートエンコーダを使用している場合は、第三の次元削減部１３１は、第二の次元削減部１２７と同一のエンコーダネットワークに固定パラメータを入力し、その出力を第三の特徴量とすればよい。
　なお、固定パラメータデータの次元数Ｍｆが所定の閾値ＴＨｆ以下である場合、第三の次元削減部１３１は、第三の次元削減処理を行わずに、固定パラメータ記憶部１３０から読みだした固定パラメータデータそのものを第三の特徴量データとして、最適加工条件探索部１３２に与える。
　最適加工条件探索部１３２は、第三の特徴量及び学習モデルを使用して、対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索する探索部である。
　例えば、最適加工条件探索部１３２は、モデル記憶部１２９に記憶されている学習モデルを用いて、最適加工条件を探索する。この際、最適加工条件探索部１３２は、第三の次元削減部１３１から与えられる第三の特徴量データと、予め定められた方法で生成された複数の可変パラメータの特徴量の候補とを学習モデルへの入力として与え、これに対する学習モデルの応答として得られた評価値の予測値を取得する。そして、最適加工条件探索部１３２は、最も良好な予測値を与える候補を最適加工条件として、次元復元部１３３に与える。なお、最適加工条件に含まれている候補が最適値に相当する。
　次元復元部１３３は、最適値及び一又は複数の対象固定パラメータから、対象加工条件として探索された加工条件である探索加工条件を特定する特定部である。ここでは、次元復元部１３３は、複数の可変パラメータの次元が第一の次元よりも大きい場合に、最適値から複数の可変パラメータの次元と同一の次元となるようにパラメータを復元する。
　例えば、次元復元部１３３は、可変パラメータデータの次元数Ｍｖが閾値ＴＨｖよりも大きい場合に、最適加工条件探索部１３２から与えられた最適加工条件を、可変パラメータに変換する。例えば、変換後のｘ次元目の可変パラメータ値をｑｘ ＊、最適加工条件として出力された可変パラメータの特徴量のｙ次元目の要素をａｖｙ ＊とすると、ｑｘ ＊はａｖ１ ＊，ａｖ２ ＊，・・・，ａｖＬｖ ＊の関数となるから以下の（３）式で表される。
　ｑｘ ＊＝ｇ（ａｖ１ ＊，ａｖ２ ＊，・・・，ａｖＬｖ ＊）　　　　　　　（３）
　ここで、ｇは、特徴量を可変パラメータに変換する関数を表している。例えば、次元圧縮処理が主成分分析であれば、次元復元部１３３は、次元圧縮処理で使用された固有値と、固有ベクトルとを用いて、最適加工条件を可変パラメータに変換することができる。
　また、次元圧縮処理がオートエンコーダであれば、次元復元部１３３は、デコーダネットワークに特徴量を入力すれば、出力として可変パラメータを得ることができる。ここでデコーダネットワークとは、オートエンコーダを構成するニューラルネットワークの一部であり、デコーダ処理に関わるサブネットワークを意味している。
　なお、次元復元部１３３は、可変パラメータデータの次元数Ｍｖが閾値ＴＨｖよりも小さい場合、次元復元は行わず最適加工条件探索部１３２から与えられた最適加工条件を、そのまま可変パラメータとする。
　加工条件指令部１３４は、探索加工条件を加工機１１０に与えて、加工機１１０に探索加工条件で加工を行わせるとともに、加工結果評価情報に探索加工条件を追加する。
　例えば、加工条件指令部１３４は、次元復元部１３３から与えられた可変パラメータと、固定パラメータ記憶部１３０から読みだした固定パラメータとを合わせて加工条件とし、その加工条件で加工を行うように加工機１１０に指令する。また、加工条件指令部１３４は、その加工条件を加工結果評価記憶部１２３に記憶されている加工結果評価情報に格納する。
　この際、図示しない入力部を介して、使用者が加工条件を任意に修正できるようにしてもよい。その場合、使用者が修正を施した加工条件が、加工条件指令部１３４から加工機１１０及び加工結果評価記憶部１２３に出力される。
　以上のようにして、加工条件探索装置１２０から加工条件が与えられると、加工機１１０は、その加工条件に従って、加工を実施する。そして、加工機１１０は、その加工の結果を示す加工結果情報を加工条件探索装置１２０に与える。
　次に、加工条件探索装置１２０のハードウェア構成を説明する。
　図２に示されている加工結果取得部１２１、加工結果評価部１２２、パラメータ選別部１２５、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４は、それぞれ処理回路により実現することができる。
　処理回路は、プロセッサを備える回路であってもよいし、専用のハードウェアであってもよい。また、これらは、これらをクラウド等のコンピュータネットワーク上で接続して構成した分散コンピューティング環境において実現されてもよい。言い換えると、加工条件探索装置１２０は、コンピュータにより実現されてもよい。
　加工結果評価記憶部１２３、選別フラグ記憶部１２４、モデル記憶部１２９及び固定パラメータ記憶部１３０は、記憶装置によって実現することができる。
　記憶装置は、ＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＳＲＡＭ（Ｓｔａｔｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）若しくはフラッシュメモリ等の半導体メモリ、磁気ディスク、光学ディスク若しくは磁気テープ等の記録媒体、又は、コンピュータネットワーク上のデータストレージが該当する。
　図５は、加工条件探索装置１２０のハードウェア構成例を示すブロック図である。
　上述した処理回路１４０は、例えば、プロセッサ１４１及びメモリ１４２を備える。
　加工条件探索装置１２０の各部が処理回路１４０によって実現される場合、プロセッサ１４１が、メモリ１４２に格納されたプログラムを読み出して実行することにより、加工結果取得部１２１、加工結果評価部１２２、パラメータ選別部１２５、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４が実現される。
　言い換えると、加工条件探索装置１２０の各部が処理回路１４０によって実現される場合、加工結果取得部１２１、加工結果評価部１２２、パラメータ選別部１２５、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４は、ソフトウェアであるプログラムを用いて実現される。
　このようなプログラムは、ネットワークを通じて提供されてもよく、また、記録媒体に記録されて提供されてもよい。即ち、このようなプログラムは、例えば、プログラムプロダクトとして提供されてもよい。
　また、加工結果評価記憶部１２３、選別フラグ記憶部１２４、モデル記憶部１２９及び固定パラメータ記憶部１３０は、メモリ１４２により実現される。
　メモリ１４２は、プロセッサ１４１の作業領域としても使用される。
　プロセッサ１４１は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等である。メモリ１４２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ等の、不揮発性又は揮発性の半導体メモリ、磁気ディスク等が該当する。
　なお、加工結果取得部１２１、加工結果評価部１２２、パラメータ選別部１２５、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４を実現する処理回路が、専用ハードウェアである場合、その処理回路は、例えば、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）である。
　加工条件探索装置１２０の各部は、プロセッサを備える処理回路及び専用ハードウェアを組み合わせて実現されてもよい。または、加工条件探索装置１２０は、クラウド等のコンピュータネットワークにより、上述したようなプロセッサを備える処理回路あるいは専用ハードウェアを複数接続することで実現されてもよい。
　言い換えると、加工条件探索装置１２０の各部は、処理回路網により実現することができる。
　次に、実施の形態１に係る加工システム１００の動作について説明する。
　図６は、実施の形態１に係る加工システム１００の動作を示すフローチャートである。
　まず、選別フラグ記憶部１２４は、選別フラグを記憶する（Ｓ１０）。ここでは、例えば、加工システム１００の使用者が図示しない入力部を介して、加工機１１０で使用する複数のパラメータの各々の種別について、可変パラメータであるか、固定パラメータであるかを設定することで、その設定に従って選別フラグを記憶させればよい。
　次に、固定パラメータ記憶部１３０は、ステップＳ１０で記憶された選別フラグによって変更不可能な固定パラメータに指定されたパラメータについて、その値を固定パラメータデータとして記憶する（Ｓ１１）。この固定パラメータデータも、また、例えば、図示しない入力部を介して、使用者の指示で設定されればよい。
　次に、パラメータ選別部１２５は、加工結果評価記憶部１２３から複数のパラメータを読み出し、選別フラグ記憶部１２４に記憶されている選別フラグを参照することで、その複数のパラメータの各々を、可変パラメータ又は固定パラメータに選別する（Ｓ１２）。そして、パラメータ選別部１２５は、選別された可変パラメータを示す可変パラメータデータ及び選別された固定パラメータを示す固定パラメータデータを生成し、可変パラメータデータを第一の次元削減部１２６に与え、固定パラメータデータを第二の次元削減部１２７に与える。
　第一の次元削減部１２６は、パラメータ選別部１２５によって生成された可変パラメータデータを分析し、可変パラメータデータの次元数Ｍｖが閾値ＴＨｖよりも大きいか否かを判断する（Ｓ１３）。次元数Ｍｖが閾値ＴＨｖよりも大きい場合（Ｓ１３でＹｅｓ）には、処理はステップＳ１４に進み、次元数Ｍｖが閾値ＴＨｖ以下の場合（Ｓ１３でＮｏ）には、処理はステップＳ１５に進む。なお、次元数Ｍｖが閾値ＴＨｖ以下の場合（Ｓ１３でＮｏ）には、第一の次元削減部１２６は、次元削減を行わずに、可変パラメータデータそのものを第一の特徴量データとして機械学習部１２８に与える。
　ステップＳ１４では、第一の次元削減部１２６は、可変パラメータデータを、閾値ＴＨｖよりも小さい次元数Ｌｖで表現した第一の特徴量データに変換する。
　ステップＳ１５では、第二の次元削減部１２７は、パラメータ選別部１２５によって選別された固定パラメータデータを分析し、固定パラメータデータの次元数Ｍｆが閾値ＴＨｆよりも大きいか否かを判断する。次元数Ｍｆが閾値ＴＨｆよりも大きい場合（Ｓ１５でＹｅｓ）には、処理はステップＳ１６に進み、次元数Ｍｆが閾値ＴＨｆ以下の場合（Ｓ１５でＮｏ）には、処理はステップＳ１７に進む。なお、次元数Ｍｆが閾値ＴＨｆ以下の場合（Ｓ１５でＮｏ）には、第二の次元削減部１２７は、次元削減を行わずに、固定パラメータデータそのものを第二の特徴量データとして機械学習部１２８に与える。
　ステップＳ１６では、第二の次元削減部１２７は、固定パラメータデータを、閾値ＴＨｆよりも少ない次元数Ｌｆで表現した第二の特徴量データに変換する。
　ステップＳ１７では、第三の次元削減部１３１は、固定パラメータ記憶部１３０に記憶されている固定パラメータデータの次元数Ｍｆが閾値ＴＨｆよりも大きいか否かを判断する。次元数Ｍｆが閾値ＴＨｆよりも大きい場合（Ｓ１７でＹｅｓ）には、処理はステップＳ１８に進み、次元数Ｍｆが閾値ＴＨｆ以下の場合（Ｓ１７でＮｏ）には、処理はステップＳ１９に進む。なお、次元数Ｍｆが閾値ＴＨｆ以下の場合（Ｓ１７でＮｏ）には、第三の次元削減部１３１は、次元削減を行わずに、固定パラメータデータそのものを第三の特徴量データとして最適加工条件探索部１３２に与える。
　ステップＳ１８では、第三の次元削減部１３１は、固定パラメータ記憶部１３０から固定パラメータデータを読み出し、これに対して第二の次元削減部１２７と同一の次元削減処理を行うことで第三の特徴量データに変換し、その第三の特徴量データを最適加工条件探索部１３２に与える。
