CN111745542A - 磨石选定装置以及磨石选定方法 - Google Patents

磨石选定装置以及磨石选定方法 Download PDF

Info

Publication number
CN111745542A
CN111745542A CN202010217968.5A CN202010217968A CN111745542A CN 111745542 A CN111745542 A CN 111745542A CN 202010217968 A CN202010217968 A CN 202010217968A CN 111745542 A CN111745542 A CN 111745542A
Authority
CN
China
Prior art keywords
grinding
workpiece
stone
grinding wheel
machine
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.)
Granted
Application number
CN202010217968.5A
Other languages
English (en)
Other versions
CN111745542B (zh
Inventor
尾关真一
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.)
Fanuc Corp
Original Assignee
Fanuc 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 Fanuc Corp filed Critical Fanuc Corp
Publication of CN111745542A publication Critical patent/CN111745542A/zh
Application granted granted Critical
Publication of CN111745542B publication Critical patent/CN111745542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B27/00—Other grinding machines or devices
    • B24B27/0038—Other grinding machines or devices with the grinding tool mounted at the end of a set of bars
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B27/00—Other grinding machines or devices
    • B24B27/0076—Other grinding machines or devices grinding machines comprising two or more grinding tools
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/416—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
    • G05B19/4163—Adaptive control of feed or cutting velocity
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33023—Ann with single, only one output
    • 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
    • G05B2219/37—Measurements
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45161—Grinding machine

Landscapes

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

Abstract

本发明提供一种磨石选定装置以及磨石选定方法。磨石选定装置在磨削加工之前选定磨石，其具有：输入部，其输入与磨削对象的工件相对的至少包含工件的形状以及磨削机械的振动数据的磨削条件、以及成为磨削加工中的磨石候补的1个以上的磨石的磨石信息；通过训练数据进行监督学习而取得的已学习模型，训练数据将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及磨削机械的振动数据的任意的磨削条件、以及任意的磨石的磨石信息作为输入数据，将表示磨削条件与磨石的磨石信息的组合适当还是不适当的数据作为标签数据；以及判定部，其使用已学习模型，判定磨石候补中的与磨削条件的组合为适当的组合的磨石候补。