　ステップＳ１９では、機械学習部１２８は、第一の次元削減部１２６より与えられる第一の特徴量データと、第二の次元削減部１２７より与えられる第二の特徴量データと、加工結果評価記憶部１２３に記憶されている加工結果評価記憶部に記憶されている加工結果評価情報に含まれている複数の評価値とを読み込み、各特徴量を入力値、その評価値を応答値とみなして両者の関係性を学習し、これを数理モデルで表現した学習モデルを生成する。生成された学習モデルは、モデル記憶部１２９に記憶される。
　次に、最適加工条件探索部１３２は、モデル記憶部１２９に記憶されている学習モデルを用いて最適加工条件を探索する（Ｓ２０）。この際、最適加工条件探索部１３２は、第三の次元削減部１３１から与えられた第三の特徴量データと、予め定められた方法で生成された複数の可変パラメータの特徴量の候補を学習モデルへの入力値として与え、これに対する学習モデルの応答として得られた評価値の予測値を取得し、最も良好な予測値を与える候補を最適加工条件とする。
　図７は、実施の形態１における探索方法を説明するための概略図である。
　図７では、評価値が可変パラメータの特徴量ａｖと、固定パラメータの特徴量ａｆとによって決定される場合の例として、可変パラメータの特徴量ａｖを横軸、固定パラメータの特徴量ａｆを縦軸とするグラフが示されている。
　図７において、四角形で示されている点Ｐ０１～Ｐ０６は、加工結果評価記憶部１２３に記憶されている探索済みの加工条件を示している。
　また領域Ｒ１１、領域Ｒ１２及び領域Ｒ１３は、探索済みの加工条件のデータを基に機械学習部１２８が学習し生成した学習モデルにより、加工結果が不良、良及び最良と予測される領域をそれぞれ表している。ここでは一例として評価値が不良率であるものとする。そして、評価値が、０％から１００％までの連続値をとるものとして、不良率１％未満を最良、５％未満を良、５％以上を不良と定義する。このため、領域Ｒ１１における評価値の予測値は、５％以上、領域Ｒ１２における評価値の予測値は、１％以上で、５％未満、領域Ｒ１３における評価値の予測値は、１％未満となる。
　なお、これらの領域は自明ではなく、各々の座標に対応する可変パラメータの特徴量の値ａｖ及び固定パラメータの特徴量の値ａｆを学習モデルに入力し、これに対する予測値を取得してはじめて観測できるものであるという点に注意する必要がある。
　いま、ある第三の特徴量が固定パラメータの特徴量の値としてａｆ＊を示しているとすると、探索空間は、図７に示されている破線Ｌ上となる。探査空間の次元数はすなわち可変パラメータの特徴量、言い換えると第一の特徴量の次元数に等しい。この例では簡便な図で説明するため可変パラメータの特徴量を１次元としているが、２次元以上の場合は探索空間もまた２次元以上となる。
　探索候補は、このように第三の特徴量によって制限された探索空間上の点から選択されるが、その選択方法は任意の手段が用いられてもよい。例えば、グリッドサーチのように探索空間を所定の間隔で格子状に区切り、各々の格子点を探索候補とするようにしてもよいし、ランダムサーチのように探索空間上の任意の点を所定の数だけ無作為に選ぶようにしてもよい。あるいは、山登り法、焼きなまし法、粒子群最適化法又はベイズ最適化等の手法により、１点ずつ候補点を選出しながらその予測値を求め、この結果を基に次の候補点を定めるような、逐次最適化手法が用いられてもよい。
　破線Ｌ上において、三角で示されている点Ｐ２１、丸で示されている点Ｐ２２及び二重丸で示されている点Ｐ２３は、予め定められた方法で選定された探索候補を表しており、それぞれの点の横軸座標が可変パラメータの特徴量の候補となる。
　いま、三角で示された点Ｐ２１に対応する第一の探索候補において予測された不良率が５％以上、例えば１２％であるものとする。丸で示された点Ｐ２２に対応する第二の探索候補において予測された不良率が１％以上５％未満、例えば３％であるものとする。二重丸で示された点Ｐ２３に対応する第三の探索候補において予測された不良率が１％未満、例えば０．２％であったものとする。このとき、最適加工条件探索部１３２は、点Ｐ２３で示される第三の探索候補を最良と判断して、その候補における可変パラメータの特徴量ａｖ＊を最適加工条件として次元復元部１３３に与える。
　なお、機械学習部１２８が生成する学習モデルがガウス過程回帰モデルであれば、最適加工条件探索部１３２は、これを用いて評価値の予測値だけでなく、その信頼区間も計算することが可能である。そして、最適加工条件探索部１３２は、計算された信頼区間に基づいて計算される獲得関数により、任意の未探索点について、探索すべきか否かを示すスコアを計算することができる。このような場合、最適加工条件探索部１３２は、獲得関数によって計算されるスコアが最大となるような探索点における、可変パラメータの特徴量を最適加工条件とするようにしてもよい。
　以上のように、最適加工条件探索部１３２は、固定パラメータの特徴量を保持したまま、可変パラメータの特徴量についてのみ最適な候補を選択し最適加工条件とするため、固定パラメータを変更することなく可変パラメータについてのみ探索することが可能となる。また、最適加工条件探索部１３２は、学習モデルにより最良の結果が得られると予測された候補を最適加工条件として選出するので、加工機１１０による実際の試行をより少なくし、効率的な加工条件の探索を可能にする。
　図６に戻り、次元復元部１３３は、可変パラメータデータの次元数Ｍｖが閾値ＴＨｖよりも大きいか否かを判断する（Ｓ２１）。可変パラメータデータの次元数Ｍｖが閾値ＴＨｖよりも大きい場合（Ｓ２１でＹｅｓ）には、処理はステップＳ２２に進み、可変パラメータデータの次元数Ｍｖが閾値ＴＨｖ以下である場合（Ｓ２１でＮｏ）には、処理はステップＳ２３に進む。
　ステップＳ２２では、次元復元部１３３は、最適加工条件探索部１３２から与えられた最適加工条件を、可変パラメータに変換する。そして、次元復元部１３３は、その可変パラメータと、固定パラメータ記憶部１３０から読みだした固定パラメータとを合わせた加工条件を探索加工条件として加工条件指令部１３４に与える。
　一方、ステップＳ２１でＮｏの場合には、次元復元部１３３は、次元復元を行わずに、最適加工条件探索部１３２から与えられた最適加工条件を、そのまま可変パラメータとし、その可変パラメータと、固定パラメータ記憶部１３０から読みだした固定パラメータとを合わせた加工条件を探索加工条件として加工条件指令部１３４に与える。
　次に、加工条件指令部１３４は、次元復元部１３３から与えられた加工条件で加工を行うように加工機１１０に指令する（Ｓ２３）。また、加工条件指令部１３４は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に、この加工条件を追加する。
　なお、この際、図示しない入力部を介して使用者が加工条件を任意に修正できるようにしてもよい。この場合、使用者が修正を施した加工条件が、加工条件指令部１３４から加工機１１０及び加工結果評価記憶部１２３に与えられる。
　次に、加工機１１０は、加工条件指令部１３４から与えられた加工条件に従って加工を実施する（Ｓ２４）。
　そして、加工結果取得部１２１は、加工機１１０から、加工結果情報を取得する（Ｓ２５）。
　加工結果評価部１２２は、加工結果取得部１２１が取得した加工結果情報に基づいて加工結果の評価値を定める（Ｓ２６）。
　そして、加工結果評価部１２２は、その評価値を、加工結果評価記憶部１２３に記憶されている加工結果評価情報に、加工条件指令部１３４により追加された加工条件に対応付けて格納する。
　そして、パラメータ選別部１２５は、処理を終了するか否かを判断する（Ｓ２８）。処理を終了しない場合（Ｓ２８でＮｏ）は、処理はステップＳ１２に戻り、上述の処理が繰り返される。処理を終了するか否かについては、任意の方法で判断されればよい。例えば、任意の反復回数の上限が定められていてもよいし、又は、使用者が加工結果を見て終了を指示できるようにしてもよい。さらに、何らかの基準に従い、加工条件探索装置１２０が自ら探索を終了できるようにしてもよい。
　以上のように、実施の形態１によれば、加工条件を、固定パラメータと、可変パラメータとに分けて個別に次元削減を行って各々の特徴量に変換し、固定パラメータの特徴量を保持したまま、可変パラメータの特徴量について最適加工条件を探索するようにしたので、加工条件を構成するパラメータが高次元であり、かつ、その一部が変更不可能なパラメータであっても、変更可能なパラメータについてのみ効率的に最適値を探索することができる。
　また、実施の形態１によれば、可変パラメータが高次元であっても、可変パラメータを次元削減して得られた、可変パラメータよりも低次元な可変パラメータの特徴量に対して最適加工条件を探索するようにしたことで、探査空間が低次元となり、最適加工条件の探索が容易になる。
　また、実施の形態１によれば、加工条件を構成するパラメータが高次元であっても、次元削減によって得られた、より低次元な特徴量に基づいて機械学習及び最適加工条件の探索を行うようにしたことで、これらの処理に要する計算能力又はメモリ容量を軽減することができる。
　また、実施の形態１によれば、学習モデルにより最良の結果が得られると予測された候補を最適加工条件として選出するので、加工機１１０による実際の試行をより少なくし、効率的な加工条件の探索を可能にすることができる。
　また、実施の形態１によれば、加工条件と、評価値との関係を学習する機械学習において、最適加工条件の探索対象となる、可変パラメータの特徴量だけでなく、固定パラメータの特徴量も用いて機械学習を行って学習モデルを作成するようにし、固定パラメータも加味して加工結果の評価値を予測できるようにしたことで、予測精度を向上することができる。
実施の形態２．
　実施の形態１では、選別フラグに従って可変パラメータと固定パラメータとを選別している。しかしながら、選別フラグにおいて可変パラメータに選別されたパラメータであっても、固定パラメータとの相関性が高く、固定パラメータに振り分け可能なパラメータが存在する。実施の形態２では、そのようなパラメータを自動的に識別して、固定パラメータに振り分けする。
　図１に示されているように、実施の形態２に係る加工システム２００は、加工機１１０と、加工条件探索装置２２０とを備える。
　実施の形態２に係る加工システム２００における加工機１１０は、実施の形態１に係る加工システム１００における加工機１１０と同様である。
　図２に示されているように、実施の形態２における加工条件探索装置２２０は、加工結果取得部１２１と、加工結果評価部１２２と、加工結果評価記憶部１２３と、選別フラグ記憶部１２４と、パラメータ選別部２２５と、第一の次元削減部１２６と、第二の次元削減部１２７と、機械学習部１２８と、モデル記憶部１２９と、固定パラメータ記憶部１３０と、第三の次元削減部１３１と、最適加工条件探索部１３２と、次元復元部１３３と、加工条件指令部１３４とを備える。
　実施の形態２における加工条件探索装置２２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４は、実施の形態１における加工条件探索装置２２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４と同様である。
　パラメータ選別部２２５は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている複数のパラメータの各々を、可変パラメータ又は固定パラメータに選別し、選別された可変パラメータを示す可変パラメータデータ及び選別された固定パラメータを示す固定パラメータデータを生成する。
　図８は、実施の形態２におけるパラメータ選別部２２５の構成を概略的に示すブロック図である。
　パラメータ選別部２２５は、初期振分部２５０と、パラメータデータ記憶部２５１と、パラメータ振分部２５４と、出力部２５８とを備える。
　初期振分部２５０は、選別フラグを参照することで、複数のパラメータを、複数の可変パラメータ及び一又は複数の固定パラメータに振り分ける。ここで、初期振分部２５０により可変パラメータに振り分けられたパラメータを初期可変パラメータともいい、初期振分部２５０により固定パラメータに振り分けられたパラメータを初期固定パラメータともいう。