Description

磨石选定装置以及磨石选定方法
技术领域
本发明涉及磨石选定装置以及磨石选定方法。
背景技术
磨石的选定与切削工具的情况不同，需要考虑工件的材质(金属、非金属)、磨石的种类(扁平形、环形、凹陷形、锥形碗形)、研磨颗粒的种类(铝、碳化硅、立方氮化硼)、粒度(颗粒的尺寸)、粘合剂的种类(树脂、金属、陶瓷)、粘合度等级(A(软)-Z(硬))、组织(磨石内气孔的大小)、磨削过程中可能产生的磨石的状态(剥落、变钝、堵塞)、磨石的自锐作用(磨削过程中的锐度恢复度)、圆周速度、进给速度、切入量等各种要素。因此，在磨削机械的加工故障中，磨石的选定错误导致的故障占大部分，磨石的选定需要熟练人员的经验知识。
因此，已知一种使用磨石条件文件来选择适当的磨石的技术，磨石条件文件记录了磨削对象的材质、形状以及要求精度等目标条件与磨石的材质、外径、粒度等磨石条件之间的对应关系中的、根据磨石磨削的经验知识而预先提取的合适的对应关系。例如，参照专利文献1。
但是，由于磨削机械产生取决于磨削机械的振动等，因此需要针对每个磨削机械生成磨石条件文件。并且，在磨石条件文件的生成中依然需要熟练人员的经验知识，存在花费时间和劳力的问题。
专利文献1：日本特开平5-123939号公报
发明内容
因此，希望不取决于磨削机械来选定与磨削条件对应的最佳的磨石。
本公开的磨石选定装置的一方式是在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石的磨石选定装置，该磨石选定装置具有：输入部，其输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件、以及成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息；通过训练数据进行监督学习而取得的已学习模型，所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将表示所述磨削条件和与所述磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据；以及判定部，其使用所述已学习模型，判定由所述输入部输入的成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息中的与所述磨削加工的磨削条件的组合为适当的组合的磨石候补。
本公开的磨石选定装置的一方式是在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石的磨石选定装置，该磨石选定装置具有：输入部，其输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件；通过训练数据进行监督学习而取得的已学习模型，所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于所述磨削条件适当的与磨石相关的磨石信息的数据作为标签数据；以及输出部，其使用所述已学习模型，从所述输入部输入的所述磨削条件中输出与所述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息。
本公开的磨石选定方法的一方式是由计算机实现的，在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石的磨石选定方法，其具有：输入步骤，输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件、以及成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息；以及判定步骤，使用通过训练数据进行监督学习而取得的已学习模型来判定在所述输入步骤中输入的成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息中的与所述磨削加工的磨削条件的组合为适当的组合的磨石候补，所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将表示所述磨削条件和与所述磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据。
本公开的磨石选定方法的一方式是由计算机实现的，在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石的磨石选定方法，其具有：输入步骤，输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件；以及输出步骤，使用通过训练数据进行监督学习而取得的已学习模型，从在所述输入步骤中输入的所述磨削条件中输出与所述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息，所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于所述磨削条件适当的与磨石相关的磨石信息的数据作为标签数据。
根据一方式，能够不取决于磨削机械地选定与磨削条件对应的最佳的磨石。
附图说明
图1表示第1实施方式的数值控制***的整体结构。
图2是表示第1实施方式的磨石选定装置的功能结构例的功能框图。
图3表示图1的磨削机械的振动数据的一例。
图4表示图2的磨石选定装置具有的已学习模型的一例。
图5表示根据图1的控制装置的加工程序的动作指令，通过磨削机械的磨削加工而形成的工件的形状的一例。
图6表示用于将工件磨削加工成图5所示的形状的加工程序的一例。
图7是对运用阶段的磨石选定装置的选择处理进行说明的流程图。
图8表示涉及机器学习的数值控制***的结构。
图9是表示图8的机器学习装置的功能结构例的功能框图。
图10表示图2的磨石选定装置具有的已学习模型的一例。
图11表示第2实施方式的数值控制***的整体结构。
图12是表示第2实施方式的磨石选定装置的功能结构例的功能框图。
图13表示图12的磨石选定装置具有的已学习模型的一例。
图14是对运用阶段的磨石选定装置的选择处理进行说明的流程图。
图15表示涉及机器学习的数值控制***的结构。
图16是表示图15的机器学习装置的功能结构例的功能框图。
图17表示CAD数据与加工程序的关系的一例。
图18表示数值控制***的结构的一例。
符号说明
11 控制装置
21 磨削机械
30，30A 磨石选定装置
40，40A 机器学习装置
301，311 输入部
302 判定部
303，313 选择部
312 输出部
401，411 输入数据取得部
402，412 标签取得部
403，413 学习部
51，51A 已学习模型
具体实施方式
以下，使用附图对本公开的实施方式进行说明。
＜第1实施方式＞
图1表示第1实施方式的包含磨石选定装置30的数值控制***的整体结构。数值控制***除了具有磨石选定装置30，还具有控制装置11以及磨削机械21。
控制装置11、磨削机械21以及磨石选定装置30可以经由未图示的连接接口相互直接连接。此外，控制装置11、磨削机械21以及磨石选定装置30也可以经由LAN(Local AreaNetwork局域网)或互联网等未图示的网络相互连接。该情况下，控制装置11、磨削机械21以及磨石选定装置30具有通过这样的连接来相互进行通信的未图示的通信部。另外，如后所述，控制装置11还可以包含磨石选定装置30。此外，磨削机械21还可以包含控制装置11。
控制装置11是本领域技术人员公知的数值控制装置，根据控制信息生成动作指令，将生成的动作指令发送给磨削机械21，由此控制磨削机械21的动作。此外，控制装置11还向磨石选定装置30输出上述控制信息。另外，控制信息包含设定给控制装置11的加工程序以及参数的值。
此外，控制装置11可以预先将与磨削机械21可选择的磨石相关的磨石信息的一览作为磨石数据表存储在未图示的HDD(Hard Disk Drive硬盘驱动器)等中。此外，所谓磨石信息包含磨石的种类(扁平形、环形、凹陷形、锥形碗形)、研磨颗粒的种类(铝、碳化硅、立方氮化硼等)、粒度(颗粒的尺寸)、粘合剂的种类(树脂、金属、陶瓷)、粘合度等级(A(软)-Z(硬))、组织(磨石内气孔的大小)等。
磨削机械21是根据控制装置11的动作指令，使用由磨石选定装置30选择出的磨石对工件进行磨削的机械。磨削机械21将用于表示基于控制装置11的动作指令的动作状态的信息反馈给控制装置11。此外，磨削机械21例如具有未图示的振动传感器，能够将磨削机械21自身产生的振动作为振动数据反馈给控制装置11。并且，控制装置11可以将反馈的振动数据与上述控制信息一起输出给磨石选定装置30。或者，磨削机械21可以将振动数据直接输出给磨石选定装置30。
另外，本实施方式不限于磨削机械21，能够应用于可进行磨削加工的机床或工业用机器人这样的各种机械。
磨石选定装置30在磨削机械21的磨削加工之前，针对与上述磨削加工的磨削对象的工件相对的磨削条件，例如从存储在磨石数据表中的可选择的磨石(也称为“磨石候补”)中选定对于磨削机械21磨削的工件最佳的磨石，上述磨削条件包含至少包含上述工件的形状以及表示磨削机械21的振动的振动数据。
另外，作为控制装置11的替代，磨石选定装置30可以将与磨削机械21可选择的磨石候补相关的磨石信息的一览的磨石数据表和/或在磨削机械21的磨削加工之前例如通过空转等测量出的磨削机械21的振动数据预先存储在未图示的HDD等中。
＜磨石选定装置30的功能框图＞
图2是表示第1实施方式的磨石选定装置30的功能结构例的功能框图。
如图2所示，磨石选定装置30包含输入部301、判定部302、选择部303以及已学习模型51而构成。
磨石选定装置30为了实现图2的功能块的动作，而具有CPU(Central ProcessingUnit：中央处理单元)等未图示的运算处理装置。此外，磨石选定装置30还具有存储了各种控制用程序的ROM(Read Only Memory：只读内存)、HDD等未图示的辅助存储装置、用于存储运算处理装置执行程序时暂时需要的数据的RAM(Random Access Memory：随机存取存储器)这样的未图示的主存储装置。
并且，在磨石选定装置30中，运算处理装置从辅助存储装置读入OS、应用软件，一边在主存储装置中展开所读入的OS、应用软件，一边进行基于这些OS、应用软件的运算处理。根据该运算结果，磨石选定装置30控制各硬件。由此，实现图2的功能块的处理。即，磨石选定装置30可通过硬件与软件的协作来实现。
输入部301在磨削机械21的磨削加工之前，例如从控制装置11等输入与上述磨削加工的磨削对象的工件相对的至少包含上述工件的形状以及表示磨削机械21的振动的振动数据的磨削条件，并且例如从磨石数据表输入与作业员指定的1个以上的磨石候补相关的磨石信息。输入部301将输入的与磨削对象的工件相对的磨削条件以及输入的与1个以上的磨石候补相关的磨石信息输出给判定部302。这里，磨削条件中包含磨削对象的工件即磨削材料的种类、磨削材料的形状、磨削材料的材质(不锈钢或合金钢等金属、陶瓷等非金属)、光洁度(粗加工、精加工)、有无磨削材料的热处理(淬火)、磨削余量(大、小)、磨石的圆周速度、磨石的进给速度、磨石的切入量以及磨削机械21的振动数据等。
图3表示图1的磨削机械21的振动数据的一例。如图3所示，振动数据可以是原始的波形数据，也可以是离散的数值组。
另外，以下对输入部301输入了多个磨石候补的磨石信息的情况进行说明。
判定部302使用已学习模型51来判定与上述磨削加工的磨削对象的工件相对的磨削条件与多个(n个：n＞1)磨石候补{磨石(1)至磨石(n)}各自的磨石信息的组合是否为适当的组合或者是否为不适当的组合。
图4表示图2的磨石选定装置30具有的已学习模型51的一例。在此，如图4所示，关于已学习模型51例示多层神经网络，该多层神经网络以磨削对象的工件的形状、磨削机械21的振动等的1个磨削条件与1个磨石的磨石信息作为输入层，以表示它们的组合“适当”还是“不适当”的数据(也称为“判定信息”)作为输出层。
该情况下，判定部302针对已学习模型51，输入上述磨削条件以及从多个磨石候补中依次选择出的1个磨石候补(磨石(i)：1≤i≤n)的磨石信息。由此，判定部302能够判定对磨削条件选择出的1个磨石候补(磨石(i))“适当”还是“不适当”。如此，判定部302将n个磨石候补{磨石(1)到磨石(n)}依次输入给已学习模型51，由此能够确定被判定为适当的磨石候补。
另外，已学习模型51的输入层以及输出层不限于上述的构造。如后述那样，作为输入层可以输入1的磨削条件与多个(M个)磨石的磨石信息。该情况下，输出层例如可以与多个(M个)磨石(j)(1≤j≤M)的磨石信息对应地输出表示适当还是不适当的多个(M个)判定数据(j)(1≤j≤M)。另外，使输入层的磨石信息的排列与输出层的判定信息的排列一一对应。
由此，能够将多个磨石候补输入给已学习模型51。
另外，已学习模型51在学习阶段由后述的机器学习装置40构建。
选择部303在由判定部302判定为“适当”的磨石候补有多个时，以磨石信息中包含的1个要素作为判定基准来选择最佳的磨石。选择部303将选择出的最佳的磨石输出给磨削机械21。
更具体地说，选择部303以磨石的种类(扁平形、环形、凹陷形、锥形碗形)、研磨颗粒的种类(铝、碳化硅、立方氮化硼等)、粒度(颗粒的尺寸)、粘合剂的种类(树脂、金属、陶瓷)、粘合度水平(A(软)-Z(硬))、组织(磨石内气孔的大小)、磨削过程中产生的磨石的状态(剥落、变钝、堵塞)、以及磨石的自锐作用(磨削过程中的锐度恢复度)等中的1个要素为判定基准，选择一个最佳的磨石。
即，根据磨削条件的不同，有时由判定部302判定为“适当”的磨石存在多个。但是，即使通过某个磨石得到同样的加工品质，根据使用的磨石，磨削花费的时间、磨损程度等不同。
因此，选择部303例如以粘合度等级为1个要素，可以选择粘合度等级最硬的磨石。由此，可抑制磨石的寿命消耗。或者，选择部303可以以粘合度等级为1个要素，选择粘合度等级柔软的磨石。由此，磨削机械21的振动难以传播至工件等磨削材料，可以提升工件的表面品质。
换言之，在由判定部302判定为“适当”的与磨削条件相适合的磨石候补存在多个时，在磨削机械21的磨削加工之前，用户能够选择与抑制磨石的寿命消耗或改善工件的主要部分等希望对应的磨石。
接下来，对磨石选定装置30的更具体的动作进行说明。
图5表示根据图1的控制装置11的加工程序的动作指令，通过磨削机械21的磨削加工而形成的工件61的形状的一例。另外，图5表示从正的X轴方向(正侧)观察到的工件61和从正的Z轴方向(正上方)观察到的工件61。另外，工件61例如在磨削加工前可以具有在Y轴方向上延伸的四棱柱的形状。
如图5所示，例如，磨削对象的工件61由4个部分71～74的形状构成。即，工件61具有在Y轴方向上宽度宽的部分71、在Y轴方向上宽度窄的部分72、在YZ平面中表示倾斜的斜面的部分73、在YZ平面中表示曲面的部分74。
并且，在图5中，将最适合对各部分71～74进行磨削加工的磨石表示为磨石81～84。磨削机械21能够选择包含4个磨石81～84在内的多个磨石候补(例如，A磨石、B磨石、···M磨石等)。
图6表示用于将工件61磨削加工成图5所示的形状的加工程序90的一例。
加工程序90包含在控制装置11的控制信息中，如图6所示，包含分别对部分71～74进行磨削加工的程序块101～104。加工程序90通过NC程序等记载，程序块101～104表示用于对各部分71～74进行磨削加工的加工路径。
该情况下，输入部301在磨削机械21的磨削加工之前，能够从上述的加工程序90的程序块101～104表示的加工路径取得工件61的部分71～74的形状以及尺寸、磨石的圆周速度、磨石的进给速度、磨石的切入量等与各部分71～74对应的磨削条件。此外，输入部301例如可从控制装置11取得包含振动数据等在内的其他磨削条件，该振动数据表示与各部分71～74对应的磨削机械21的振动。另一方面，输入部301可取得多个磨石候补(例如，A磨石、B磨石、···M磨石)。
并且，例如在对图5所示的部分71进行磨削时，判定部302使用已学习模型51，判定由输入部301输入的与磨削对象的工件61相对的部分71的磨削条件与多个磨石候补(例如，A磨石、B磨石、···M磨石)中的各个磨石候补的磨石信息的组合在工件61的部分71的磨削中适当还是不适当。
同样地，判定部302能够判定与磨削对象的工件61相对的部分72～74各自的磨削条件与多个磨石候补(例如，A磨石、B磨石、···M磨石)中的各个磨石候补的磨石信息的组合在工件61的各个部分72～74的磨削中适当还是不适当。
由此，判定部302能够在与工件61相对的各部分71～74中，分别取得适当的磨石候补。
并且，选择部303能够在针对各个部分71～74由判定部302判定为“适当”的磨石候补中，例如以磨石信息中包含的1个要素作为判定基准，在各个部分71～74选择最佳的磨石候补。
＜运用阶段的磨石选定装置30的选择处理＞
图7是以工件形状如图5所示的情况为例，对运用阶段的磨石选定装置30的选择处理进行说明的流程图。
在步骤S11，输入部301在磨削机械21的磨削加工之前，从上述的加工程序90的程序块101～104表示的加工路径取得工件61的部分71～74的形状以及尺寸、磨石的圆周速度、磨石的进给速度、磨石的切入量等各部分71～74的磨削条件以及包含振动数据等的其他磨削条件，该振动数据表示在各部分71～74的磨削机械21的振动。此外，输入部301取得多个磨石候补(例如，A磨石、B磨石、···M磨石)的磨石信息。
在步骤S12，判定部302取得工件61的部分(71～74)中判定部302未处理的部分的磨削条件。
在步骤S13，判定部302使用已学习模型51，判定在步骤S12取得的与磨削对象的工件61的未处理的部分相对的磨削条件与各磨石候补的磨石信息的组合各自在工件61的未处理的部分的磨削中“适当”还是“不适当”。在对全部的磨石候补判定了“适当”还是“不适当”时，向步骤S14转移。
在步骤S14中，判定部302判定在工件61的部分(71～74)中是否存在判定部302未处理的部分。当存在未处理的部分时，向步骤S12转移。当不存在判定部302未处理的部分时，向步骤S15转移。
在步骤S15，选择部303在工件61的各个部分(71～74)将磨石的种类、研磨颗粒的种类、粒度、粘合剂的种类、粘合度等级、组织等要素中的1个要素作为判定基准，从在步骤S13中判定为适当的磨石候补中选择最佳的磨石候补。
在步骤S16中，选择部303向用户提供表示在步骤S15选择出的最佳的磨石候补的信息。
＜机器学习装置40＞
图8是表示用于进行机器学习的***的概要的一例的概要图。如图8所示，机器学习装置40可以包含在磨石选定装置30中。