　例えば、初期振分部２５０は、選別フラグ記憶部１２４から読み出された選別フラグに従い、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている複数のパラメータの各々を、固定パラメータ又は可変パラメータに、初期状態として振分けることで、振り分けられた可変パラメータを示す可変パラメータデータ及び振り分けられた固定パラメータを示す固定パラメータデータを生成する。
　そして、初期振分部２５０は、可変パラメータデータ及び固定パラメータをパラメータデータ記憶部２５１に記憶させる。
　パラメータデータ記憶部２５１は、初期振分部２５０により生成された可変パラメータデータを記憶する可変パラメータデータ記憶部２５２と、初期振分部２５０により生成された固定パラメータデータを記憶する固定パラメータデータ記憶部２５３とを備える。
　パラメータ振分部２５４は、初期振分部２５０により初期状態として振り分けられた可変パラメータ及び固定パラメータを、最終的に振り分ける。
　パラメータ振分部２５４は、相関性分析部２５５と、再振分部２５６とを備える。
　相関性分析部２５５は、複数の初期可変パラメータの各々と、一又は複数の初期固定パラメータの各々との複数の組み合わせを特定し、その複数の組み合わせの各々の相関性を分析する。
　例えば、相関性分析部２５５は、可変パラメータデータ記憶部２５２に記憶された可変パラメータデータと、固定パラメータデータ記憶部２５３に記憶された固定パラメータデータについて、パラメータの種別毎に組み合わせて、そのパラメータ間の相関性を分析する。
　具体的には、図４（Ａ）に示されているように、可変パラメータデータ記憶部２５２には過去のＮ回の加工について、Ｍｖ種の可変パラメータデータ１０２が記憶され、図４（Ｂ）に示されているように、固定パラメータデータ記憶部２５３にはＭｆ種の固定パラメータデータ１０３がそれぞれ記憶されているとする。この場合、次の（４）式で表される相関性スコアφｘｙが全てのｘ及びｙの組み合わせについて計算される。
　φｘｙ＝Φ（Ｑｘ，Ｒｙ）　　　　　　　　　　　　　　　　　　（４）
　ただし、１＜ｘ＜Ｍｖ，１＜ｙ＜Ｍｆであり、Ｑｘは可変パラメータデータ１０２の内、パラメータ番号ｘの過去Ｎ回分の可変パラメータ値ｑ１ｘ，ｑ２ｘ，・・・，ｑＮｘを要素とするベクトル、Ｒｙは固定パラメータデータ１０３の内、パラメータ番号ｙの過去Ｎ回分の固定パラメータ値ｒ１ｙ，ｒ２ｙ，・・・，ｒＮｙを要素とするベクトルである。
　また、関数Φは、ベクトル間の相関性を表す数値を出力する関数である。相関性スコアφｘｙの具体例は相関係数の絶対値や交差エントロピー、ＫＬ（Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ）情報量又はその他の相互情報量等である。
　図９（Ａ）及び（Ｂ）は、ＱｘとＲｘとの相関性が低い場合と、高い場合との例を示している。
　図９（Ａ）は、ＱｘとＲｘとの相関性が低い場合を示しており、図９（Ｂ）は、ＱｘとＲｘとの相関性が高い場合を示している。
　なお、図９（Ａ）及び（Ｂ）に示されているグラフでは、縦軸は、パラメータ番号ｘの可変パラメータを示し、横軸は、パラメータ番号ｙの固定パラメータを示す。
　図９（Ａ）に示されているように、相関性が低い場合は、可変パラメータと、固定パラメータとは、ほぼ無相関に分布しているのに対し、図９（Ｂ）に示されているように、相関性が高い場合は、可変パラメータと、固定パラメータとの間に一定の関係が認められる。言い換えると、後者の場合、可変パラメータは、固定パラメータに連動しているとみなすことができる。また、後者の場合、可変パラメータは、固定パラメータが決定されたときに自動的に値が定まるパラメータであると見なすこともできる。このため、そのような可変パラメータは、固定パラメータに含めてしまうことができる。これは逆相関の場合も同様である。
　従って、再振分部２５６は、相関性分析部２５５が計算した相関性スコアに基づいて、可変パラメータデータの再振り分けを行う。具体的には、再振分部２５６は、予め定められた閾値ＴＨφに従い、φｘｙ＞ＴＨφを満たす可変パラメータを固定パラメータに振り分けて、そのような可変パラメータを固定パラメータデータ内に格納する。
　言い換えると、再振分部２５６は、複数の初期可変パラメータの各々と、一又は複数の初期固定パラメータの各々との複数の組み合わせの内、相関性が予め定められた閾値よりも高い組み合わせに含まれている初期可変パラメータを、初期固定パラメータに振り分け直すことで、振り分け後の複数の初期可変パラメータを複数の可変パラメータとして確定し、振り分け後の一又は複数の初期固定パラメータを一又は複数の固定パラメータとして確定する。
　出力部２５８は、再振分部２５６の再振分けが完了した後、パラメータデータ記憶部２５１に記憶されている可変パラメータデータを第一の次元削減部１２６に与え、固定パラメータデータを第二の次元削減部１２７に与える。
　図１０は、実施の形態２におけるパラメータ選別部２２５におけるパラメータ選別動作の一例を示すフローチャートである。
　まず、初期振分部２５０は、初期の振分けとして選別フラグ記憶部１２４に記憶されている加工結果評価情報に含まれている複数のパラメータを初期状態として振り分けることで、可変パラメータデータ及び固定パラメータデータを生成する（Ｓ３０）。生成された可変パラメータデータは、可変パラメータデータ記憶部２５２に記憶され、生成された固定パラメータデータは、固定パラメータデータ記憶部２５３に記憶される。
　次に、相関性分析部２５５は、可変パラメータデータ記憶部２５２に記憶された可変パラメータデータと、固定パラメータデータ記憶部２５３に記憶された固定パラメータデータについて、パラメータの種別毎に組み合わせて、そのパラメータ間の相関性を分析する（Ｓ３１）。ここでは、相関性スコアφｘｙが計算される。
　次に、再振分部２５６は、可変パラメータを識別するためのパラメータ番号ｘを「１」に初期化する（Ｓ３２）。
　そして、再振分部２５６は、パラメータ番号ｘが、最大値Ｍｖを超えるまで、以下の処理を繰り返し行う（Ｓ３３）。
　再振分部２５６は、固定パラメータを識別するためのパラメータ番号ｙを「１」に初期化する（Ｓ３４）。
　そして、再振分部２５６は、パラメータ番号ｙが、最大値Ｍｆを超えるまで、以下の処理を繰り返し行う（Ｓ３５）
　再振分部２５６は、相関性分析部２５５が計算した相関性スコアφｘｙが、予め定められた閾値ＴＨφを超えているか否かを判断する（Ｓ３６）。相関性スコアφｘｙが閾値ＴＨφを超えている場合（Ｓ３６でＹｅｓ）には、処理はステップＳ３７に進み、相関性スコアφｘｙが閾値ＴＨφ以下である場合（Ｓ３６でＮｏ）には、処理はステップＳ３８に進む。
　ステップＳ３７では、再振分部２５６は、相関性スコアφｘｙが閾値ＴＨφを超えたと判断された際のパラメータ番号ｘの可変パラメータＱｘを固定パラメータとして振分け直す。具体的には、再振分部２５６は、可変パラメータデータ記憶部２５２から可変パラメータＱｘを抜き出し、それを固定パラメータデータ記憶部２５３に記憶されている固定パラメータデータに追加する。
　ステップＳ３８では、再振分部２５６は、パラメータ番号ｙに「１」を加算する。
　そして、再振分部２５６は、パラメータ番号ｙが最大値Ｍｆ以下であるか否かを判断する（Ｓ３９）。パラメータ番号ｙが最大値Ｍｆ以下である場合（Ｓ３９でＹｅｓ）には、処理はステップＳ３５に戻り、パラメータ番号ｙが最大値Ｍｆを超えている場合（Ｓ３９でＮｏ）には、処理はステップＳ４０に進む。
　ステップＳ４０では、再振分部２５６は、パラメータ番号ｘに「１」を加算する。
　そして、再振分部２５６は、パラメータ番号ｘが最大値Ｍｖ以下であるか否かを判断する（Ｓ４１）。パラメータ番号ｘが最大値Ｍｖ以下である場合（Ｓ４１でＹｅｓ）には、処理はステップＳ３３に戻り、パラメータ番号ｘが最大値Ｍｖを超えている場合（Ｓ４１でＮｏ）には、処理はステップＳ４２に進む。
　ステップＳ４２では、出力部２５８は、パラメータデータ記憶部２５１に記憶されている可変パラメータデータ及び固定パラメータデータを出力する。
　以上のように、実施の形態２によれば、選別フラグに従って一旦、可変パラメータとして識別されたパラメータも、固定パラメータとの相関性を分析し、相関性が高い場合に固定パラメータに再振分けされる。これにより、より可変パラメータの次元を減らすことができ、最適加工条件の探索がしやすくなる。
実施の形態３．
　実施の形態２では、選別フラグにおいて可変パラメータとされたパラメータであっても、固定パラメータとの相関性が高い場合に、その可変パラメータを固定パラメータに振分けている。実施の形態３は、選別フラグにおいて可変パラメータとされたパラメータが加工結果に寄与するか否かを分析し、寄与しない可変パラメータを固定パラメータに振り分ける。
　図１に示されているように、実施の形態３に係る加工システム３００は、加工機１１０と、加工条件探索装置３２０とを備える。
　実施の形態３に係る加工システム３００における加工機１１０は、実施の形態１に係る加工システム１００における加工機１１０と同様である。
　図２に示されているように、実施の形態３における加工条件探索装置３２０は、加工結果取得部１２１と、加工結果評価部１２２と、加工結果評価記憶部１２３と、選別フラグ記憶部１２４と、パラメータ選別部３２５と、第一の次元削減部１２６と、第二の次元削減部１２７と、機械学習部１２８と、モデル記憶部１２９と、固定パラメータ記憶部１３０と、第三の次元削減部１３１と、最適加工条件探索部１３２と、次元復元部１３３と、加工条件指令部１３４とを備える。
　実施の形態３における加工条件探索装置３２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４は、実施の形態１における加工条件探索装置２２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４と同様である。
　パラメータ選別部３２５は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている複数のパラメータの各々を、可変パラメータ又は固定パラメータに選別し、選別された可変パラメータを示す可変パラメータデータ及び選別された固定パラメータを示す固定パラメータデータを生成する。
　図１１は、実施の形態３におけるパラメータ選別部３２５の構成を概略的に示すブロック図である。
　パラメータ選別部３２５は、初期振分部２５０と、パラメータデータ記憶部２５１と、パラメータ振分部３５４と、出力部２５８とを備える。
　実施の形態３におけるパラメータ選別部３２５の初期振分部２５０、パラメータデータ記憶部２５１及び出力部２５８は、実施の形態２におけるパラメータ選別部３２５の初期振分部２５０、パラメータデータ記憶部２５１及び出力部２５８と同様である。
　パラメータ振分部３５４は、初期振分部２５０により初期状態として振り分けられた可変パラメータ及び固定パラメータを、最終的に振り分ける。
　パラメータ振分部３５４は、再振分部３５６と、寄与度分析部３５７とを備える。
　寄与度分析部３５７は、複数の初期可変パラメータの各々の対応する評価値への寄与度を分析する。
　例えば、寄与度分析部３５７は、可変パラメータデータ記憶部２５２から可変パラメータデータを読み出し、加工結果評価記憶部１２３から可変パラメータデータに含まれている複数の可変パラメータの各々に対応する評価値を読み出す。そして、寄与度分析部３５７は、複数の可変パラメータの各々の、評価値への寄与度を分析する。
　例えば、図４（Ａ）に示されているように、可変パラメータデータ記憶部２５２には過去のＮ回の加工について、Ｍｖ種の可変パラメータデータ１０２が記憶されているとする。また、加工結果評価記憶部１２３には過去Ｎ回の加工における評価値が記憶されているとする。
　この場合、次の（５）式で表される寄与度スコアψｘが、１＜ｘ＜Ｍｖを満たす全てのｘについて計算される。
　ψｘ＝Ψ（Ｑｘ，Ｊ）　　　　　　　　　　　　　　　　　　　（５）
　ここで、Ｑｘは、可変パラメータデータ１０２に含まれている、パラメータ番号ｘの過去Ｎ回分の可変パラメータ値ｑ１ｘ，ｑ２ｘ，・・・，ｑＮｘを要素とするベクトルである。
　また、Ｊは、過去Ｎ回分の評価値ｊ１，ｊ２，・・・，ｊＮを要素とするベクトルである。
　また、関数Ψ（Ｑｘ，Ｊ）は、ＱｘのＪへの寄与度を数値で表す寄与度スコアを計算する関数である。
　寄与度スコアψｘの具体例として、Ｑｘと、Ｊとの相関係数の絶対値が挙げられる。
　または、寄与度スコアψｘは、ＱｘでＪを単回帰分析したときの回帰誤差の大きさの逆数であってもよい。
　さらに、寄与度スコアψｘは、Ｑｘを除くすべての可変パラメータ、言い換えると、ｉ≠ｘを満たす全てのＱｉを用いてＪを重回帰分析したときの回帰誤差の大きさであってもよい。
　また、これらの回帰分析は、線形回帰のほか、非線形回帰又はカーネル回帰が挙げられる。
　このようにして計算された寄与度スコアは、パラメータ番号ｘの可変パラメータが評価値に寄与しているか否かを表しており、寄与度が低い場合には、加工条件への影響が小さいものとして、最適加工条件の探索範囲から除外可能であるとみなすことができる。
　再振分部３５６は、可変パラメータデータ記憶部２５２に記憶されている可変パラメータについて、寄与度スコアψｘが予め定められた閾値ＴＨΨ以下である場合、そのパラメータを固定パラメータに振り分ける。
　言い換えると、再振分部３５６は、複数の初期可変パラメータの内、寄与度が予め定められた閾値以下の初期可変パラメータを、初期固定パラメータに振り分け直すことで、振り分け後の複数の初期可変パラメータを複数の可変パラメータとして確定し、振り分け後の一又は複数の初期固定パラメータを一又は複数の固定パラメータとして確定する。
　図１２は、実施の形態３におけるパラメータ振分部３５４におけるパラメータの振分動作の一例を示すフローチャートである。
　まず、寄与度分析部３５７は、可変パラメータデータ記憶部２５２から可変パラメータデータを読み出し、加工結果評価記憶部１２３から、可変パラメータデータに含まれている複数の可変パラメータの各々に対応する評価値を読み出す。そして、寄与度分析部３５７は、複数の可変パラメータの各々のパラメータの種別における評価値への寄与度を分析する（Ｓ５０）。具体的には、寄与度分析部３５７は、可変パラメータのパラメータ番号ｘの全てについて、上記の（５）式により、寄与度スコアψｘを算出する。
　次に、再振分部３５６は、可変パラメータを識別するためのパラメータ番号ｘを「１」に初期化する（Ｓ５１）。
　そして、再振分部３５６は、パラメータ番号ｘがその最大値Ｍｖを超えるまで、以下の処理を繰り返す（Ｓ５２）。
　再振分部３５６は、パラメータ番号ｘに対応する可変パラメータの寄与度スコアψｘが閾値ＴＨΨよりも大きいか否かを判断する（Ｓ５３）。寄与度スコアψｘが閾値ＴＨΨ以下である場合（Ｓ５３でＮｏ）には、処理はステップＳ５４に進み、寄与度スコアψｘが閾値ＴＨΨよりも大きい場合（Ｓ５３でＹｅｓ）には、処理はステップＳ５５に進む。
　ステップＳ５４では、再振分部３５６は、寄与度スコアψｘが閾値ＴＨΨよりも大きいと判断された際のパラメータ番号ｘの可変パラメータＱｘを固定パラメータとして振り分け直す。具体的には、再振分部３５６は、可変パラメータデータ記憶部２５２から可変パラメータＱｘを抜き出し、それを固定パラメータデータ記憶部２５３に記憶されている固定パラメータデータに追加する。そして、処理はステップＳ５５に進む。
　ステップＳ５５では、再振分部３５６は、パラメータ番号ｘに「１」を加算する。
　そして、再振分部３５６は、パラメータ番号ｘが最大値Ｍｖ以下であるか否かを判断する（Ｓ５６）。パラメータ番号ｘが最大値Ｍｖ以下である場合（Ｓ５６でＹｅｓ）には、処理はステップＳ５２に戻り、パラメータ番号ｘが最大値Ｍｖを超えている場合（Ｓ５６でＮｏ）には、処理は終了する。
　以上のように実施の形態３によれば、選別フラグに従って一旦、可変パラメータとして識別されたパラメータも、評価値との寄与度を分析し、寄与度が低い場合に固定パラメータに再振分けするようにしたので、より可変パラメータの次元を減らすことができ、最適加工条件の探索がしやすくなる。
実施の形態４．
　実施の形態１では、最適加工条件探索部１３２は、所定の方法で生成した複数の可変パラメータの特徴量の候補を学習モデルへの入力として与え、これに対する学習モデルの応答として得られた評価値の予測値を取得し、その中で最も良好な予測値を与える候補を最適加工条件として出力する。
　しかしながら、初回の探索では、加工結果評価記憶部１２３には過去に実施された加工についてのデータのみが記憶されている。この場合、学習モデルによって予測される加工条件よりも、過去のデータの中で、条件が近く、良好な評価値を得た実績のある加工条件を最適加工条件として選択する方が良好な結果が得られる場合がある。
　そこで、実施の形態４は、初回の探索において、第一の特徴量データ、第二の特徴量データ、第三の特徴量データ及び評価値に基づいて、最適加工条件を決定する例を示す。
　図１に示されているように、実施の形態４に係る加工システム４００は、加工機１１０と、加工条件探索装置４２０とを備える。
　実施の形態４に係る加工システム４００における加工機１１０は、実施の形態１に係る加工システム１００における加工機１１０と同様である。
　図２に示されているように、実施の形態４における加工条件探索装置４２０は、加工結果取得部１２１と、加工結果評価部１２２と、加工結果評価記憶部１２３と、選別フラグ記憶部１２４と、パラメータ選別部１２５と、第一の次元削減部１２６と、第二の次元削減部１２７と、機械学習部１２８と、モデル記憶部１２９と、固定パラメータ記憶部１３０と、第三の次元削減部１３１と、最適加工条件探索部４３２と、次元復元部１３３と、加工条件指令部１３４とを備える。
　実施の形態４における加工条件探索装置４２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、パラメータ選別部１２５、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、次元復元部１３３及び加工条件指令部１３４は、実施の形態１における加工条件探索装置１２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、パラメータ選別部１２５、第一の次元削減部１２６、第二の次元削減部１２７、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、次元復元部１３３及び加工条件指令部１３４と同様である。
　最適加工条件探索部４３２は、初回の探索においてのみ、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている複数の評価値の中で、予め定められた基準を満たしている加工番号を全て選別する。そして、最適加工条件探索部４３２は、第二の特徴量データの中で、選別された加工番号に対応する第二の特徴量を特定し、特定された第二の特徴量が、第三の特徴量データで示される第三の特徴量と最も近い一つの加工番号を特定する。例えば、第二の特徴量と、第三の特徴量との距離尺度を用いて計算される特徴量間の距離が最小となる一つの加工番号が特定されればよい。
　そして、最適加工条件探索部４３２は、第一の特徴量データの中から、特定された一つの加工番号に対応する特徴量を最適加工条件として決定し、決定された最適加工条件を次元復元部１３３に与える。
　なお、最適加工条件探索部４３２は、初回以外の探索では、実施の形態１と同様にして、最適加工条件を決定する。
　図１３は、初回探索時の最適加工条件探索部４３２の動作を示すフローチャートである。
　図１３に示されているフローチャートは、初回の探索時のみ行われる。
　まず、最適加工条件探索部４３２は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている複数の評価値の中で予め定められた基準を満たしている加工番号を全て選別する。例えば、予め定められた閾値を用いて、閾値に対応する評価値よりも加工結果が良いと判断される全ての加工番号が選別されればよい。
　次に、最適加工条件探索部４３２は、選別された加工番号に対応する第二の特徴量の中で、第三の特徴量と最も近い第二の特徴量の加工番号ｎ＊を特定する（Ｓ６１）。
　次に、最適加工条件探索部４３２は、第一の特徴量データの中から、加工番号ｎ＊に対応する特徴量を最適加工条件として決定する（Ｓ６２）。そして、決定された最適加工条件は、次元復元部１３３に与えられる。
　第三の特徴量は探索において変更不可能なパラメータの値を特徴量に変換したものであり、過去のデータの中で、評価値が良好かつこれと近いものを探索し、それと対となる可変パラメータを初回の最適加工条件として選択することにより、少ない探索回数で良好な加工条件を発見することが期待できる。
　以上のように、実施の形態４では、最適加工条件探索部４３２は、最適値の探索を初めて行う場合には、複数の評価値から、予め定められた評価よりも評価の高い一以上の評価値を特定し、複数の第二の特徴量の内、特定された一以上の評価値に対応する一以上の第二の特徴量を特定し、特定された一以上の第二の特徴量の内、第三の特徴量と最も近い一つの第二の特徴量を特定し、その一つの第二の特徴量に対応する一つの第一の特徴量を特定し、その一つの第一の特徴量を最適値とする探索部として機能する。
　以上のように、実施の形態４によれば、初回の探索において、加工結果評価記憶部１２３に記憶された過去の加工条件の中から、加工結果が良好、かつ、今回の探索では変更不可能となっている固定パラメータの実際の値と近い条件を探索し、これと対となる可変パラメータを初回の最適加工条件とすることで、より少ない探索回数で良好な加工条件を発見することができる。
　なお、実施の形態４におけるパラメータ選別部１２５は、実施の形態１におけるパラメータ選別部１２５と同様であるとしたが、実施の形態４は、このような例に限定されるものではない。例えば、実施の形態４におけるパラメータ選別部１２５は、実施の形態２におけるパラメータ選別部２２５又は実施の形態３におけるパラメータ選別部３２５であってもよい。
実施の形態５．
　実施の形態１では、選別された可変パラメータデータと、固定パラメータデータとに対し、それぞれ別個に次元削減を施している。実施の形態５では、削減効果を高めるために、パラメータデータを選別せずにまとめて次元削減した結果を参考として、これに近づけるようにそれぞれの削減処理を調整する。
　図１に示されているように、実施の形態５に係る加工システム５００は、加工機１１０と、加工条件探索装置５２０とを備える。
　実施の形態５に係る加工システム５００における加工機１１０は、実施の形態１に係る加工システム１００における加工機１１０と同様である。
　図１４は、加工条件探索装置５２０の構成を概略的に示すブロック図である。
　加工条件探索装置５２０は、加工結果取得部１２１と、加工結果評価部１２２と、加工結果評価記憶部１２３と、選別フラグ記憶部１２４と、パラメータ選別部１２５と、第一の次元削減部５２６と、第二の次元削減部５２７と、機械学習部１２８と、モデル記憶部１２９と、固定パラメータ記憶部１３０と、第三の次元削減部１３１と、最適加工条件探索部１３２と、次元復元部１３３と、加工条件指令部１３４と、第四の次元削減部５６０と、第一の比較部５６１と、第二の比較部５６２とを備える。
　実施の形態５における加工条件探索装置５２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、パラメータ選別部１２５、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４は、実施の形態１における加工条件探索装置１２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、パラメータ選別部１２５、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４と同様である。