如后所述，机器学习装置40通过以下的训练数据来进行监督学习，该训练数据将与任意的磨削对象的工件相对的磨削条件、与任意的磨石相关的磨石信息作为输入数据，并将表示输入数据中的磨削条件和与磨石相关的磨石信息的组合是适当的组合还是不适当的组合的数据作为标签(正解)。
通过这样，机器学习装置40能够构建用于判定与任意的磨削对象的工件相对的磨削条件和与任意的磨石相关的磨石信息的组合“适当”还是“不适当”的已学习模型51(神经网络)。
图9是表示图8的机器学习装置40的功能结构例的功能框图。
如图9所示，机器学习装置40具有：输入数据取得部401、标签取得部402、以及学习部403。
输入数据取得部401在学习阶段(监督学习时)，作为输入数据取得与任意的磨削对象的工件相对的磨削条件以及与任意的磨石相关的磨石信息，对学习部403输出所取得的输入数据。
作为标签数据(正解数据)，标签取得部402取得表示输入数据中的磨削条件和与磨石相关的磨石信息的组合是适当的组合还是不适当的组合的数据，并将取得的标签数据输出给学习部403。
另外，标签不限于“适当”以及“不适当”，也可以通过“1”和“0”等2个值来表示。
学习部403接受上述输入数据与标签的组合来作为训练数据，使用接受的训练数据来进行监督学习，从而构建用于判定与任意的磨削对象的工件相对的磨削条件和与任意的磨石相关的磨石信息的组合适当还是不适当的已学习模型51。
这里，希望准备多个用于进行监督学习的训练数据。例如，可以由熟练人员来生成所有的磨削条件与所有的磨石的组合分别是“适当”还是“不适当”的训练数据。或者，也可以从在顾客的工场等实际运转的各种场所的各个控制装置11取得训练数据。即，在顾客的工场等，顾客使用各种调整信息来调整控制信息，因此，能够取得各种训练数据。
此外，为了高效地进行机器学习装置40的学习，例如可以在实验室等，一边调整各种磨削条件与磨石的组合的控制信息一边使磨削机械21运转，由此取得大量“适当”或者“不适当”的训练数据。该情况下，控制信息的生成可以由用户来进行，但是，例如也可以由控制装置11等装置自动生成控制信息。
并且，学习部403将已构建的已学习模型51提供给判定部302。
另外，学习部403当在构建了已学习模型51后取得了新的训练数据时，可以针对已学习模型51进一步进行监督学习，由此对曾经构建的已学习模型51进行更新。
此外，已学习模型51可以在与其他的磨石选定装置30之间进行共享。如果由多个磨石选定装置30共享已学习模型51，则能够通过各磨石选定装置30分散地进行监督学习，能够提升监督学习的效率。
此外，如图4所示，将已学习模型51设为以磨削对象的工件的形状、磨削机械21的振动等磨削条件、以及1个磨石的磨石信息作为输入层，以“适当”作为输出层的多层神经网络，但是不限于此。例如，如图10所示，已学习模型51可以是以磨削对象的工件的形状、磨削机械21的振动等磨削条件、以及多个磨石各自的磨石信息作为输入层，以多个磨石各自的“适当”作为输出层的神经网络。
图10表示图2的磨石选定装置具有的已学习模型的一例。
由此，磨石选定装置30能够针对多个磨石分别并列地进行“适当”还是“不适当”的判定，从而提升处理速度。
上述监督学习可以通过在线学习进行，也可以通过批量学习来进行，还可以通过小批量学习来进行。
所谓在线学习是指以下学习方法：进行磨削机械21的磨削，每当生成训练数据时，立即进行监督学习。此外，所谓批量学习是指以下学习方法：在重复通过磨削机械21进行加工来生成训练数据的期间，收集与重复对应的多个训练数据，使用收集到的所有训练数据进行监督学习。并且，所谓小批量学习是指在线学习与批量学习中间的每当积攒了某种程度的训练数据时进行监督学习的学习方法。
如上所述，第1实施方式的磨石选定装置30在磨削机械21的磨削加工之前，选定在上述磨削加工中使用的适当的磨石，该磨石选定装置具有：输入部301，其输入与上述磨削加工的磨削对象的工件61相对的磨削条件以及成为上述磨削加工中使用的磨石的候补的1个以上的磨石所相关的磨石信息，上述磨削条件至少包含工件61的形状以及表示磨削机械21的振动的振动数据；通过训练数据进行监督学习而取得的已学习模型51，上述训练数据预先将与任意的磨削机械的磨削加工的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将用于表示磨削条件和与磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据；以及判定部302，其使用已学习模型51，判定由输入部301输入的成为上述磨削加工中使用的磨石的候补的1个以上的磨石所相关的磨石信息中的、与上述磨削加工的磨削条件的组合为适当的组合的磨石候补。
并且，磨石选定装置30通过使用在磨削条件中包含磨削机械21的振动数据而构建的已学习模型51，能够不取决于磨削机械21，根据磨削对象的工件61的磨削条件来确定适当的磨石候补。由此，磨石选定装置30不需要针对磨削材料的每种材质、每个磨削条件、每个磨削机械等准备用于确定适当的磨石候补的文件。
此外，磨石选定装置30通过与其他磨石选定装置30之间共享已学习模型51，即使设置新的磨削机械也可应用已学习模型51。
此外，磨石选定装置30能够将磨石的种类、研磨颗粒的种类、粒度、粘合度等级等中的1个要素作为判定基准，从适当的磨石候补中进一步选择最佳的磨石。由此，磨石选定装置30能够选择与抑制磨石的寿命消耗或提升工件的表面品质等愿望对应的最佳的磨石。
以上，对第1实施方式进行了说明。
＜第2实施方式＞
第2实施方式的磨石选定装置与第一实施方式的不同点在于，使用通过训练数据进行监督学习而生成的已学习模型，输出与上述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息，上述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含上述工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于磨削条件来说恰当的与磨石相关的磨石信息的数据作为标签数据。
以下，对第2实施方式进行说明。
图11表示第2实施方式的包含磨石选定装置30A的数值控制***的整体结构的图。数值控制***除了具有磨石选定装置30A，还具有控制装置11以及磨削机械21。另外，对于与图1为相同功能的要素标注相同的符号，并省略其说明。
图12是表示第2实施方式的磨石选定装置30A的功能结构例的功能框图。
如图12所示，磨石选定装置30A包含输入部311、输出部312、选择部313、以及已学习模型51A而构成。另外，对于具有与图2的框图相同功能的功能块标注相同的符号，并省略其说明。
输入部311在磨削机械21的磨削加工之前，例如从控制装置11等输入与上述磨削加工的磨削对象的工件相对的至少包含上述工件的形状以及表示磨削机械21的振动的振动数据的磨削条件。输入部311将输入的与磨削对象的工件相对的磨削条件输出给输出部312。
另外，在第2实施方式中，输入部311不输入与多个磨石候补(例如，A1磨石、B1磨石等)相关的磨石信息。
输出部312在磨削机械21的磨削加工之前，将从输入部311输入的与磨削对象的工件相对的至少包含工件的形状以及表示磨削机械21的振动的振动数据的磨削条件输入给通过训练数据进行监督学习而生成的已学习模型51A，由此输出与上述磨削条件的组合为适当的组合的与磨石相关的磨石信息，上述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含上述工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于上述磨削条件来说恰当的与磨石相关的磨石信息的数据作为标签数据。
图13表示图12的磨石选定装置30A具有的已学习模型51A的一例。如图13所示，已学习模型51A例如是将磨削对象的工件的形状、磨削对象的工件的材质、以及磨削机械21的振动等磨削条件作为输入层，并将“适当”的磨石候补作为输出层的多层神经网络。这样，第2实施方式的已学习模型51A针对任意的磨削条件，从预先设定的磨石候补的集合中输出组合适当的磨石候补的部分集合。
在学习阶段由后述的机器学习装置40A构建已学习模型51A。
在由输出部312输出的“适当”的磨石候补有多个时，选择部313从其中选择对于上述磨削加工最佳的磨石。选择部313将选择出的最佳的磨石输出给用户。另外，选择部313也可以提供输出部312输出的“适当”的磨石候补的用户能够利用的磨石信息。此外，选择部313的其他功能与第1实施方式的选择部303一样，省略详细的说明。
＜运用阶段的磨石选定装置30A的选择处理＞
图14是以工件形状为图5所示的形状的工件的磨削加工为例，对运用阶段的磨石选定装置30A的选择处理进行说明的流程图。
在步骤S51中，输入部311在磨削机械21的磨削加工之前，从上述加工程序90的程序块101～104所表示的加工路径取得工件61的部分71～74的形状以及尺寸、磨石的圆周速度、磨石的进给速度、磨石的切入量等各部分71～74的磨削条件以及包含用于表示在各部分71～74的磨削机械21的振动的振动数据等的其他磨削条件。
在步骤S52，输出部312取得工件61的部分(71～74)中输出部312未处理的部分的磨削条件。
在步骤S53，输出部312使用已学习模型51A，将在步骤S52取得的与磨削对象的工件61的未处理的部分相对的磨削条件输入给已学习模型51A，由此，输出与上述磨削条件的组合为适当的组合的与磨石候补相关的磨石信息。