　第四の次元削減部５６０は、複数のパラメータの次元を削減することで、第四の特徴量を生成する次元削減部である。
　例えば、第四の次元削減部５６０は、加工結果評価記憶部１２３に記憶されている加工結果評価情報から加工条件を読み出し、読み出された加工条件に含まれている複数のパラメータに対して次元削減を施すことで、第四の特徴量データを生成する。生成された第四の特徴量データは、第一の比較部５６１及び第二の比較部５６２に与えられる。
　第一の次元削減部５２６は、実施の形態１と同様に、第一の特徴量データを生成し、生成された第一の特徴量データを第一の比較部５６１に与える。但し、第一の次元削減部５２６は、複数の可変パラメータの次元数によらずに、複数の可変パラメータの次元を削減することで、第一の特徴量を生成する。
　そして、第一の次元削減部５２６は、第一の比較部５６１から、第一の特徴量データと、第四の特徴量データとを比較することで算出される類似度スコアである第一の類似度スコアを取得し、第一の類似度スコアが収束したか否かを判断する。
　第一の類似度スコアが収束していない場合には、第一の次元削減部５２６は、第一の類似度スコアで示される、第一の特徴量データと、第四の特徴量データとの類似の度合いが高まるように、次元削減処理を変えることでそれを調整する。そして、第一の次元削減部５２６は、調整後の次元削減処理により再度第一の特徴量データを生成し、生成された第一の特徴量データを第一の比較部５６１に与える。
　以上の処理は、第一の類似度スコアが収束するまで繰り返される。
　そして、第一の類似度スコアが収束した場合には、第一の次元削減部５２６は、収束したと判断された第一の特徴量データを機械学習部１２８に与える。なお、第一の類似度スコアが収束する前の第一の特徴量を第一の仮の特徴量ともいう。
　以上により、第一の次元削減部５２６は、第一の類似度スコアが収束するまで、複数の可変パラメータの次元を削減する処理を変更して第一の仮の特徴量の生成を繰り返し、第一の類似度スコアが収束した際の第一の仮の特徴量を第一の特徴量として決定する。
　第二の次元削減部５２７は、実施の形態１と同様に、第二の特徴量データを生成し、生成された第二の特徴量データを第二の比較部５６２に与える。但し、第二の次元削減部５２７は、複数の固定パラメータの次元数によらずに、複数の固定パラメータの次元を削減することで、第二の特徴量を生成する。
　そして、第二の次元削減部５２７は、第二の比較部５６２から、第二の特徴量データと、第四の特徴量データとを比較することで算出される類似度スコアである第二の類似度スコアを取得し、第二の類似度スコアが収束したか否かを判断する。
　第二の類似度スコアが収束していない場合には、第二の次元削減部５２７は、第二の類似度スコアで示される、第二の特徴量データと、第四の特徴量データとの類似の度合いが高まるように、次元削減処理を変えることでそれを調整する。そして、第二の次元削減部５２７は、調整後の次元削減処理により再度第二の特徴量データを生成し、生成された第二の特徴量データを第二の比較部５６２に与える。
　以上の処理は、第二の類似度スコアが収束するまで繰り返される。
　そして、第二の類似度スコアが収束した場合には、第二の次元削減部５２７は、収束したと判断された第二の特徴量データを機械学習部１２８に与える。なお、第二の類似度スコアが収束する前の第二の特徴量を第二の仮の特徴量ともいう。
　以上により、第二の次元削減部５２７は、第二の類似度スコアが収束するまで、複数の固定パラメータの次元を削減する処理を変更して第二の仮の特徴量の生成を繰り返し、第二の類似度スコアが収束した際の第二の仮の特徴量を第二の特徴量として決定する。
　第一の比較部５６１は、第一の仮の特徴量と、第四の特徴量とが類似している度合いを示す類似度スコアである第一の類似度スコアを算出する。
　第二の比較部５６２は、第二の仮の特徴量と、第四の特徴量とが類似している度合いを示す類似度スコアである第二の類似度スコアを算出する。
　類似度スコアとしては、具体的には、相関係数の絶対値、交差エントロピー、ＫＬ情報量（Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ　Ｄｉｖｅｒｇｅｎｃｅ）、その他の相互情報量が用いられる。なお、交差エントロピー又は相互情報量は、比較するデータが似通っているほど低い値をとるので、類似度スコアに用いる場合は、正負の符号を逆転するか、逆数等の形にする。
　オートエンコーダは実施の形態５の第一の次元削減部５２６、第二の次元削減部５２７及び第四の次元削減部５６０の次元削減処理の好適な例であり、第一の次元削減部５２６と、第二の次元削減部５２７とは、オートエンコーダの学習の際、上述の交差エントロピー又はＫＬ情報量を損失関数に加えることで、第四の次元削減部５６０に近い次元削減効果を得ることができる。
　第四の特徴量データと、第一の特徴量データ又は第二の特徴量データとにおいて、それぞれ次元が異なる場合は、例えば、全ての特徴量の組み合わせについて類似度スコアが計算され、その最大値又は平均値が第一の類似度スコア又は第二の類似度スコアとして採用することが考えられる。
　例えば、第一の特徴量データの次元数をＭｖ、第四の特徴量データの次元数をＭｏとする。このとき、第一の特徴量データのｘ次元目の特徴量と、第四の特徴量データのｚ次元目の特徴量との類似度スコアα１（ｘ，ｚ）は、次の（６）式で表される。
　α１(ｘ，ｚ)＝Γ（Ａｖｘ，Ａｏｚ）　　　　　　　　　　　　　　（６）
　ここで、Γは、類似度スコアを算出する関数である。
　また、Ａｖｘは、加工番号ｎにおける第一の特徴量データのｘ次元目の特徴量をａｖｎｘとしたときに、ａｖ１ｘ，ａｖ２ｘ，・・・，ａｖＮｘを要素とするベクトルである。
　さらに、Ａｏｚは、加工番号ｎにおける第四の特徴量データのｚ次元目の特徴量ａｏｎｚとしたとき、ａｏ１ｚ，ａｏ２ｚ，・・・，ａｏＮｘを要素とするベクトルである。
　ここで、Ｎは加工番号の最大値である。
　このような第一の類似度スコアα１（ｘ，ｚ）をｘ＝１，２，・・・，Ｍｖ及びｚ＝１，２，・・・，Ｍｏの全ての組み合わせについて計算し、その最大値、最小値又は平均値を第一の類似度スコアα１とする。
　第二の類似度スコアα２も同様に、加工番号ｎにおける第二の特徴量データのｙ次元目の特徴量をａｆｎｙとしたとき、ａｆ１ｙ，ａｆ２ｙ，・・・，ａｆＮｙを要素とするベクトルＡｆｙと、上述の第四の特徴量データのｚ次元目の特徴量を要素とするベクトルＡｏｚにより、次の（７）式で表される類似度スコアα２（ｙ，ｚ）をｙ＝１，２，・・・，Ｍｆ及びｚ＝１，２，・・・，Ｍｏの全ての組み合わせについて計算し、その最大値、最小値又は平均値を第二の類似度スコアα２とする。
　α２（ｙ，ｚ）＝Γ（Ａｆｙ，Ａｏｚ）　　　　　　　　　　　　　　（７）
　また、前回の類似度スコアからの変化量が、予め定められた閾値以下である場合に、類似度スコアが収束したと判断されればよい。
　以上に記載された第五の実施の形態における加工条件探索装置５２０のハードウェア構成は、第一の実施の形態における加工条件探索装置１２０のハードウェア構成と同様である。例えば、第四の次元削減部５６０、第一の比較部５６１及び第二の比較部５６２も、処理回路１４０により実現することができる。
　図１５は、実施の形態５における第一の次元削減部５２６、第二の次元削減部５２７、第四の次元削減部５６０、第一の比較部５６１及び第二の比較部５６２での動作を示すフローチャートである。
　まず、第四の次元削減部５６０は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている加工条件、言い換えると、パラメータを読み出し、これに対して次元削減を施すことで、第四の特徴量データを生成する（Ｓ７０）。生成された第四の特徴量データは、第一の比較部５６１及び第二の比較部５６２に与えられる。
　第一の次元削減部５２６は、実施の形態１と同様にパラメータ選別部１２５からの可変パラメータデータを次元削減し、第一の特徴量データを生成する（Ｓ７１）。第一の特徴量データは、第一の比較部５６１に与えられる。
　第一の比較部５６１は、第四の特徴量データと、第一の特徴量データとを比較し、第一の類似度スコアα１を算出する（Ｓ７３）。第一の類似度スコアα１は、第一の次元削減部５２６に与えられる。
　第一の次元削減部５２６は、第一の類似度スコアα１が収束しているか否かを判断する（Ｓ７３）。第一の類似度スコアα１が収束していない場合（Ｓ７３でＮｏ）には、処理はステップＳ７４に進み、第一の類似度スコアα１が収束している場合（Ｓ７３でＹｅｓ）には、処理はステップＳ７５に進む。ここで、第一の次元削減部５２６は、ステップＳ７１で生成した第一の特徴量データを機械学習部１２８に与える。
　ステップＳ７４では、第一の次元削減部５２６は、第一の類似度スコアα１が増加するように次元削減処理を変更する。そして、処理はステップＳ７１に戻る。
　ステップＳ７５では、第二の次元削減部５２７は、実施の形態１と同様に、パラメータ選別部１２５からの固定パラメータデータを次元削減し、第二の特徴量データを生成する（Ｓ７２）。第二の特徴量データは、第二の比較部５６２に与えられる。
　第二の比較部５６２は、第四の特徴量データと、第二の特徴量データとを比較し、第二の類似度スコアα２を算出する（Ｓ７６）。第二の類似度スコアα２は、第二の次元削減部５２７に与えられる。
　第二の次元削減部５２７は、第二の類似度スコアα２が収束しているか否かを判断する（Ｓ７７）。第二の類似度スコアα２が収束していない場合（Ｓ７７でＮｏ）には、処理はステップＳ７８に進み、第二の類似度スコアα２が収束している場合（Ｓ７７でＹｅｓ）には、第二の次元削減部５２７は、ステップＳ７５で生成した第二の特徴量データを機械学習部１２８に与えて、処理を終了する。
　ステップＳ７８では、第二の次元削減部５２７は、第二の類似度スコアα２が増加するように次元削減処理を変更する。そして、処理はステップＳ７５に戻る。
　以上のように実施の形態５によれば、選別された可変パラメータデータと、固定パラメータデータとに対し、それぞれに次元削減を施す際、パラメータデータを選別せずにまとめて次元削減した結果を参考として、これに近づけるようにそれぞれの削減処理を調整するようにしたので、次元削減効果を高めることができる。
　なお、実施の形態５におけるパラメータ選別部１２５は、実施の形態１におけるパラメータ選別部１２５と同様であるとしたが、実施の形態５は、このような例に限定されるものではない。例えば、実施の形態５におけるパラメータ選別部１２５は、実施の形態２におけるパラメータ選別部２２５又は実施の形態３におけるパラメータ選別部３２５であってもよい。
　また、実施の形態５における最適加工条件探索部１３２も、実施の形態４における最適加工条件探索部４３２であってもよい。
実施の形態６．
　実施の形態５では、第一の特徴量と、第二の特徴量とを、それぞれ個別に第四の特徴量と比較している。実施の形態６は、第一の特徴量及び第二の特徴量を、第四の特徴量と同一の次元数になるように合成し、第四の特徴量と比較する。
　図１に示されているように、実施の形態６に係る加工システム６００は、加工機１１０と、加工条件探索装置６２０とを備える。
　実施の形態６に係る加工システム６００における加工機１１０は、実施の形態１に係る加工システム１００における加工機１１０と同様である。
　図１６は、加工条件探索装置６２０の構成を概略的に示すブロック図である。
　加工条件探索装置６２０は、加工結果取得部１２１と、加工結果評価部１２２と、加工結果評価記憶部１２３と、選別フラグ記憶部１２４と、パラメータ選別部１２５と、第一の次元削減部６２６と、第二の次元削減部６２７と、機械学習部１２８と、モデル記憶部１２９と、固定パラメータ記憶部１３０と、第三の次元削減部１３１と、最適加工条件探索部１３２と、次元復元部１３３と、加工条件指令部１３４と、第四の次元削減部５６０と、合成部６６３と、比較部６６４とを備える。