在步骤S54，输出部312判定在工件61的部分(71～74)中是否有输出部312未处理的部分。当有未处理的部分时，向步骤S52转移。在没有输出部312未处理的部分时，向步骤S55转移。
在步骤S55，选择部313在工件61的各个部分(71～74)将磨石的种类、研磨颗粒的种类、粒度、粘合剂的种类、粘合度等级、组织等要素中的1个要素作为判定基准，从在步骤S53中判定为适当的磨石候补中选择最佳的磨石。
在步骤S56中，选择部313将表示在步骤S55选择出的最佳磨石的信息提供给用户。
＜机器学习装置40A＞
图15是表示用于进行机器学习的***的概要的一例的概要图。如图15所示，机器学习装置40A可以包含在磨石选定装置30A中。
如后所述，机器学习装置40A通过以下的训练数据来进行监督学习，该训练数据将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含上述工件的形状以及表示上述磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于上述磨削条件适当的磨石候补的数据作为标签数据。
通过这样，机器学习装置40A能够构建已学习模型51A(神经网络)，该已学习模型51A输出与任意的磨削对象的工件的磨削条件的组合为适当的组合的与磨石相关的磨石信息。
图16是表示图15的机器学习装置40A的功能的结构例的功能框图。
如图16所示，机器学习装置40A具有输入数据取得部411、标签取得部412、以及学习部413。
输入数据取得部411在学习阶段(监督学习时)，作为输入数据来取得与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含上述工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件，并将取得的输入数据输出给学习部413。
作为标签数据，标签取得部412取得用于表示对于输入数据中的磨削条件来说适当的与磨石相关的磨石信息的数据，并将取得的标签输出给学习部413。更具体来说，例如，作为标签数据，从预先设定的磨石候补的集合{A1磨石、B1磨石、···X1磨石}中，取得表示对于磨削条件来说适当的磨石候补的数据，并将取得的标签输出给学习部413。
作为训练数据，学习部413接受上述输入数据与标签的组合，使用接受的训练数据来进行监督学习。由此，学习部413构建已学习模型51A，该已学习模型51A输出对于任意的磨削条件适当的与磨石相关的磨石信息，该任意的磨削条件包含与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含上述工件的形状以及表示上述磨削机械的振动的振动数据。
在此，希望准备大量的用于进行监督学习的训练数据。例如，可以由熟练人员来生成磨削条件和“适当”的磨石候补的标签数据。或者，也可以从在顾客的工场等实际运转的各种场所的各个控制装置11取得磨削条件和“适当”的磨石候补的标签数据。
此外，为了高效进行机器学习装置40A的学习，例如可以在实验室等一边对各种磨削条件与磨石的组合的控制信息进行调整一边使磨削机械21进行运转，由此取得大量的“适当”的磨石候补的标签数据。该情况下，控制信息的生成可以由用户进行，但是例如也可以由控制装置11等装置自动生成控制信息。
另外，机器学习装置40A当在构建了已学习模型51A后取得新的训练数据时，通过对已学习模型51A进一步进行监督学习，可以对曾经构建的已学习模型51A进行更新。
此外，已学习模型51A可以在与其他的磨石选定装置30A之间进行共享。如果由多个磨石选定装置30A共享已学习模型51A，则能够通过各磨石选定装置30A分散地进行监督学习，能够提升监督学习的效率。
如上所述，第2实施方式的磨石选定装置30A在磨削机械21的磨削加工之前，选定在上述磨削加工中使用的适当的磨石，磨石选定装置30A具有：输入部311，其输入磨削条件，该磨削条件包含与上述磨削加工的磨削对象的工件61相对的至少包含工件61的形状以及表示磨削机械21的振动的振动数据；通过训练数据进行监督学习而取得的已学习模型51A，上述训练数据预先将任意的磨削条件作为输入数据，并将表示对于磨削条件适当的与磨石相关的磨石信息的数据作为标签数据，上述任意的磨削条件包含与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据；以及输出部312，其使用已学习模型51A，从通过输入部311输入的上述磨削条件中，输出与上述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息。
并且，磨石选定装置30A通过使用在磨削条件中包含磨削机械21的振动数据而构建的已学习模型51A，不取决于磨削机械21，能够根据磨削对象的工件61的磨削条件来确定最佳的磨石。由此，磨石选定装置30A不需要针对磨削材料的每种材质、每个磨削条件、每个磨削机械等准备用于确定适当的磨石的文件。
此外，磨石选定装置30A通过与其他磨石选定装置30A之间共享已学习模型51A，即使设置新的磨削机械也可应用已学习模型51A。
此外，磨石选定装置30A能够将磨石的种类、研磨颗粒的种类、粒度、粘合度等级等中的1个要素作为判定基准，从适当的磨石中进一步选择最佳的磨石。由此，磨石选定装置30A能够选择与抑制磨石的寿命消耗或提升工件的表面品质等愿望对应的最佳磨石。
以上，对第2实施方式进行了说明。
以上，对第1实施方式以及第2实施方式进行了说明，但是磨石选定装置30A并不限于上述实施方式，还包含能够达成目的的范围内的变形、改良等。
＜变形例1＞
例如，在上述第1实施方式以及第2实施方式中，控制装置11、磨削机械21由分开的装置构成，但是不限于此。如上所述，磨削机械21也可以包含控制装置11。此外，磨石选定装置30、30A以及机器学习装置40、40A由与控制装置11以及磨削机械21分开的装置构成，但是不限于此。例如，磨石选定装置30、30A以及机器学习装置40、40A的全部功能或者部分功能也可以由控制装置11或者磨削机械21实现。
此外，也可以利用云上的虚拟服务器功能等来实现磨石选定装置30、30A和/或机器学习装置40、40A的全部功能或部分功能。
＜变形例2＞
例如，在上述第1实施方式以及第2实施方式中，磨石选定装置30、30A从加工程序90的程序块表示的加工路径取得工件61的形状以及尺寸，但是不限于此。例如，如图17所示，可通过使用CAM(Computer-Aided Manufacturing计算机辅助制造)对磨削对象的工件61的CAD(Computer-Aided Design计算机辅助设计)数据(三维坐标组数据)95进行变换来取得加工程序90。因此，磨石选定装置30、30A可以将工件61的各部分71～74的CAD数据(图面信息)作为加工(磨削)路径信息来取得工件61的各部分71～74的形状以及尺寸。
图17表示CAD数据95与加工程序90的关系的一例。
＜变形例3＞
例如，在上述第1实施方式中，磨石选定装置30使用从机器学习装置40提供的已学习模型51，选定与1个磨削机械21的磨削条件对应的最佳磨石，但是不限于此。例如，如图18所示，磨石选定装置30可以针对与网络60连接的n个磨削机械21A(1)～21A(n)利用已学习模型51，选定与各个磨削机械21A(1)～21A(n)的磨削条件对应的最佳磨石。另外，n是1以上的整数。此外，各个磨削机械21A(1)～21A(n)对应于图1的磨削机械21。由此，即使连接新的磨削机械也可以应用已学习模型51。
另外，磨石选定装置30与磨削机械21A(1)～21A(n)可以经由未图示的连接接口相互直接连接。
此外，关于第2实施方式的磨石选定装置30A，可以与第1实施方式的磨石选定装置30同样地动作。
＜变形例4＞
例如，在上述第1实施方式以及第2实施方式中，将磨削机械21的磨削对象设为工件61，但是不限于此。例如，磨削机械21也可以将工具作为磨削对象。由此，磨削机械21能够恢复工具本来具有的自锐等性能。
＜变形例5＞
例如，在上述第1实施方式以及第2实施方式中，选择部303、313以磨石的种类、粘合度等级等中的1个要素为判定基准，选择最佳的磨石，但是不限于此。例如，选择部303、313可以使用数学式(1)，进行磨石的种类、粘合度等级等中的至少2个以上的要素的加权相加来计算评价值E，选择评价值E最高的磨石。
E＝a1×磨石的种类+a2×研磨颗粒的种类+a3×粒度+a4×粘合剂的种类+a5×粘合度等级+a6×组织…(1)
a1～a6是加权系数。关于磨石的种类，例如像“扁平形”是“1.1”，“环形”是“1.2”等那样，预先设定与种类对应的值。此外，关于研磨颗粒的种类例如，像“铝”是“1.1”，“碳化硅”是“1.2”等那样，预先设定与种类对应的值。此外，关于粒度，例如像“颗粒的尺寸小”是“1.1”，“颗粒的尺寸中等”是“1.2”，“颗粒的尺寸大”是“1.3”等那样，预先设定与尺寸对应的值。此外，关于粘合剂的种类，例如，像“树脂”是“1.1”，“金属”是“1.2”等那样，预先设定与种类对应的值。此外，关于粘合度等级，例如，像“A(软)”是“1.1”，“B”是“1.2”等那样，预先设定与粘合度等级对应的值。关于组织，例如像“气孔小”是“1.1”，“气孔中等”是“1.2”，“气孔大”是“1.3”等那样，预先设定与气孔的大小对应的值。
由此，磨石选定装置30、30A进行加权来进行判断，由此能够综合性地判断磨石的寿命消耗的抑制或磨削面的品质等来选择最佳的磨石。
另外，上述的第1实施方式以及第2实施方式的磨石选定装置30、30A所包含的各功能可以通过硬件、软件或者它们的组合来分别实现。这里，所谓通过软件来实现表示通过计算机读入并执行程序来实现。
可以使用各种类型的非暂时性的计算机可读介质(non-transitory computerreadable medium)来存储程序从而提供给计算机。非暂时性的计算机可读介质包含各种类型的有形的存储介质(tangible storage medium)。作为非暂时性的计算机可读介质的例子，包含磁存储介质(例如，软盘、磁带、硬盘驱动器)、光磁存储介质(例如，光磁盘)、CD-ROM(Read Only Memory，只读存储器)、CD-R、CD-R/W、半导体存储器(例如，掩膜ROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、闪速ROM、RAM)。此外，可以通过各种类型的暂时性的计算机可读介质(transitory computer readable medium)将程序提供给计算机。作为暂时性的计算机可读介质的例子，包含电信号、光信号以及电磁波。暂时性的计算机可读介质可以经由电线、光纤等有线通信路或无线通信路将程序提供给计算机。
另外，关于对记录介质中记录的程序进行记述的步骤，自不必说包含按照其顺序以时间序列进行的处理，还包含未必以时间序列进行处理而是并行或者单独执行的处理。
换言之，关于本公开的磨石选定装置以及磨石选定方法，能够取得具有如下那样的结构的各种实施方式。
(1)本公开的磨石选定装置30在磨削机械21的磨削加工之前，选定在上述磨削加工中使用的磨石，该磨石选定装置30具有：输入部301，其输入与上述磨削加工的磨削对象的工件61相对的至少包含工件61的形状以及表示磨削机械21的振动的振动数据的磨削条件、以及成为在上述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息；通过训练数据进行监督学习而取得的已学习模型51，上述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将表示磨削条件和与磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据；以及判定部302，其使用已学习模型51，判定由输入部301输入的成为在上述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息中的与上述磨削加工的磨削条件的组合为适当的组合的磨石候补。
根据该磨石选定装置30，通过使用在磨削条件中包含磨削机械21的振动数据而构建的已学习模型51，能够不取决于磨削机械21，根据磨削对象的工件61的磨削条件来确定最佳的磨石候补。
(2)还可以具有选择部303，其在由判定部302判定为适当的磨石候补有多个时，以磨石信息中包含的1个要素为判定基准，根据判定基准，从磨石候补中选择最佳的磨石。
通过这样，磨石选定装置30能够选择与抑制磨石的寿命消耗或提升工件的表面品质等愿望对应的最佳磨石。
(3)还可以具有选择部303，其在由判定部302判定为适当的磨石候补有多个时，针对各个磨石候补，对磨石信息中包含的多个要素进行加权相加来计算评价值E，选择磨石候补中的评价值E最高的磨石候补来作为最佳的磨石。
通过这样，磨石选定装置30通过进行加权来进行判断，由此能够综合性地判断磨石的寿命消耗的抑制或磨削面的品质等来选择最佳的磨石。
(4)还可以包含机器学习装置40，该机器学习装置40具有：输入数据取得部401，其取得输入数据，该输入数据包含与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据的磨削条件、以及与任意的磨石相关的磨石信息；标签取得部402，其取得标签数据，该标签数据表示输入数据中包含的磨削条件和与磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合；以及学习部403，其使用由输入数据取得部401取得的输入数据、以及由标签取得部402取得的标签数据来执行监督学习，生成已学习模型51。
通过这样，磨石选定装置30不需要针对磨削材料的每种材质、每个磨削条件、每个磨削机械等准备用于选定磨石的文件。
(5)在经由网络60与磨削机械21A(1)～21A(n)连接时，可以将已学习模型51用于多个磨削机械21A(1)～21A(n)中的各个磨削机械。
通过这样，即使连接新的磨削机械也能够应用已学习模型51。
(6)本公开的磨石选定装置30A是在磨削机械21的磨削加工之前，选定在上述磨削加工中使用的磨石，该磨石选定装置30A具有：输入部311，其输入与上述磨削加工的磨削对象的工件61相对的至少包含工件61的形状以及表示磨削机械21的振动的振动数据的磨削条件；通过训练数据进行监督学习而取得的已学习模型51A，上述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于磨削条件适当的与磨石相关的磨石信息的数据作为标签数据；以及输出部312，其使用已学习模型51A，从输入部311输入的磨削条件中输出与上述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息。
根据该磨石选定装置30A，通过使用在磨削条件中包含磨削机械21的振动数据而构建的已学习模型51A，能够不取决于磨削机械21，根据磨削对象的工件61的磨削条件来确定适当的磨石。
(7)还可以具有选择部313，其在由输出部312输出了多个与上述磨削加工的磨削条件成为适当的组合的与磨石相关的磨石信息时，以磨石信息中包含的1个要素为判定基准，根据判定基准，从多个磨石中选择最佳的磨石。
通过这样，磨石选定装置30A能够选择与抑制磨石的寿命消耗或提升工件的表面品质等愿望对应的最佳磨石。
(8)还可以具有选择部313，其在由输出部312输出了多个与上述磨削加工的磨削条件成为适当的组合的与磨石相关的磨石信息时，对磨石信息中包含的多个要素进行加权相加来计算评价值，选择多个磨石中的上述评价值最高的磨石来作为最佳的磨石。
通过这样，磨石选定装置30A通过进行加权来进行判断，能够综合性地判断磨石的寿命消耗的抑制或磨削面的品质等来选择最佳的磨石。
(9)还可以包含机器学习装置40A，该机器学习装置40A具有：输入数据取得部411，其取得输入数据，该输入数据包含与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据的磨削条件；标签取得部412，其取得标签数据，该标签数据表示对于磨削条件适当的与磨石相关的磨石信息；以及学习部413，其使用输入数据取得部411取得的输入数据以及标签取得部412取得的标签数据来执行监督学习，生成已学习模型51A。
通过这样，磨石选定装置30A不需要针对磨削材料的每种材质、每个磨削条件、每个磨削机械等准备用于选定磨石的文件。
(10)在经由网络60与磨削机械21A(1)～21A(n)连接时，可以将已学习模型51A用于多个磨削机械21A(1)～21A(n)中的各个磨削机械。
通过这样，即使连接新的磨削机械也能够应用已学习模型51A。
(11)本公开的磨石选定方法由计算机实现，是在磨削机械21的磨削加工之前选定在上述磨削加工中使用的磨石的磨石选定方法，其具有：输入步骤，输入与上述磨削加工的磨削对象的工件61相对的至少包含工件61的形状以及表示磨削机械21的振动的振动数据的磨削条件、以及成为在上述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息；以及判定步骤，使用通过训练数据进行监督学习而取得的已学习模型51来判定在输入步骤中输入的成为在上述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息中的与上述磨削加工的磨削条件的组合为适当的组合的磨石候补，上述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含工件的形状以及表示磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将表示磨削条件和与磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据。
根据该磨石选定方法，能够获得与(1)相同的效果。
(12)本公开的磨石选定方法由计算机实现，是在磨削机械21的磨削加工之前选定在上述磨削加工中使用的磨石的磨石选定方法，其具有：输入步骤，输入与上述磨削加工的磨削对象的工件61相对的至少包含工件61的形状以及表示磨削机械21的振动的振动数据的磨削条件；以及输出步骤，使用通过训练数据进行监督学习而取得的已学习模型51A，从在输入步骤中输入的磨削条件中输出与上述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息，上述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件61相对的至少包含工件61的形状以及表示磨削机械21的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于磨削条件适当的与磨石相关的磨石信息的数据作为标签数据。
根据该磨石选定方法，能够获得与(6)相同的效果。