　実施の形態６における加工条件探索装置６２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、パラメータ選別部１２５、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４は、実施の形態１における加工条件探索装置１２０の加工結果取得部１２１、加工結果評価部１２２、加工結果評価記憶部１２３、選別フラグ記憶部１２４、パラメータ選別部１２５、機械学習部１２８、モデル記憶部１２９、固定パラメータ記憶部１３０、第三の次元削減部１３１、最適加工条件探索部１３２、次元復元部１３３及び加工条件指令部１３４と同様である。
　実施の形態６における加工条件探索装置６２０の第四の次元削減部５６０は、実施の形態５における加工条件探索装置５２０の第四の次元削減部５６０と同様である。但し、実施の形態４においては、第四の次元削減部５６０は、生成された第四の特徴量データを比較部６６４に与える。
　第一の次元削減部６２６は、実施の形態１と同様に、第一の特徴量データを生成し、生成された第一の特徴量データを合成部６６３に与える。但し、第一の次元削減部６２６は、複数の可変パラメータの次元数によらずに、複数の可変パラメータの次元を削減することで、第一の特徴量を生成する。
　そして、第一の次元削減部６２６は、比較部６６４から、第一の特徴量データ及び第二の特徴量データの合成特徴量を示す合成特徴量データと、第四の特徴量データとを比較することで算出される類似度スコアを取得し、その類似度スコアが収束したか否かを判断する。
　類似度スコアが収束していない場合には、第一の次元削減部６２６は、類似度スコアで示される、合成特徴量データと、第四の特徴量データとの類似の度合いが高まるように、次元削減処理を変えることでそれを調整する。そして、第一の次元削減部６２６は、調整後の次元削減処理により再度第一の特徴量データを生成し、生成された第一の特徴量データを合成部６６３に与える。
　以上の処理は、類似度スコアが収束するまで繰り返される。
　そして、類似度スコアが収束した場合には、第一の次元削減部６２６は、収束したと判断された第一の特徴量データを機械学習部１２８に与える。なお、第一の類似度スコアが収束する前の第一の特徴量を第一の仮の特徴量ともいう。
　以上により、第一の次元削減部６２６は、類似度スコアが収束するまで、複数の可変パラメータの次元を削減する処理を変更して第一の仮の特徴量の生成を繰り返し、類似度スコアが収束した際の第一の仮の特徴量を第一の特徴量として決定する。
　第二の次元削減部６２７は、実施の形態１と同様に、第二の特徴量データを生成し、生成された第二の特徴量データを合成部６６３に与える。但し、第二の次元削減部６２７は、複数の固定パラメータの次元数によらずに、複数の固定パラメータの次元を削減することで、第二の特徴量を生成する。
　そして、第二の次元削減部６２７は、比較部６６４から、第一の特徴量データ及び第二の特徴量データの合成特徴量を示す合成特徴量データと、第四の特徴量データとを比較することで算出される類似度スコアを取得し、その類似度スコアが収束したか否かを判断する。
　類似度スコアが収束していない場合には、第二の次元削減部６２７は、類似度スコアで示される、合成特徴量データと、第四の特徴量データとの類似の度合いが高まるように、次元削減処理を変えることでそれを調整する。そして、第二の次元削減部６２７は、調整後の次元削減処理により再度第二の特徴量データを生成し、生成された第二の特徴量データを合成部６６３に与える。
　以上の処理は、類似度スコアが収束するまで繰り返される。
　そして、第二の類似度スコアが収束した場合には、第二の次元削減部６２７は、収束したと判断された第二の特徴量データを機械学習部１２８に与える。なお、第二の類似度スコアが収束する前の第二の特徴量を第二の仮の特徴量ともいう。
　以上により、第二の次元削減部６２７は、類似度スコアが収束するまで、複数の固定パラメータの次元を削減する処理を変更して第二の仮の特徴量の生成を繰り返し、類似度スコアが収束した際の第二の仮の特徴量を第二の特徴量として決定する。
　合成部６６３は、第一の仮の特徴量及び第二の仮の特徴量を合成することで、合成特徴量を生成して、合成特徴量の次元と、第四の特徴量の次元とを同じにする。
　例えば、合成部６６３は、第一の次元削減部６２６から与えられた第一の特徴量データで示される第一の特徴量と、第二の次元削減部６２７から出力された第二の特徴量データで示される第二の特徴量を合成し、合成された特徴量である合成特徴量が第四の特徴量と同一の次元数となるようにして、その合成特徴量を示す合成特徴量データを生成する。生成された合成特徴量データは、比較部６６４に与えられる。
　具体的には、特徴量の合成手段が、例えば、線形結合であれば、加工番号ｎにおける合成特徴量のｚ次元目の要素をａｓｎｚとしたとき、合成部６６３は、次の（８）式により合成を行うことができる。
Figure JPOXMLDOC01-appb-M000001
 　　　　　　　　　　　　　　　　　　　　　　　　　　　（８）
　ここで、ｗｖｋ及びｗｆｋは、重み係数である。
　合成手段の他の例としてニューラルネットワークが挙げられる。その場合、ａｓｎｚはｘ＝１，２，・・・，Ｍｖとしたときのａｖｎｘ及びｙ＝１，２，・・・，Ｍｆとしたときのａｆｎｙをそれぞれ入力したときの、ニューラルネットワークの出力である。
　また、合成部６６３は、比較部６６４から、第一の特徴量データ及び第二の特徴量データの合成特徴量を示す合成特徴量データと、第四の特徴量データとを比較することで算出される類似度スコアを取得し、その類似度スコアが収束したか否かを判断する。
　類似度スコアが収束していない場合には、合成部６６３は、類似度スコアで示される、合成特徴量データと、第四の特徴量データとの類似の度合いが高まるように、合成処理を変えることでそれを調整する。
　言い換えると、合成部６６３は、類似度スコアが収束するまで、第一の仮の特徴量及び第二の仮の特徴量を合成する処理を変更する。
　比較部６６４は、合成特徴量と、第四の特徴量とが類似している度合いを示す類似度スコアを算出する。
　例えば、比較部６６４は、第四の特徴量データと、合成部６６３から与えられる合成特徴量データとを比較し、類似度スコアαを算出する。
　類似度スコアとしては、具体的には、相関係数の絶対値、交差エントロピー、ＫＬ情報量、その他の相互情報量が用いられる。なお、交差エントロピー又は相互情報量は、比較するデータが似通っているほど低い値をとるので、類似度スコアに用いる場合は、正負の符号を逆転するか、逆数等の形にする。
　オートエンコーダは実施の形態６の第一の次元削減部６２６、第二の次元削減部６２７及び第四の次元削減部６６０の次元削減処理の好適な例であり、第一の次元削減部６２６と、第二の次元削減部６２７とは、オートエンコーダの学習の際、上述の交差エントロピー又はＫＬ情報量を損失関数に加えることで、第四の次元削減部６６０に近い次元削減効果を得ることができる。
　また、前回の類似度スコアからの変化量が、予め定められた閾値以下である場合に、類似度スコアが収束したと判断されればよい。
　以上に記載された第六の実施の形態における加工条件探索装置６２０のハードウェア構成は、第一の実施の形態における加工条件探索装置１２０のハードウェア構成と同様である。例えば、第四の次元削減部５６０、合成部６６３及び比較部６６４も、処理回路１４０により実現することができる。
　図１７は、実施の形態６における第一の次元削減部６２６、第二の次元削減部６２７、第四の次元削減部６６０、合成部６６３及び比較部６６４での動作を示すフローチャートである。
　まず、第四の次元削減部５６０は、加工結果評価記憶部１２３に記憶されている加工結果評価情報に含まれている加工条件、言い換えると、パラメータを読み出し、これに対して次元削減を施すことで、第四の特徴量データを生成する（Ｓ８０）。生成された第四の特徴量データは、比較部６６４に与えられる。
　第一の次元削減部６２６は、実施の形態１と同様にパラメータ選別部１２５からの可変パラメータデータを次元削減し、第一の特徴量データを生成する（Ｓ８１）。第一の特徴量データは、合成部６６３に与えられる。
　第二の次元削減部６２７は、実施の形態１と同様に、パラメータ選別部１２５からの固定パラメータデータを次元削減し、第二の特徴量データを生成する（Ｓ８２）。第二の特徴量データは、合成部６６３に与えられる。
　合成部６６３は、第一の次元削減部６２６から与えられた第一の特徴量データで示される第一の特徴量と、第二の次元削減部６２７から出力された第二の特徴量データで示される第二の特徴量を合成し、合成された特徴量である合成特徴量が第四の特徴量と同一の次元数となるようにして、その合成特徴量を示す合成特徴量データを生成する（Ｓ８３）。生成された合成特徴量データは、比較部６６４に与えられる。
　比較部６６４は、第四の特徴量データと、合成特徴量データとを比較し、類似度スコアαを算出する（Ｓ８４）。類似度スコアαは、第一の次元削減部６２６、第二の次元削減部６２７及び合成部６６３に与えられる。
　第一の次元削減部６２６、第二の次元削減部６２７及び合成部６６３は、類似度スコアαが収束しているか否かを判断する（Ｓ８５）。類似度スコアαが収束していない場合（Ｓ８５でＮｏ）には、処理はステップＳ８６に進む。類似度スコアαが収束している場合（Ｓ８５でＹｅｓ）には、第一の次元削減部６２６は、ステップＳ８１で生成した第一の特徴量データ、第二の次元削減部５２７は、ステップＳ８２で生成した第二の特徴量データを機械学習部１２８に与えて、処理を終了する。
　ステップＳ８６では、第一の次元削減部６２６及び第二の次元削減部６２７は、類似度スコアαが増加するように次元削減処理を変更する。
　次に、合成部６６３は、類似度スコアαが増加するように合成処理を変更する（Ｓ８７）。そして、処理はステップＳ８１に戻る。
　以上のように、実施の形態６によれば、選別された可変パラメータデータと、固定パラメータデータとに対する次元削減を、パラメータデータを選別せずにまとめて次元削減した結果を参考として調整する際に、可変パラメータデータと、固定パラメータデータとの特徴量を合成し、パラメータデータを選別せずにまとめて次元削減した結果得られた特徴量と同一の次元数となるようにして比較して得られた類似度スコアを用いるようにしたので、パラメータデータを選別せずにまとめて次元削減した場合により近い削減効果を得ることができる。
　なお、実施の形態６におけるパラメータ選別部１２５は、実施の形態１におけるパラメータ選別部１２５と同様であるとしたが、実施の形態６は、このような例に限定されるものではない。例えば、実施の形態６におけるパラメータ選別部１２５は、実施の形態２におけるパラメータ選別部２２５又は実施の形態３におけるパラメータ選別部３２５であってもよい。
　また、実施の形態６における最適加工条件探索部１３２も、実施の形態４における最適加工条件探索部４３２であってもよい。
　１００，２００，３００，４００，５００，６００　加工システム、　１１０　加工機、　１２０，２２０，３２０，４２０，５２０，６２０　加工条件探索装置、　１２１　加工結果取得部、　１２２　加工結果評価部、　１２３　加工結果評価記憶部、　１２４　選別フラグ記憶部、　１２５，２２５，３２５　パラメータ選別部、　１２６，５２６，６２６　第一の次元削減部、　１２７，５２７，６２７　第二の次元削減部、　１２８　機械学習部、　１２９　モデル記憶部、　１３０　固定パラメータ記憶部、　１３１　第三の次元削減部、　１３２，４３２　最適加工条件探索部、　１３３　次元復元部、　１３４　加工条件指令部、　２５０　初期振分部、　２５１　パラメータデータ記憶部、　２５２　可変パラメータデータ記憶部、　２５３　固定パラメータデータ記憶部、　２５４，３５４　パラメータ振分部、　２５５　相関性分析部、　２５６，３５６　再振分部、　３５７　寄与度分析部、　２５８　出力部、　５６０　第四の次元削減部、　５６１　第一の比較部、　５６２　第二の比較部、　６６３　合成部、　６６４　比較部。