Claims (12)

1.一种磨石选定装置，其在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石，其特征在于，具备：
输入部，其输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件、以及成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息；
通过训练数据进行监督学习而取得的已学习模型，所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将表示所述磨削条件和与所述磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据；以及
判定部，其使用所述已学习模型，判定由所述输入部输入的成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息中的与所述磨削加工的磨削条件的组合为适当的组合的磨石候补。
2.根据权利要求1所述的磨石选定装置，其特征在于，
所述磨石选定装置还具备选择部，该选择部在由所述判定部判定为适当的磨石候补有多个时，以所述磨石信息中包含的1个要素为判定基准，根据所述判定基准从所述磨石候补中选择最佳的磨石。
3.根据权利要求1所述的磨石选定装置，其特征在于，
所述磨石选定装置还具备选择部，该选择部在由所述判定部判定为适当的磨石候补有多个时，针对各个所述磨石候补，对所述磨石信息中包含的多个要素进行加权相加来计算评价值，选择所述磨石候补中的所述评价值最高的磨石候补来作为最佳的磨石。
4.根据权利要求1～3中的任意一项所述的磨石选定装置，其特征在于，
所述磨石选定装置包含机器学习装置，
所述机器学习装置具备：
输入数据取得部，其取得输入数据，该输入数据包含与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件、以及与任意的磨石相关的磨石信息；
标签取得部，其取得标签数据，该标签数据表示所述输入数据中包含的所述磨削条件和与所述磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合；以及
学习部，其使用由所述输入数据取得部取得的输入数据以及由所述标签取得部取得的标签数据来执行监督学习，生成已学习模型。
5.根据权利要求1～4中的任意一项所述的磨石选定装置，其特征在于，
在经由网络与多个所述磨削机械连接时，对多个所述磨削机械中的各个磨削机械使用所述已学习模型。
6.一种磨石选定装置，其在磨削机械的磨削加工之前，选定在所述磨削加工中使用的磨石，其特征在于，具备：
输入部，其输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件；
通过训练数据进行监督学习而取得的已学习模型，所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于所述磨削条件适当的与磨石相关的磨石信息的数据作为标签数据；以及
输出部，其使用所述已学习模型，从所述输入部输入的所述磨削条件中输出与所述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息。
7.根据权利要求6所述的磨石选定装置，其特征在于，
所述磨石选定装置还具备选择部，该选择部在所述输出部输出了多个与所述磨削加工的磨削条件成为适当的组合的与磨石相关的磨石信息时，以所述磨石信息中包含的1个要素为判定基准，根据所述判定基准，从多个所述磨石中选择最佳的磨石。
8.根据权利要求6所述的磨石选定装置，其特征在于，
所述磨石选定装置还具备选择部，该选择部在由所述输出部输出了多个与所述磨削加工的磨削条件成为适当的组合的与磨石相关的磨石信息时，对所述磨石信息中包含的多个要素进行加权相加来计算评价值，选择多个所述磨石中的所述评价值最高的磨石来作为最佳的磨石。
9.根据权利要求6～8中的任意一项所述的磨石选定装置，其特征在于，
所述磨石选定装置包含机器学习装置，
所述机器学习装置具备：
输入数据取得部，其取得输入数据，该输入数据包含与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件；
标签取得部，其取得标签数据，该标签数据表示对于所述磨削条件适当的与磨石相关的磨石信息；以及
学习部，其使用通过所述输入数据取得部取得的输入数据以及通过所述标签取得部取得的标签数据来执行监督学习，生成已学习模型。
10.根据权利要求6～9中的任意一项所述的磨石选定装置，其特征在于，
在经由网络与多个所述磨削机械连接时，对多个所述磨削机械中的各个磨削机械使用所述已学习模型。
11.一种磨石选定方法，其由计算机实现，在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石，其特征在于，具备：
输入步骤，输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件、以及成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息；以及
判定步骤，使用通过训练数据进行监督学习而取得的已学习模型来判定在所述输入步骤中输入的成为在所述磨削加工中使用的磨石的候补的1个以上的磨石相关的磨石信息中的与所述磨削加工的磨削条件的组合为适当的组合的磨石候补，
所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件、以及与任意的磨石相关的磨石信息作为输入数据，并将表示所述磨削条件和与所述磨石相关的磨石信息的组合是否是适当的组合或者是否是不适当的组合的数据作为标签数据。
12.一种磨石选定方法，其由计算机实现，在磨削机械的磨削加工之前选定在所述磨削加工中使用的磨石，其特征在于，具备：
输入步骤，输入与所述磨削加工的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的磨削条件；以及
输出步骤，使用通过训练数据进行监督学习而取得的已学习模型，从在所述输入步骤中输入的所述磨削条件中输出与所述磨削加工的磨削条件的组合为适当的组合的与磨石相关的磨石信息，
所述训练数据预先将与任意的磨削机械的磨削加工中的磨削对象的工件相对的至少包含所述工件的形状以及表示所述磨削机械的振动的振动数据的任意的磨削条件作为输入数据，并将表示对于所述磨削条件适当的与磨石相关的磨石信息的数据作为标签数据。
CN202010217968.5A 2019-03-27 2020-03-25 磨石选定装置以及磨石选定方法 Active CN111745542B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019061012A JP6949896B2 (ja) 2019-03-27 2019-03-27 砥石選定装置及び砥石選定方法
JP2019-061012 2019-03-27