Claims (14)

  1. 　各々が複数のパラメータを有する複数の加工条件、及び、前記複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報を記憶する加工結果評価記憶部と、
    　前記複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別するパラメータ選別部と、
    　前記複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第一の特徴量を生成する第一の次元処理部と、
    　前記一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第二の特徴量を生成する第二の次元処理部と、
    　前記一又は複数の第一の特徴量、前記一又は複数の第二の特徴量及び前記複数の評価値の関係を学習することで、学習モデルを生成する機械学習部と、
    　探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータである一又は複数の対象固定パラメータから、前記第二の次元以下の第三の特徴量を生成する第三の次元処理部と、
    　前記第三の特徴量及び前記学習モデルを使用して、前記対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索する探索部と、
    　前記最適値及び前記一又は複数の対象固定パラメータから、前記対象加工条件として探索された加工条件である探索加工条件を特定する特定部と、を備えること
    　を特徴とする加工条件探索装置。
  2. 　前記第一の次元処理部は、前記複数の可変パラメータの次元が前記第一の次元よりも大きい場合に、前記複数の可変パラメータの次元を削減することで、前記第一の特徴量を生成すること
    　を特徴とする請求項１に記載の加工条件探索装置。
  3. 　前記第二の次元処理部は、前記複数の固定パラメータの次元が前記第二の次元よりも大きい場合に、前記複数の固定パラメータの次元を削減することで、前記第二の特徴量を生成すること
    　を特徴とする請求項１又は２に記載の加工条件探索装置。
  4. 　前記第三の次元処理部は、前記複数の対象固定パラメータの次元が前記第二の次元よりも大きい場合に、前記複数の対象固定パラメータの次元を削減することで、前記第三の特徴量を生成すること
    　を特徴とする請求項１から３の何れか一項に記載の加工条件探索装置。
  5. 　前記特定部は、前記複数の可変パラメータの次元が前記第一の次元よりも大きい場合に、前記最適値から前記複数の可変パラメータの次元と同一の次元となるように複数のパラメータを復元すること
    　を特徴とする請求項１から４の何れか一項に記載の加工条件探索装置。
  6. 　前記第一の次元処理部は、前記複数の可変パラメータの次元を削減することで、第一の仮の特徴量を生成し、
    　前記第二の次元処理部は、前記複数の固定パラメータの次元を削減することで、第二の仮の特徴量を生成し、
    　前記複数のパラメータの次元を削減することで、第四の特徴量を生成する次元削減部と、
    　前記第一の仮の特徴量と、前記第四の特徴量とが類似している度合いを示す第一の類似度スコアを算出する第一の比較部と、
    　前記第二の仮の特徴量と、前記第四の特徴量とが類似している度合いを示す第二の類似度スコアを算出する第二の比較部と、
    　前記第一の次元処理部は、前記第一の類似度スコアが収束するまで、前記複数の可変パラメータの次元を削減する処理を変更して、前記第一の仮の特徴量の生成を繰り返し、前記第一の類似度スコアが収束した際の前記第一の仮の特徴量を前記第一の特徴量とし、
    　前記第二の次元処理部は、前記第二の類似度スコアが収束するまで、前記複数の固定パラメータの次元を削減する処理を変更して、前記第二の仮の特徴量の生成を繰り返し、前記第二の類似度スコアが収束した際の前記第二の仮の特徴量を前記第二の特徴量とすること
    　を特徴とする請求項１に記載の加工条件探索装置。
  7. 　前記第一の次元処理部は、前記複数の可変パラメータの次元を削減することで、第一の仮の特徴量を生成し、
    　前記第二の次元処理部は、前記複数の固定パラメータの次元を削減することで、第二の仮の特徴量を生成し、
    　前記複数のパラメータの次元を削減することで、第四の特徴量を生成する次元削減部と、
    　前記第一の仮の特徴量及び前記第二の仮の特徴量を合成することで、合成特徴量を生成して、前記合成特徴量の次元と、前記第四の特徴量の次元とを同じにする合成部と、
    　前記合成特徴量と、前記第四の特徴量とが類似している度合いを示す類似度スコアを算出する比較部と、
    　前記第一の次元処理部は、前記類似度スコアが収束するまで、前記複数の可変パラメータの次元を削減する処理を変更して、前記第一の仮の特徴量の生成を繰り返し、前記類似度スコアが収束した際の前記第一の仮の特徴量を前記第一の特徴量とし、
    　前記第二の次元処理部は、前記類似度スコアが収束するまで、前記複数の固定パラメータの次元を削減する処理を変更して、前記第二の仮の特徴量の生成を繰り返し、前記類似度スコアが収束した際の前記第二の仮の特徴量を前記第二の特徴量とし、
    　前記合成部は、前記類似度スコアが収束するまで、前記第一の仮の特徴量及び前記第二の仮の特徴量を合成する処理を変更すること
    　を特徴とする請求項１に記載の加工条件探索装置。
  8. 　前記特定部は、前記最適値から前記複数の可変パラメータの次元と同一の次元となるようにパラメータを復元すること
    　を特徴とする請求項６又は７に記載の加工条件探索装置。
  9. 　前記複数のパラメータを選別するために、前記複数のパラメータの種別毎に、可変パラメータであるか、固定パラメータであるかを示す選別フラグを記憶する選別フラグ記憶部をさらに備え、
    　前記パラメータ選別部は、前記選別フラグを参照することで、前記複数のパラメータを、前記複数の可変パラメータ及び前記一又は複数の固定パラメータに選別すること
    　を特徴とする請求項１から８の何れか一項に記載の加工条件探索装置。
  10. 　前記複数のパラメータを選別するために、前記複数のパラメータの種別毎に、可変パラメータであるか、固定パラメータであるかを示す選別フラグを記憶する選別フラグ記憶部をさらに備え、
    　前記パラメータ選別部は、
    　前記選別フラグを参照することで、前記複数のパラメータを、複数の初期可変パラメータ及び一又は複数の初期固定パラメータに振り分ける初期振分部と、
    　前記複数の初期可変パラメータの各々と、前記一又は複数の初期固定パラメータの各々との複数の組み合わせを特定し、前記複数の組み合わせの各々の相関性を分析する相関性分析部と、
    　前記複数の組み合わせの内、前記相関性が予め定められた閾値よりも高い組み合わせに含まれている初期可変パラメータを、初期固定パラメータに振り分け直すことで、振り分け後の複数の初期可変パラメータを前記複数の可変パラメータとし、振り分け後の一又は複数の初期固定パラメータを前記一又は複数の固定パラメータとする再振分部と、を備えること
    　を特徴とする請求項１から８の何れか一項に記載の加工条件探索装置。
  11. 　前記複数のパラメータを選別するために、前記複数のパラメータの種別毎に、可変パラメータであるか、固定パラメータであるかを示す選別フラグを記憶する選別フラグ記憶部をさらに備え、
    　前記パラメータ選別部は、
    　前記選別フラグを参照することで、前記複数のパラメータを、複数の初期可変パラメータ及び一又は複数の初期固定パラメータに振り分ける初期振分部と、
    　前記複数の初期可変パラメータの各々の前記評価値への寄与度を分析する寄与度分析部と、
    　前記複数の初期可変パラメータの内、前記寄与度が予め定められた閾値以下の初期可変パラメータを、初期固定パラメータに振り分け直すことで、振り分け後の複数の初期可変パラメータを前記複数の可変パラメータとし、振り分け後の一又は複数の初期固定パラメータを前記一又は複数の固定パラメータとする再振分部と、を備えること
    　を特徴とする請求項１から８の何れか一項に記載の加工条件探索装置。
  12. 　前記探索加工条件を加工機に与えて、前記加工機に前記探索加工条件で加工を行わせるとともに、前記加工結果評価情報に前記探索加工条件を追加する加工条件指令部と、
    　前記加工機で行われた加工の結果である加工結果を評価することで評価値を定め、前記加工結果評価情報に、前記探索加工条件に対応付けて定められた前記評価値を追加する加工結果評価部と、をさらに備え、
    　前記探索部は、前記最適値の探索を初めて行う場合には、前記複数の評価値から、予め定められた評価よりも評価の高い一又は複数の評価値を特定し、複数の前記第二の特徴量の内、前記一又は複数の評価値に対応する一以上の第二の特徴量を特定し、前記一以上の第二の特徴量の内、前記第三の特徴量と最も近い一つの第二の特徴量を特定し、前記一つの第二の特徴量に対応する一つの第一の特徴量を特定し、前記一つの第一の特徴量を前記最適値とすること
    　を特徴とする請求項１から１１の何れか一項に記載の加工条件探索装置。
  13. 　コンピュータを、
    　各々が複数のパラメータを有する複数の加工条件、及び、前記複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報を記憶する加工結果評価記憶部、
    　前記複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別するパラメータ選別部、
    　前記複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第一の特徴量を生成する第一の次元処理部、
    　前記一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第二の特徴量を生成する第二の次元処理部、
    　前記一又は複数の第一の特徴量、前記一又は複数の第二の特徴量及び前記複数の評価値の関係を学習することで、学習モデルを生成する機械学習部、
    　探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータである一又は複数の対象固定パラメータから、前記第二の次元以下の第三の特徴量を生成する第三の次元処理部、
    　前記第三の特徴量及び前記学習モデルを使用して、前記対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索する探索部、及び、
    　前記最適値及び前記一又は複数の対象固定パラメータから、前記対象加工条件として探索された加工条件である探索加工条件を特定する特定部、として機能させること
    　を特徴とするプログラム。
  14. 　各々が複数のパラメータを有する複数の加工条件、及び、前記複数の加工条件における複数の加工結果に対する複数の評価値を示す加工結果評価情報に含まれている前記複数のパラメータを、変更を許可する複数の可変パラメータ及び変更を許可しない一又は複数の固定パラメータに選別し、
    　前記複数の可変パラメータから、予め定められた次元である第一の次元以下の第一の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第一の特徴量を生成し、
    　前記一又は複数の固定パラメータから、予め定められた次元である第二の次元以下の第二の特徴量を生成することで、前記複数の加工条件に対応する一又は複数の第二の特徴量を生成し、
    　前記一又は複数の第一の特徴量、前記一又は複数の第二の特徴量及び前記複数の評価値の関係を学習することで、学習モデルを生成し、
    　探索対象となる加工条件である対象加工条件において使用される一又は複数の固定パラメータである一又は複数の対象固定パラメータから、前記第二の次元以下の第三の特徴量を生成し、
    　前記第三の特徴量及び前記学習モデルを使用して、前記対象加工条件において使用される複数の可変パラメータである複数の対象可変パラメータの特徴量の最適値を探索し、
    　前記最適値及び前記一又は複数の対象固定パラメータから、前記対象加工条件として探索された加工条件である探索加工条件を特定すること
    　を特徴とする加工条件探索方法。
PCT/JP2021/016285 2021-04-22 2021-04-22 加工条件探索装置、プログラム及び加工条件探索方法 Ceased WO2022224399A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2023515970A JP7286055B2 (ja) 2021-04-22 2021-04-22 加工条件探索装置、プログラム及び加工条件探索方法
DE112021007121.1T DE112021007121T5 (de) 2021-04-22 2021-04-22 Bearbeitungsbedingung-sucheinrichtung, programm und bearbeitungsbedingung-suchverfahren
PCT/JP2021/016285 WO2022224399A1 (ja) 2021-04-22 2021-04-22 加工条件探索装置、プログラム及び加工条件探索方法
CN202180097111.7A CN117157595A (zh) 2021-04-22 2021-04-22 加工条件搜索装置、程序和加工条件搜索方法
TW110133193A TW202242579A (zh) 2021-04-22 2021-09-07 加工條件探索裝置、記錄媒體、程式產品以及加工條件探索方法
US18/378,185 US20240054361A1 (en) 2021-04-22 2023-10-10 Processing-condition search device, non-transitory computer-readable medium, and processing-condition search method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/016285 WO2022224399A1 (ja) 2021-04-22 2021-04-22 加工条件探索装置、プログラム及び加工条件探索方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/378,185 Continuation US20240054361A1 (en) 2021-04-22 2023-10-10 Processing-condition search device, non-transitory computer-readable medium, and processing-condition search method

Publications (1)

Publication Number Publication Date
WO2022224399A1 true WO2022224399A1 (ja) 2022-10-27

Family

ID=83722204

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/016285 Ceased WO2022224399A1 (ja) 2021-04-22 2021-04-22 加工条件探索装置、プログラム及び加工条件探索方法

Country Status (6)

Country Link
US (1) US20240054361A1 (ja)
JP (1) JP7286055B2 (ja)
CN (1) CN117157595A (ja)
DE (1) DE112021007121T5 (ja)
TW (1) TW202242579A (ja)
WO (1) WO2022224399A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2025500054A (ja) * 2022-02-21 2025-01-07 ユナイテッド グラインディング グループ アクチェンゲゼルシャフト 工作機械のための動作パラメータのセット、工作機械のための制御システム、工作機械及び動作パラメータのセットを決定するための方法を決定する対話型提案システム
WO2025135081A1 (ja) * 2023-12-22 2025-06-26 株式会社安川電機 製造システム、製造方法、および製造プログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001312308A (ja) * 2000-02-24 2001-11-09 Matsushita Electric Works Ltd 数値制御データ作成方法
JP2005115560A (ja) * 2003-10-06 2005-04-28 Micron Seimitsu Kk センタレス研削機の制御プログラム、及びセンタレス研削機の調節方法
JP2009282909A (ja) * 2008-05-26 2009-12-03 Sodick Co Ltd 加工条件生成装置
JP2012236267A (ja) * 2011-05-13 2012-12-06 Mitsubishi Electric Corp 加工条件探索装置
JP2019198876A (ja) * 2018-05-15 2019-11-21 ファナック株式会社 加工条件調整装置及び機械学習装置
US20200272128A1 (en) * 2019-02-27 2020-08-27 General Electric Company Sensor based smart segmentation

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2612870B2 (ja) * 1987-10-22 1997-05-21 コニカ株式会社 プラントモデルを使ったプロセス制御方法
US20050234761A1 (en) * 2004-04-16 2005-10-20 Pinto Stephen K Predictive model development
US8060454B2 (en) * 2007-10-11 2011-11-15 International Business Machines Corporation Method and apparatus for improved reward-based learning using nonlinear dimensionality reduction
JP2011007553A (ja) * 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
US9412673B2 (en) * 2013-08-23 2016-08-09 Kla-Tencor Corporation Multi-model metrology
EP3278213B1 (en) * 2015-06-05 2025-01-08 C3.ai, Inc. Systems, methods, and devices for an enterprise internet-of-things application development platform
JP6718338B2 (ja) * 2016-09-02 2020-07-08 株式会社デンソー 連続値最適化問題の大域的探索装置及びプログラム
US9953372B1 (en) * 2017-05-22 2018-04-24 Insurance Zebra Inc. Dimensionality reduction of multi-attribute consumer profiles
JP6939162B2 (ja) * 2017-07-13 2021-09-22 横河電機株式会社 プラント制御支援装置、プラント制御支援方法、プラント制御支援プログラム及び記録媒体
US11120368B2 (en) * 2017-09-27 2021-09-14 Oracle International Corporation Scalable and efficient distributed auto-tuning of machine learning and deep learning models
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
JP6663538B1 (ja) * 2018-04-17 2020-03-11 三菱電機株式会社 機械学習装置
US11544630B2 (en) * 2018-10-15 2023-01-03 Oracle International Corporation Automatic feature subset selection using feature ranking and scalable automatic search
JP7196058B2 (ja) * 2019-12-24 2022-12-26 株式会社日立製作所 物体検索装置及び物体検索方法
JP7344149B2 (ja) * 2020-02-07 2023-09-13 キオクシア株式会社 最適化装置及び最適化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001312308A (ja) * 2000-02-24 2001-11-09 Matsushita Electric Works Ltd 数値制御データ作成方法
JP2005115560A (ja) * 2003-10-06 2005-04-28 Micron Seimitsu Kk センタレス研削機の制御プログラム、及びセンタレス研削機の調節方法
JP2009282909A (ja) * 2008-05-26 2009-12-03 Sodick Co Ltd 加工条件生成装置
JP2012236267A (ja) * 2011-05-13 2012-12-06 Mitsubishi Electric Corp 加工条件探索装置
JP2019198876A (ja) * 2018-05-15 2019-11-21 ファナック株式会社 加工条件調整装置及び機械学習装置
US20200272128A1 (en) * 2019-02-27 2020-08-27 General Electric Company Sensor based smart segmentation

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2025500054A (ja) * 2022-02-21 2025-01-07 ユナイテッド グラインディング グループ アクチェンゲゼルシャフト 工作機械のための動作パラメータのセット、工作機械のための制御システム、工作機械及び動作パラメータのセットを決定するための方法を決定する対話型提案システム
JP7774145B2 (ja) 2022-02-21 2025-11-20 ユナイテッド グラインディング グループ アクチェンゲゼルシャフト 工作機械のための動作パラメータのセット、工作機械のための制御システム、工作機械及び動作パラメータのセットを決定するための方法を決定する対話型提案システム
WO2025135081A1 (ja) * 2023-12-22 2025-06-26 株式会社安川電機 製造システム、製造方法、および製造プログラム

Also Published As

Publication number Publication date
CN117157595A (zh) 2023-12-01
US20240054361A1 (en) 2024-02-15
DE112021007121T5 (de) 2023-12-21
TW202242579A (zh) 2022-11-01
JP7286055B2 (ja) 2023-06-02
JPWO2022224399A1 (ja) 2022-10-27

Similar Documents

Publication Publication Date Title
Zhang et al. A practical approach for solving multi-objective reliability redundancy allocation problems using extended bare-bones particle swarm optimization
Agasiev et al. The program system for automated parameter tuning of optimization algorithms
US20200074306A1 (en) Feature subset evolution by random decision forest accuracy
JP7286055B2 (ja) 加工条件探索装置、プログラム及び加工条件探索方法
CN114091794A (zh) 专利价值评估模型训练方法、评估方法、装置及其设备
Rustamovich et al. Intelligent system of labor market regulation based on the evolutionary modeling of employment
Yahya et al. Rocchio algorithm-based particle initialization mechanism for effective PSO classification of high dimensional data
Emami et al. Extreme learning machine based pattern classifiers for symbolic interval data
US11928562B2 (en) Framework for providing improved predictive model
CN111797989B (zh) 基于知识的工艺智能推荐方法
Rigoni et al. Metamodels for fast multi-objective optimization: trading off global exploration and local exploitation
WO2019220608A1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
CN119089803A (zh) 一种基于粒子群算法的施胶工艺参数优化方法
CN111144569A (zh) 一种基于遗传算法的良率提升适用模型的优化方法
WO2022088930A1 (en) Scalable discovery of leaders from dynamic combinatorial search space using incremental pipeline growth approach
Demir et al. Multi-objective feature selection with a sparsity-based objective function and gradient local search for multi-label classification
CN117573867A (zh) 分类和分级非结构化数据方法、系统和计算机设备
Singh et al. Genetic Algorithm based Feature Selection to Enhance Breast Cancer Classification
Pereira et al. A many-objective optimization approach to generate synthetic datasets based on real-world classification problems
Maini et al. Optimal feature selection using elitist genetic algorithm
Al-Helali et al. GP-based feature selection and weighted KNN-based instance selection for symbolic regression with incomplete data
Masek et al. Multi–gpu implementation of machine learning algorithm using cuda and opencl
Łukasik et al. Efficient astronomical data condensation using approximate nearest neighbors
CN116384034A (zh) 实验设计的生成方法、装置和计算机设备
Krawczyk et al. What Is the Impact of Typical Surrogate Models on the Performance of the JADE Algorithm?

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: 21937892

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023515970

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 112021007121

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21937892

Country of ref document: EP

Kind code of ref document: A1