Publications (2)

Publication Number Publication Date
CN111745542A true CN111745542A (zh) 2020-10-09
CN111745542B CN111745542B (zh) 2023-05-16

Family

ID=70779486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010217968.5A Active CN111745542B (zh) 2019-03-27 2020-03-25 磨石选定装置以及磨石选定方法

Country Status (5)

Country Link
US (1) US11465253B2 (zh)
EP (1) EP3718691A1 (zh)
JP (1) JP6949896B2 (zh)
CN (1) CN111745542B (zh)
DE (1) DE102020201751A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制***及方法
CN117697613A (zh) * 2023-12-22 2024-03-15 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及***

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4163056A1 (de) * 2021-10-06 2023-04-12 ARKU Maschinenbau GmbH Vorrichtung und verfahren zum bereitstellen eines vorschlags zur optimalen einstellung einer blechbearbeitungsmaschine
CN113941926A (zh) * 2021-10-28 2022-01-18 杭州涂鸦信息技术有限公司 一种导光柱的磨砂方法、装置及光学设备
CN117055455B (zh) * 2023-08-02 2024-05-24 山东春光磁电科技有限公司 一种软磁铁氧体自动配料控制***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02124264A (ja) * 1988-11-02 1990-05-11 Nagase Iron Works Co Ltd 砥石のバランス状態検出装置
JP2000158338A (ja) * 1998-11-27 2000-06-13 Toyota Motor Corp 研削ツールの摩耗状態および芯ずれ検出方法
CN101670553A (zh) * 2009-09-28 2010-03-17 浙江大学 外圆磨削多参数集成质量监测装置及方法
CN102275131A (zh) * 2011-06-28 2011-12-14 上海三一精机有限公司 检测磨床加工状态的监控方法及监控***
CN105182902A (zh) * 2014-06-13 2015-12-23 发那科株式会社 数值控制装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4402161A (en) * 1981-10-02 1983-09-06 Litton Industrial Products, Inc. Cylindrical grinding machine
KR920002268A (ko) * 1990-07-17 1992-02-28 유끼노리 가까즈 인텔리젠트가공장치
JPH04135206A (ja) * 1990-09-27 1992-05-08 Toyoda Mach Works Ltd 加工条件自動決定装置
JPH05123939A (ja) * 1991-02-22 1993-05-21 Waida Seisakusho:Kk 研削装置の制御方法
JPH07295619A (ja) * 1994-04-25 1995-11-10 Mitsubishi Electric Corp 工作機械の数値制御装置
US6445971B1 (en) * 1999-11-19 2002-09-03 Glassline Corporation Machine for tooling small parts
DE102004009352B4 (de) * 2004-02-26 2006-01-19 Thyssen Krupp Automotive Ag Vorrichtung zum Herstellen einer Fertigkontur eines Werkstücks durch Schleifen und Verfahren dazu
US7933679B1 (en) * 2007-10-23 2011-04-26 Cessna Aircraft Company Method for analyzing and optimizing a machining process
CN101934484B (zh) * 2009-06-29 2013-02-13 鸿富锦精密工业（深圳）有限公司 刀具磨削加工方法及装置
CN101817163B (zh) * 2010-03-25 2012-01-04 南京大学 一种基于神经网络的磨削加工工况检测方法
CN105437016A (zh) * 2015-12-02 2016-03-30 江苏福坤玻璃有限公司 一种智能磨边成套方案
JP6557198B2 (ja) * 2016-09-06 2019-08-07 ファナック株式会社 数値制御装置
JP6450738B2 (ja) * 2016-12-14 2019-01-09 ファナック株式会社 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法
JP6756676B2 (ja) * 2017-07-27 2020-09-16 ファナック株式会社 製造システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02124264A (ja) * 1988-11-02 1990-05-11 Nagase Iron Works Co Ltd 砥石のバランス状態検出装置
JP2000158338A (ja) * 1998-11-27 2000-06-13 Toyota Motor Corp 研削ツールの摩耗状態および芯ずれ検出方法
CN101670553A (zh) * 2009-09-28 2010-03-17 浙江大学 外圆磨削多参数集成质量监测装置及方法
CN102275131A (zh) * 2011-06-28 2011-12-14 上海三一精机有限公司 检测磨床加工状态的监控方法及监控***
CN105182902A (zh) * 2014-06-13 2015-12-23 发那科株式会社 数值控制装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制***及方法
CN117067096B (zh) * 2023-10-18 2023-12-15 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制***及方法
CN117697613A (zh) * 2023-12-22 2024-03-15 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及***
CN117697613B (zh) * 2023-12-22 2024-05-07 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及***

Also Published As

Publication number Publication date
JP2020157441A (ja) 2020-10-01
US11465253B2 (en) 2022-10-11
US20200306908A1 (en) 2020-10-01
CN111745542B (zh) 2023-05-16
DE102020201751A1 (de) 2020-10-01
JP6949896B2 (ja) 2021-10-13
EP3718691A1 (en) 2020-10-07

Similar Documents

Publication Publication Date Title
CN111745542A (zh) 磨石选定装置以及磨石选定方法
JP7230555B2 (ja) 研削盤の動作指令データ更新装置
CN107529334A (zh) 通过去除材料加工刀具的方法和装置
CN110780639A (zh) 研磨质量评估模型生成装置及相关装置
CN110948287B (zh) 智能化刀具管理方法及***
EP3736648A1 (en) Method for autonomous optimization of a grinding process
JP7225626B2 (ja) 研削加工に関する学習モデル生成装置、推定装置および動作指令データ更新装置
CN110851921A (zh) 砂轮表面状态的推定模型生成、推定装置、磨床的动作指令数据的调整模型生成、更新装置
JP7380107B2 (ja) 品質予測システム
EP3316058A2 (en) Tool-path planning method
CN111125866A (zh) 用于支持机床的学习模型生成装置、支持装置及机床***
JP2013071187A (ja) 工具経路算出装置、工具経路算出方法、及び加工装置
CN112792619A (zh) 一种基于机器视觉的打磨路径规划方法
CN115502892B (zh) 一种钢材超精密磨削表面材料去除方法及***
US11958166B2 (en) Dressing estimation device and controller
CN106020132B (zh) 基于现场实测切削力数据与离线优化的粗加工进给速度优化方法
JP7451948B2 (ja) 加工品質予測システム
JP2021074842A (ja) 加工品質予測システム
EP3974123A1 (en) Method and system for automatic compensation of tool wear
JP2021148457A (ja) びびり予測システム
WO2023249903A1 (en) Abrasive systems and methods of use
JP2022066720A (ja) 工作機械システム及び被加工物サイズ推定方法
DE102020206283A1 (de) Schleiferauswahlvorrichtung und Schleiferauswahlverfahren
JP2023024706A (ja) 研削品質推定モデル生成装置、研削品質推定装置、不良品質発生要因推定装置、および、研削盤の動作指令データ更新装置
JP2022147692A (ja) 加工状態推定方法及び加工状態推定システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant