JP3086699B2 - 数値制御研削盤 - Google Patents
数値制御研削盤Info
- Publication number
- JP3086699B2 JP3086699B2 JP02259226A JP25922690A JP3086699B2 JP 3086699 B2 JP3086699 B2 JP 3086699B2 JP 02259226 A JP02259226 A JP 02259226A JP 25922690 A JP25922690 A JP 25922690A JP 3086699 B2 JP3086699 B2 JP 3086699B2
- Authority
- JP
- Japan
- Prior art keywords
- condition data
- data
- input
- grinding
- layer
- 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.)
- Expired - Lifetime
Links
Landscapes
- Numerical Control (AREA)
Description
本発明は、加工条件データの自動作成機能を有した数
値制御研削盤に関する。
値制御研削盤に関する。
【００００】
従来、数値制御研削盤を用いた研削加工において、工
作物の仕上げ径、取代、剛性係数、部品種別等の入力条
件データから、粗研、精研、微研等の研削モード毎の工
作物の回転数、研削開始位置、研削送り速度、研削後送
り停止時間等の加工条件をコンピュータにより自動決定
する装置が知られている。
作物の仕上げ径、取代、剛性係数、部品種別等の入力条
件データから、粗研、精研、微研等の研削モード毎の工
作物の回転数、研削開始位置、研削送り速度、研削後送
り停止時間等の加工条件をコンピュータにより自動決定
する装置が知られている。
ところが、実際には、自動決定された加工条件データ
が、各種の入力条件データに対して、最適データとなら
ないことが経験的に知られている。このような場合に、
自動決定された加工条件が作業者の経験や勘、或いは、
実際にその加工条件で加工された加工結果を考慮して補
正されている。 この理論的に決定し難い補正量を自動決定するには、
入力条件データを入力とし、補正量を出力とするニュー
ラルネットワークを構築し、その結合係数を学習させる
ことで、多様な入力条件データの全ての組合せに対し
て、最適な補正量を得ることが考えられる。 一方、作業者は各加工条件データの補正量を決定する
のに、実際には、各加工条件データにおける各補正量の
相互関係を考慮している。 ところが、単純にニューラルネットワークを構築した
場合には、学習されたニューラルネットワークを用いて
も、この加工条件データ間の相互関係が反映されず、最
適な加工条件データが得られないという問題がある。 本発明は上記課題を解決するために成されたものであ
り、その目的は、現実の様々な入力条件データの組合わ
せに対して、最適な加工条件が自動決定できるようにす
ることである。
が、各種の入力条件データに対して、最適データとなら
ないことが経験的に知られている。このような場合に、
自動決定された加工条件が作業者の経験や勘、或いは、
実際にその加工条件で加工された加工結果を考慮して補
正されている。 この理論的に決定し難い補正量を自動決定するには、
入力条件データを入力とし、補正量を出力とするニュー
ラルネットワークを構築し、その結合係数を学習させる
ことで、多様な入力条件データの全ての組合せに対し
て、最適な補正量を得ることが考えられる。 一方、作業者は各加工条件データの補正量を決定する
のに、実際には、各加工条件データにおける各補正量の
相互関係を考慮している。 ところが、単純にニューラルネットワークを構築した
場合には、学習されたニューラルネットワークを用いて
も、この加工条件データ間の相互関係が反映されず、最
適な加工条件データが得られないという問題がある。 本発明は上記課題を解決するために成されたものであ
り、その目的は、現実の様々な入力条件データの組合わ
せに対して、最適な加工条件が自動決定できるようにす
ることである。
上記課題を解決するための発明の構成は、各軸のモー
タの回転をプログラム制御する数値制御装置を有した数
値制御研削盤において、 数値制御装置は、 工作物仕上げ径、取代、剛性係数、工具種類等の入力
条件データを入力するデータ入力手段と、 データ入力手段により入力された入力条件データを記
憶する入力条件データ記憶手段と、 入力条件データから加工条件データの基準値を演算す
る手段であって、加工条件データのうち、各加工モード
における工作物の回転数データの基準値を指令された工
作物の表面荒さに対応する工作物の周速と工作物の直径
とから演算し、各研削モードの研削送り速度データの基
準値を、各研削モードの指令された寸法公差からそれに
対応する切込量を演算してその切込量と工作物の回転数
データの基準値とから演算し、各研削モードの研削開始
径データの基準値を、各研削モード毎に設定されている
標準の送り量と指令された仕上げ径との関係から演算
し、研削後送り停止時間データの基準値を、定寸研削か
否かにより、又、工程を分割して研削するか否かにより
決定される送りを停止させる工作物の回転数の基準値と
回転数データの基準値とを用いて演算する基準値演算手
段と、 入力条件データを入力とし、各加工条件データの基準
値に対する補正量を出力し、入力層、中間層、出力層の
少なくとも３層から成り、出力層の各素子の各出力を中
間層の各素子に帰還させたニューラルネットワークの演
算プログラムを記憶した記憶手段と、 ニューラルネットワークを出力層から中間層への帰還
の無い状態で作動させる第１作動手段と、 第１作動手段によりニューラルネットワークを作動さ
せた後、その状態の出力層の出力を中間層に帰還させた
状態で、入力層に入力条件データを入力させて、出力層
から補正量を出力させる第２作動手段と ニューラルネットワークの結合係数を記憶した記憶手
段と、 出力層の出力を中間層に帰還させた状態でニューラル
ネットワークの出力が熟練した作業者の与える補正量で
ある教師信号となるように各層の結合係数が収束するま
で結合係数を学習させるプログラムを記憶した記憶手段
と、 ニューラルネットワークから出力される補正量で加工
条件データの基準値を補正して加工条件データを求める
自動決定プログラムを記憶した記憶手段と、 補正された加工条件データを記憶する記憶手段と、 補正された加工条件データに基づいて各軸のモータの
回転を制御する制御プログラムを記憶した記憶手段と を備えたことを特徴とする。
タの回転をプログラム制御する数値制御装置を有した数
値制御研削盤において、 数値制御装置は、 工作物仕上げ径、取代、剛性係数、工具種類等の入力
条件データを入力するデータ入力手段と、 データ入力手段により入力された入力条件データを記
憶する入力条件データ記憶手段と、 入力条件データから加工条件データの基準値を演算す
る手段であって、加工条件データのうち、各加工モード
における工作物の回転数データの基準値を指令された工
作物の表面荒さに対応する工作物の周速と工作物の直径
とから演算し、各研削モードの研削送り速度データの基
準値を、各研削モードの指令された寸法公差からそれに
対応する切込量を演算してその切込量と工作物の回転数
データの基準値とから演算し、各研削モードの研削開始
径データの基準値を、各研削モード毎に設定されている
標準の送り量と指令された仕上げ径との関係から演算
し、研削後送り停止時間データの基準値を、定寸研削か
否かにより、又、工程を分割して研削するか否かにより
決定される送りを停止させる工作物の回転数の基準値と
回転数データの基準値とを用いて演算する基準値演算手
段と、 入力条件データを入力とし、各加工条件データの基準
値に対する補正量を出力し、入力層、中間層、出力層の
少なくとも３層から成り、出力層の各素子の各出力を中
間層の各素子に帰還させたニューラルネットワークの演
算プログラムを記憶した記憶手段と、 ニューラルネットワークを出力層から中間層への帰還
の無い状態で作動させる第１作動手段と、 第１作動手段によりニューラルネットワークを作動さ
せた後、その状態の出力層の出力を中間層に帰還させた
状態で、入力層に入力条件データを入力させて、出力層
から補正量を出力させる第２作動手段と ニューラルネットワークの結合係数を記憶した記憶手
段と、 出力層の出力を中間層に帰還させた状態でニューラル
ネットワークの出力が熟練した作業者の与える補正量で
ある教師信号となるように各層の結合係数が収束するま
で結合係数を学習させるプログラムを記憶した記憶手段
と、 ニューラルネットワークから出力される補正量で加工
条件データの基準値を補正して加工条件データを求める
自動決定プログラムを記憶した記憶手段と、 補正された加工条件データを記憶する記憶手段と、 補正された加工条件データに基づいて各軸のモータの
回転を制御する制御プログラムを記憶した記憶手段と を備えたことを特徴とする。
本発明では、基準値演算手段により入力条件データか
ら理論式等を用いて加工条件データの基準値が決定され
る。即ち、加工条件データのうち、各加工モードにおけ
る工作物の回転数データの基準値は、指令された工作物
の表面荒さに対応する工作物の周速と工作物の直径とか
ら演算される。又、加工条件データのうち、各研削モー
ドの研削送り速度データの基準値は、各研削モードの指
令された寸法公差からそれに対応する切込量を演算して
その切込量と工作物の回転数データの基準値とから演算
される。又、加工条件データのうち、各研削モードの研
削開始径データの基準値は、各研削モード毎に設定され
ている標準の送り量と指令された仕上げ径との関係から
演算し、研削後送り停止時間データの基準値を、定寸研
削か否かにより、又、工程を分割して研削するか否かに
より決定される送りを停止させる工作物の回転数の基準
値と回転数データの基準値とを用いて演算される。 又、ニューラルネットワークにより、入力条件データ
を入力して、加工条件データの基準値に対する補正量が
出力される。そして、補正量演算手段により、加工条件
の基準値にその補正量が加算されて現実の最適な加工条
件データが演算される。 本発明は、特に、ニューラルネットワークの出力層の
出力を中間層に帰還させていることを特徴としている。 上記のニューラルネットワークの結合係数は、この帰
還された状態で、様々な入力条件データを入力とし、ニ
ューラルネットワークの出力がその入力条件データに最
適な加工条件データに対して熟練した作業者が与える補
正量となるように、熟練した作業者が与える補正量を教
師信号として、その係数が収束するまで学習されてい
る。又、結合係数は、ニューラルネットワークの出力が
適性でない場合に、その時の適性な出力を教師信号とし
て学習される。 このように、作業者の経験や勘がニューラルネットワ
ークの結合係数という形で記憶されることになるので、
様々な入力条件データに対応した加工条件データの適性
な補正量が自動決定される。 この学習されたニューラルネットワークを用いて、実
際に加工条件データを求める場合には、このニューラル
ネットワークは次のように作動する。 第１段階として、出力層の各出力が中間層へ帰還しな
い状態で、現実の入力条件データを入力層に入力させ
て、ニューラルネットワークを作動させ、その出力層か
ら加工条件データの一次的補正量を出力させる。 第２段階として、出力層の各素子から出力される一次
的補正量を中間層へ帰還させた状態で、現実の入力条件
データを入力層に入力させて、ニューラルネットワーク
を作動させ、その出力層から最終的な補正量を出力させ
る。 この補正量を基準データに加味して、この入力条件デ
ータに対応した工作物の実際の加工に使用する加工条件
データが生成される。 このニューラルネットワークで得られる最終的な補正
量は、一次的補正量のニューラルネットワークとしての
中間層への帰還作用により、入力条件データからのみ決
定される一次的補正量の相互関係及び入力条件データと
の総合的な相互関係に基づいて決定されることになる。 この結果、入力条件データの多様な組合せに対応し
て、最適な加工条件データが得られることになる。この
結果、工作物の加工精度の向上、加工時間の短縮が図ら
れる。 そして、補正された加工条件データに従って、研削盤
の各軸のモータが制御される。
ら理論式等を用いて加工条件データの基準値が決定され
る。即ち、加工条件データのうち、各加工モードにおけ
る工作物の回転数データの基準値は、指令された工作物
の表面荒さに対応する工作物の周速と工作物の直径とか
ら演算される。又、加工条件データのうち、各研削モー
ドの研削送り速度データの基準値は、各研削モードの指
令された寸法公差からそれに対応する切込量を演算して
その切込量と工作物の回転数データの基準値とから演算
される。又、加工条件データのうち、各研削モードの研
削開始径データの基準値は、各研削モード毎に設定され
ている標準の送り量と指令された仕上げ径との関係から
演算し、研削後送り停止時間データの基準値を、定寸研
削か否かにより、又、工程を分割して研削するか否かに
より決定される送りを停止させる工作物の回転数の基準
値と回転数データの基準値とを用いて演算される。 又、ニューラルネットワークにより、入力条件データ
を入力して、加工条件データの基準値に対する補正量が
出力される。そして、補正量演算手段により、加工条件
の基準値にその補正量が加算されて現実の最適な加工条
件データが演算される。 本発明は、特に、ニューラルネットワークの出力層の
出力を中間層に帰還させていることを特徴としている。 上記のニューラルネットワークの結合係数は、この帰
還された状態で、様々な入力条件データを入力とし、ニ
ューラルネットワークの出力がその入力条件データに最
適な加工条件データに対して熟練した作業者が与える補
正量となるように、熟練した作業者が与える補正量を教
師信号として、その係数が収束するまで学習されてい
る。又、結合係数は、ニューラルネットワークの出力が
適性でない場合に、その時の適性な出力を教師信号とし
て学習される。 このように、作業者の経験や勘がニューラルネットワ
ークの結合係数という形で記憶されることになるので、
様々な入力条件データに対応した加工条件データの適性
な補正量が自動決定される。 この学習されたニューラルネットワークを用いて、実
際に加工条件データを求める場合には、このニューラル
ネットワークは次のように作動する。 第１段階として、出力層の各出力が中間層へ帰還しな
い状態で、現実の入力条件データを入力層に入力させ
て、ニューラルネットワークを作動させ、その出力層か
ら加工条件データの一次的補正量を出力させる。 第２段階として、出力層の各素子から出力される一次
的補正量を中間層へ帰還させた状態で、現実の入力条件
データを入力層に入力させて、ニューラルネットワーク
を作動させ、その出力層から最終的な補正量を出力させ
る。 この補正量を基準データに加味して、この入力条件デ
ータに対応した工作物の実際の加工に使用する加工条件
データが生成される。 このニューラルネットワークで得られる最終的な補正
量は、一次的補正量のニューラルネットワークとしての
中間層への帰還作用により、入力条件データからのみ決
定される一次的補正量の相互関係及び入力条件データと
の総合的な相互関係に基づいて決定されることになる。 この結果、入力条件データの多様な組合せに対応し
て、最適な加工条件データが得られることになる。この
結果、工作物の加工精度の向上、加工時間の短縮が図ら
れる。 そして、補正された加工条件データに従って、研削盤
の各軸のモータが制御される。
以下、本発明を具体的な実施例に基づいて説明する。 （１）研削盤の構成 第１図は本発明に係る加工条件自動決定装置を有した
数値制御研削盤の全体の機械的構成を示した構成図であ
る。 50は研削盤であり、その研削盤50のベッド51の上に
は、そのベッド51に対して褶動するテーブル52が設けら
れている。テーブル52はテーブル送り用モータ53が駆動
されることにより図面の左右方向に移動される。又、テ
ーブル52の上には主軸台54と心押台56が配設されてお
り、主軸台54は主軸55を有し、心押台56は心押軸57を有
している。 工作物Ｗは主軸55及び心押軸57によって軸支され、主
軸55の回転によって回転される。この主軸55の回転は主
軸台54に配設された主軸モータ59によって行われる。 一方、工作物Ｗを研削する砥石車60は砥石台61に設け
られた砥石車駆動モータ62の駆動軸に軸支されている。
又、砥石台61は砥石台送り用モータ63によって図面の垂
直方向に移動制御される。 テーブル送り用モータ53、砥石台送り用モータ63、主
軸モータ59、砥石車駆動モータ62などを駆動制御するた
めに数値制御装置30が設けられている。 （２）数値制御装置の構成 数値制御装置30は主として、第２図に示したように、
CPU31とROM32とRAM33とIF（インタフェース）34とから
構成されている。 RAM33にはNCプログラムを記憶するNCデータ領域331と
仕上げ径、取代、剛性係数、部品種別、荒仕上分割、作
業者名等の入力条件データを記憶する入力条件データ領
域332と工作物回転数、研削開始位置、研削送り速度、
研削後送り停止時間等の加工条件データを記憶する加工
条件データ記憶領域333とニューラルネットワークの結
合係数を記憶する結合係数領域334とが設けられてい
る。尚、RAM33はバッテリバックアップされており、学
習された結合係数が保存されるようになっている。 又、ROM32にはNCデータに従って数値制御研削盤を作
動させるための制御プログラムを記憶した制御プログラ
ム領域321と加工条件データを決定するメイン自動決定
プログラムの記憶された自動決定プログラム領域322と
ニューラルネットワークの演算プログラムを記憶したニ
ューラルネットワーク領域323とニューラルネットワー
クの結合係数を学習させるプログラムを記憶した学習プ
ログラム領域324とが形成されている。 又、数値制御装置30にはIF34を介して操作盤20が取り
付けられている。その操作盤20の操作パネル21上にはデ
ータの入力を行うキーボード22とデータの表示を行うCR
T表示装置23とが設けられている。 （３）作動 次に、本実施例装置で使用されているCPU31の処理手
順を、フローチャートに基づいて説明する。 1.入力条件データの入力 第３図は、入力条件データから加工条件データを自動
生成するメインプログラムのフローチャートである。 ステップ100では、キーボード22から入力される入力
条件データが読み取られ、RAM33の入力条件データ領域3
32に記憶される。本実施例では、入力条件データとして
は、仕上げ径データD1,取代データD2,剛性係数データ
D3,部品種別データD4,荒仕上分割データD5,A作業者名デ
ータD6,B作業者名データD7,C作業者名データD8である。 2.加工条件データの基準値の演算 次のステップ102では上記の入力条件データ（D1〜
D8）及び他の入力条件データから加工条件データの基準
値V1〜V11が演算される。 本実施例では、加工条件データとしては、粗研回転数
データK1,精研回転数データK2,微研回転数データK3,粗
研開始径データK4,精研開始径データK5,微研開始径デー
タK6,粗研送り速度データK7,精研送り速度データＫデー
タ8,微研送り速度データK9,粗研後送り停止時間データK
10,微研後送り停止時間データK11とで構成されている。 この基準値の演算は次のようにして行われる。各研削
モード毎の回転数データは、ある研削時の砥石の周速に
対して、工作物の周速が、要求される工作物の荒さの関
数で予め決定されている。指令された工作物の表面荒さ
から、工作物の周速が演算され、この工作物の周速と工
作物の直径とにより工作物の回転数データが演算され
る。 各研削モードの研削送り速度データは、砥石車の工作
物の１回転当たりの切込量が寸法公差の関数として予め
決定されている。各研削モードの指令された寸法公差か
ら切込量が演算され、回転数データとから研削送り速度
データが演算される。各研削モードの研削開始径データ
は、各研削モード毎に標準の送り量が設定されており、
指令された仕上げ径とこの送り量との関係により演算さ
れる。 研削後送り停止時間データは、定寸研削か否かによ
り、又、工程を分割して研削するか否かにより、送りを
停止させる工作物の回転数が決定される。入力条件デー
タから、研削後送り停止回転数が決定され、回転数デー
タを用いて、研削後送り停止時間が演算される。 3.無帰還型ニューラルネットワーク 次に、ステップ104において、無帰還型ニューラルネ
ットワークを起動して、入力条件データD1〜D8を入力し
て、各加工条件データ（K1〜K11）の各一次的補正量δ
１〜δ11が演算される。 無帰還型のニューラルネットワークは第４図に示す構
成のものである。本実施例では、ニューラルネットワー
クは、入力層と中間層と出力層との３層構造である。 ニューラルネットワークは良く知られたように、第２
層の中間層と第３層の出力層との各素子が次式の演算を
行う素子として定義される。 第ｉ層の第ｊ番目の素子の出力Oi jは、次式で計算さ
れる。但し、ｉ≧２である。 Oi j＝ｆ（Ii j） …（１） Ii j＝ｋΣWi-1 k,i j・Oi-1 k＋Vi j …（２） ｆ（ｘ）＝1/｛１＋exp（−ｘ）｝ …（３） 但し、Vi jは第ｉ層の第ｊ番目の演算素子のバイア
ス、Wi-1 k,i jは、第ｉ−１層の第ｋ番目の素子と第ｉ層
の第ｊ番目の素子間の結合係数は、O1 jは第１層の第ｊ
番目の素子の出力値を表す。 即ち、第１層であるから演算を行うことなく、そのま
ま入力を出力するので、入力層（第１層）の第Ｊ番目の
素子の入力値でもある。従って、 O1 j＝Dj …（４） 但し、Djは入力層のｊ番目の素子に入力される入力条
件データである。 無帰還型ニューラルネットワークの具体的な演算は第
５図に示す手順で実行される。ステップ200において、
中間層（第２層）の各素子には、入力層（第１層）の各
素子からの出力値D1〜D8を入力して、次式の積和演算が
行われる。第２層の第ｊ番目の素子に関しては次式で演
算される。本実施例ではバイアスは零である。 I2 j＝ｋ＝１Σ8W1 k,2 j・Dk …（５） 次に、ステップ202において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 O2 j＝ｆ（I2 j）＝1/｛１＋exp（−I2 j）｝ …（６） この出力値O2 jは出力層（第３層）の各素子の入力値
となる。 次に、ステップ204において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 I3 j＝ｋ＝１Σ10W2 k,3 j・O2 k …（７） 次に、ステップ206において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの一次的補正量δｊ
となる。即ち、一次的補正量δｊは次式で求められる。 δｊ＝ｆ（I3 j）＝1/｛１＋exp（−I3 j） …（８） 4.帰還型ニューラルネットワーク 次に、第３図のステップ106に移行して、帰還型ニュ
ーラルネットワークによる演算が実行される。帰還型ニ
ューラルネットワークの構造は、第６図に示すように、
出力層の各素子の出力が中間層の全素子に入力される構
造である。帰還型ニューラルネットワークの演算は第７
図に示す手順で実行される。 ステップ300において、中間層の入力値の積和演算が
実行される。この時、中間層の各素子の入力は入力層か
らの８出力と出力層からの11出力の合計19入力となる。 即ち、次式の演算が行われる。 I2 j＝ｋ＝１Σ8W1 k,2 j・D1 k＋ｋ＝１Σ11W3 k,2 j・δ
ｋ …（９） となる。 次に、ステップ302において、入力値の積和演算結果
のシグモイド関数により中間層の出力が（６）式により
演算される。ステップ304において、出力層の各素子に
おいて上記の（７）式で入力値の積和演算が実行され
る。そして、ステップ306において、次式により入力値
の積和関数値のシグモイド関数により、加工条件データ
の最終的な補正量Δｊが演算される。 Δｊ＝ｆ（I3 j）＝1/｛１＋exp（−I3 j）｝ …（10） このようにして、全加工条件データの補正量Δ１〜Δ
11が演算されと、第３図のステップ108に戻る。 5.加工条件データの演算 ステップ108（補正手段）では、ステップ102で求めら
れた加工条件データの基準値V1〜V11とステップ106で求
められた補正量Δ１〜Δ11との和により、加工条件デー
タK1〜K11が求められる。 6.結合係数の学習 次に、このニューラルネットワークの結合係数の学習
方法について説明する。結合係数は第６図に示す帰還型
ニューラルネットワークにつき、良く知られたバックプ
ロパーゲーション法により実行される。 第８図のステップ400において、次式により出力層の
各素子の学習信号が演算される。 Y3 j＝（Tj−Δｊ）・f1（I3 j） …（11） 但し、Tjは、入力信号に対する第ｊ番目の出力層の素
子の望ましい出力（教師信号）であり、外部より付与さ
れる信号であって、熟練した作業者によって付与され
る。 次に、ステップ402において、中間層の学習信号が次
式で演算される。 Y2 j＝ｆ′（I2 j）・ｋ＝１Σ11Y3 k・W2 j,3 k …（12） 次に、ステップ404において、出力層の各素子の結合
係数が補正される。補正量は次式で求められる。 Δω2 i,3 j（ｔ）＝Ｐ・Y3 j・ｆ（I2 i）＋Ｑ・Δω2 i,3 j（ｔ−１） …（13） 但し、Δω2 i,3 j（ｔ）は、出力層の第ｊ番目の素子
と中間層の第ｉ番目の素子との間の結合係数の第ｔ回目
演算の変化量である。又、Δω2 i,3 j（ｔ−１）は、そ
の結合係数の前回の補正量である。P,Qは比例定数であ
る。 よって、結合係数は、 W2 j,3 j＋Δω2 i,3 j（ｔ）→W2 j,3 j …（14） により、補正された結合係数が求められる。 次に、ステップ406へ移行して、中間層の各素の結合
係数が補正される。その結合係数の補正量は出力層の場
合と同様に、次式で求められる。 Δω1 i,2 j（ｔ）＝Ｐ・Y2 j・ｆ（I1 i）＋Ｑ・Δω1 i,2 j（ｔ−１） …（15） よって、結合係数は、 W1 j,2 j＋Δω1 i,2 j（ｔ）→W1 j,2 j …（16） により、補正された結合係数が求められる。 次に、ステップ408において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。結合係数が収束していなけれ
ば、ステップ400に戻り、新たに補正された結合係数を
用いて、同様な演算が繰り返され、結合係数が再度補正
される。このような演算の繰り返しにより、ある教師信
号に対する学習が完了する。 このようなニューラルネットワークの結合係数の学習
は、入力条件データを多様に変化させて、その入力条件
データに対する出力に対する教師信号を用いて、学習が
繰り返し実行される。
数値制御研削盤の全体の機械的構成を示した構成図であ
る。 50は研削盤であり、その研削盤50のベッド51の上に
は、そのベッド51に対して褶動するテーブル52が設けら
れている。テーブル52はテーブル送り用モータ53が駆動
されることにより図面の左右方向に移動される。又、テ
ーブル52の上には主軸台54と心押台56が配設されてお
り、主軸台54は主軸55を有し、心押台56は心押軸57を有
している。 工作物Ｗは主軸55及び心押軸57によって軸支され、主
軸55の回転によって回転される。この主軸55の回転は主
軸台54に配設された主軸モータ59によって行われる。 一方、工作物Ｗを研削する砥石車60は砥石台61に設け
られた砥石車駆動モータ62の駆動軸に軸支されている。
又、砥石台61は砥石台送り用モータ63によって図面の垂
直方向に移動制御される。 テーブル送り用モータ53、砥石台送り用モータ63、主
軸モータ59、砥石車駆動モータ62などを駆動制御するた
めに数値制御装置30が設けられている。 （２）数値制御装置の構成 数値制御装置30は主として、第２図に示したように、
CPU31とROM32とRAM33とIF（インタフェース）34とから
構成されている。 RAM33にはNCプログラムを記憶するNCデータ領域331と
仕上げ径、取代、剛性係数、部品種別、荒仕上分割、作
業者名等の入力条件データを記憶する入力条件データ領
域332と工作物回転数、研削開始位置、研削送り速度、
研削後送り停止時間等の加工条件データを記憶する加工
条件データ記憶領域333とニューラルネットワークの結
合係数を記憶する結合係数領域334とが設けられてい
る。尚、RAM33はバッテリバックアップされており、学
習された結合係数が保存されるようになっている。 又、ROM32にはNCデータに従って数値制御研削盤を作
動させるための制御プログラムを記憶した制御プログラ
ム領域321と加工条件データを決定するメイン自動決定
プログラムの記憶された自動決定プログラム領域322と
ニューラルネットワークの演算プログラムを記憶したニ
ューラルネットワーク領域323とニューラルネットワー
クの結合係数を学習させるプログラムを記憶した学習プ
ログラム領域324とが形成されている。 又、数値制御装置30にはIF34を介して操作盤20が取り
付けられている。その操作盤20の操作パネル21上にはデ
ータの入力を行うキーボード22とデータの表示を行うCR
T表示装置23とが設けられている。 （３）作動 次に、本実施例装置で使用されているCPU31の処理手
順を、フローチャートに基づいて説明する。 1.入力条件データの入力 第３図は、入力条件データから加工条件データを自動
生成するメインプログラムのフローチャートである。 ステップ100では、キーボード22から入力される入力
条件データが読み取られ、RAM33の入力条件データ領域3
32に記憶される。本実施例では、入力条件データとして
は、仕上げ径データD1,取代データD2,剛性係数データ
D3,部品種別データD4,荒仕上分割データD5,A作業者名デ
ータD6,B作業者名データD7,C作業者名データD8である。 2.加工条件データの基準値の演算 次のステップ102では上記の入力条件データ（D1〜
D8）及び他の入力条件データから加工条件データの基準
値V1〜V11が演算される。 本実施例では、加工条件データとしては、粗研回転数
データK1,精研回転数データK2,微研回転数データK3,粗
研開始径データK4,精研開始径データK5,微研開始径デー
タK6,粗研送り速度データK7,精研送り速度データＫデー
タ8,微研送り速度データK9,粗研後送り停止時間データK
10,微研後送り停止時間データK11とで構成されている。 この基準値の演算は次のようにして行われる。各研削
モード毎の回転数データは、ある研削時の砥石の周速に
対して、工作物の周速が、要求される工作物の荒さの関
数で予め決定されている。指令された工作物の表面荒さ
から、工作物の周速が演算され、この工作物の周速と工
作物の直径とにより工作物の回転数データが演算され
る。 各研削モードの研削送り速度データは、砥石車の工作
物の１回転当たりの切込量が寸法公差の関数として予め
決定されている。各研削モードの指令された寸法公差か
ら切込量が演算され、回転数データとから研削送り速度
データが演算される。各研削モードの研削開始径データ
は、各研削モード毎に標準の送り量が設定されており、
指令された仕上げ径とこの送り量との関係により演算さ
れる。 研削後送り停止時間データは、定寸研削か否かによ
り、又、工程を分割して研削するか否かにより、送りを
停止させる工作物の回転数が決定される。入力条件デー
タから、研削後送り停止回転数が決定され、回転数デー
タを用いて、研削後送り停止時間が演算される。 3.無帰還型ニューラルネットワーク 次に、ステップ104において、無帰還型ニューラルネ
ットワークを起動して、入力条件データD1〜D8を入力し
て、各加工条件データ（K1〜K11）の各一次的補正量δ
１〜δ11が演算される。 無帰還型のニューラルネットワークは第４図に示す構
成のものである。本実施例では、ニューラルネットワー
クは、入力層と中間層と出力層との３層構造である。 ニューラルネットワークは良く知られたように、第２
層の中間層と第３層の出力層との各素子が次式の演算を
行う素子として定義される。 第ｉ層の第ｊ番目の素子の出力Oi jは、次式で計算さ
れる。但し、ｉ≧２である。 Oi j＝ｆ（Ii j） …（１） Ii j＝ｋΣWi-1 k,i j・Oi-1 k＋Vi j …（２） ｆ（ｘ）＝1/｛１＋exp（−ｘ）｝ …（３） 但し、Vi jは第ｉ層の第ｊ番目の演算素子のバイア
ス、Wi-1 k,i jは、第ｉ−１層の第ｋ番目の素子と第ｉ層
の第ｊ番目の素子間の結合係数は、O1 jは第１層の第ｊ
番目の素子の出力値を表す。 即ち、第１層であるから演算を行うことなく、そのま
ま入力を出力するので、入力層（第１層）の第Ｊ番目の
素子の入力値でもある。従って、 O1 j＝Dj …（４） 但し、Djは入力層のｊ番目の素子に入力される入力条
件データである。 無帰還型ニューラルネットワークの具体的な演算は第
５図に示す手順で実行される。ステップ200において、
中間層（第２層）の各素子には、入力層（第１層）の各
素子からの出力値D1〜D8を入力して、次式の積和演算が
行われる。第２層の第ｊ番目の素子に関しては次式で演
算される。本実施例ではバイアスは零である。 I2 j＝ｋ＝１Σ8W1 k,2 j・Dk …（５） 次に、ステップ202において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 O2 j＝ｆ（I2 j）＝1/｛１＋exp（−I2 j）｝ …（６） この出力値O2 jは出力層（第３層）の各素子の入力値
となる。 次に、ステップ204において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 I3 j＝ｋ＝１Σ10W2 k,3 j・O2 k …（７） 次に、ステップ206において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの一次的補正量δｊ
となる。即ち、一次的補正量δｊは次式で求められる。 δｊ＝ｆ（I3 j）＝1/｛１＋exp（−I3 j） …（８） 4.帰還型ニューラルネットワーク 次に、第３図のステップ106に移行して、帰還型ニュ
ーラルネットワークによる演算が実行される。帰還型ニ
ューラルネットワークの構造は、第６図に示すように、
出力層の各素子の出力が中間層の全素子に入力される構
造である。帰還型ニューラルネットワークの演算は第７
図に示す手順で実行される。 ステップ300において、中間層の入力値の積和演算が
実行される。この時、中間層の各素子の入力は入力層か
らの８出力と出力層からの11出力の合計19入力となる。 即ち、次式の演算が行われる。 I2 j＝ｋ＝１Σ8W1 k,2 j・D1 k＋ｋ＝１Σ11W3 k,2 j・δ
ｋ …（９） となる。 次に、ステップ302において、入力値の積和演算結果
のシグモイド関数により中間層の出力が（６）式により
演算される。ステップ304において、出力層の各素子に
おいて上記の（７）式で入力値の積和演算が実行され
る。そして、ステップ306において、次式により入力値
の積和関数値のシグモイド関数により、加工条件データ
の最終的な補正量Δｊが演算される。 Δｊ＝ｆ（I3 j）＝1/｛１＋exp（−I3 j）｝ …（10） このようにして、全加工条件データの補正量Δ１〜Δ
11が演算されと、第３図のステップ108に戻る。 5.加工条件データの演算 ステップ108（補正手段）では、ステップ102で求めら
れた加工条件データの基準値V1〜V11とステップ106で求
められた補正量Δ１〜Δ11との和により、加工条件デー
タK1〜K11が求められる。 6.結合係数の学習 次に、このニューラルネットワークの結合係数の学習
方法について説明する。結合係数は第６図に示す帰還型
ニューラルネットワークにつき、良く知られたバックプ
ロパーゲーション法により実行される。 第８図のステップ400において、次式により出力層の
各素子の学習信号が演算される。 Y3 j＝（Tj−Δｊ）・f1（I3 j） …（11） 但し、Tjは、入力信号に対する第ｊ番目の出力層の素
子の望ましい出力（教師信号）であり、外部より付与さ
れる信号であって、熟練した作業者によって付与され
る。 次に、ステップ402において、中間層の学習信号が次
式で演算される。 Y2 j＝ｆ′（I2 j）・ｋ＝１Σ11Y3 k・W2 j,3 k …（12） 次に、ステップ404において、出力層の各素子の結合
係数が補正される。補正量は次式で求められる。 Δω2 i,3 j（ｔ）＝Ｐ・Y3 j・ｆ（I2 i）＋Ｑ・Δω2 i,3 j（ｔ−１） …（13） 但し、Δω2 i,3 j（ｔ）は、出力層の第ｊ番目の素子
と中間層の第ｉ番目の素子との間の結合係数の第ｔ回目
演算の変化量である。又、Δω2 i,3 j（ｔ−１）は、そ
の結合係数の前回の補正量である。P,Qは比例定数であ
る。 よって、結合係数は、 W2 j,3 j＋Δω2 i,3 j（ｔ）→W2 j,3 j …（14） により、補正された結合係数が求められる。 次に、ステップ406へ移行して、中間層の各素の結合
係数が補正される。その結合係数の補正量は出力層の場
合と同様に、次式で求められる。 Δω1 i,2 j（ｔ）＝Ｐ・Y2 j・ｆ（I1 i）＋Ｑ・Δω1 i,2 j（ｔ−１） …（15） よって、結合係数は、 W1 j,2 j＋Δω1 i,2 j（ｔ）→W1 j,2 j …（16） により、補正された結合係数が求められる。 次に、ステップ408において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。結合係数が収束していなけれ
ば、ステップ400に戻り、新たに補正された結合係数を
用いて、同様な演算が繰り返され、結合係数が再度補正
される。このような演算の繰り返しにより、ある教師信
号に対する学習が完了する。 このようなニューラルネットワークの結合係数の学習
は、入力条件データを多様に変化させて、その入力条件
データに対する出力に対する教師信号を用いて、学習が
繰り返し実行される。
本発明は、入力条件データを入力とし、各加工条件デ
ータに対する補正量を出力とし、入力層、中間層、出力
層の少なくとも３層から成り、出力層の各素子の各出力
を中間層の各素子に帰還させたニューラルネットワーク
を有し、ニューラルネットワークを出力層から中間層へ
の帰還の無い状態で作動させて一次的補正量を演算し、
その後、出力層の出力（一次的補正量）を中間層に帰還
させた状態で、入力層に入力条件データを入力させて、
出力層から最終的な補正量を出力させるようにしてい
る。 従って、帰還型ニューラルネットワークの演算によ
り、加工条件データ間の相互関係による加工条件データ
の補正量の影響も考慮される。この結果、作業者の経験
や勘で行われていた加工条件データの補正を正確に反映
した加工条件データの自動決定が可能となる。 又、加工条件データの基準値が所定の演算式や所定の
対応関係から一意的に演算されるので、この基準値を作
業者が決定する必要がない。 従って、本研削盤は、固定された入力条件データだけ
を入力するれば、自動的に最適な加工条件データが演算
され、その加工条件データに基づいて最適な研削が実行
される。そして、加工結果を見て、さらに、補正量が最
適となるように加工の進行と共にニューラルネットワー
クの結合係数を学習させれば良いため、極めて使用性の
良い数値制御研削盤となる。
ータに対する補正量を出力とし、入力層、中間層、出力
層の少なくとも３層から成り、出力層の各素子の各出力
を中間層の各素子に帰還させたニューラルネットワーク
を有し、ニューラルネットワークを出力層から中間層へ
の帰還の無い状態で作動させて一次的補正量を演算し、
その後、出力層の出力（一次的補正量）を中間層に帰還
させた状態で、入力層に入力条件データを入力させて、
出力層から最終的な補正量を出力させるようにしてい
る。 従って、帰還型ニューラルネットワークの演算によ
り、加工条件データ間の相互関係による加工条件データ
の補正量の影響も考慮される。この結果、作業者の経験
や勘で行われていた加工条件データの補正を正確に反映
した加工条件データの自動決定が可能となる。 又、加工条件データの基準値が所定の演算式や所定の
対応関係から一意的に演算されるので、この基準値を作
業者が決定する必要がない。 従って、本研削盤は、固定された入力条件データだけ
を入力するれば、自動的に最適な加工条件データが演算
され、その加工条件データに基づいて最適な研削が実行
される。そして、加工結果を見て、さらに、補正量が最
適となるように加工の進行と共にニューラルネットワー
クの結合係数を学習させれば良いため、極めて使用性の
良い数値制御研削盤となる。
第１図は本発明の具体的な一実施例に係る加工条件自動
決定装置を有した数値制御研削盤の全体の機械的構成を
示した構成図。 第２図は同実施例装置に係る数値制御装置及び操作盤の
電気的構成を示したブロックダイヤグラム。 第３図は同実施例装置で使用されているCPUの主処理手
順を示したフローチャート。 第４図は同実施例に係る無帰還型ニューラルネットワー
クの構造を示した構造図。 第５図はその無帰還型ニューラルネットワークの演算手
順を示したフローチャート。 第６図は帰還型ニューラルネットワークの構造を示した
構造図。 第７図はその帰還型ニューラルネットワークの処理手順
を示したフローチャート。 第８図はニューラルネットワークの学習手順を示したフ
ローチャート。 20……操作盤、21……操作パネル 22……キーボード、23……CRT表示装置 30……数値制御装置、31……CPU 32……ROM、33……RAM、50……研削盤 51……ベッド、52……テーブル 53……テーブル送り用モータ、54……主軸台 55……主軸、56……心押台、57……心押軸 59……主軸モータ、60……砥石車、61……砥石台 62……砥石車駆動モータ 63……砥石台送り用モータ、Ｗ……工作物
決定装置を有した数値制御研削盤の全体の機械的構成を
示した構成図。 第２図は同実施例装置に係る数値制御装置及び操作盤の
電気的構成を示したブロックダイヤグラム。 第３図は同実施例装置で使用されているCPUの主処理手
順を示したフローチャート。 第４図は同実施例に係る無帰還型ニューラルネットワー
クの構造を示した構造図。 第５図はその無帰還型ニューラルネットワークの演算手
順を示したフローチャート。 第６図は帰還型ニューラルネットワークの構造を示した
構造図。 第７図はその帰還型ニューラルネットワークの処理手順
を示したフローチャート。 第８図はニューラルネットワークの学習手順を示したフ
ローチャート。 20……操作盤、21……操作パネル 22……キーボード、23……CRT表示装置 30……数値制御装置、31……CPU 32……ROM、33……RAM、50……研削盤 51……ベッド、52……テーブル 53……テーブル送り用モータ、54……主軸台 55……主軸、56……心押台、57……心押軸 59……主軸モータ、60……砥石車、61……砥石台 62……砥石車駆動モータ 63……砥石台送り用モータ、Ｗ……工作物
───────────────────────────────────────────────────── フロントページの続き (72)発明者 坂倉 守昭 愛知県刈谷市朝日町１丁目１番地 豊田 工機株式会社内 (72)発明者 稲垣 志保 愛知県刈谷市朝日町１丁目１番地 豊田 工機株式会社内 (56)参考文献 坂倉、外２名、”研削条件最適化への ニューラルネットワークの応用”、1990 年度精密工学会秋季大会学術講演会講演 論文集、社団法人精密工学会、平成２年 ９月５日、ｐ．969−970 (58)調査した分野(Int.Cl.7，ＤＢ名) B23Q 15/00 301 G05B 19/18 G05B 19/4155
Claims (1)
- 【請求項１】各軸のモータの回転をプログラム制御する
数値制御装置を有した数値制御研削盤において、 前記数値制御装置は、 工作物仕上げ径、取代、剛性係数、工具種類等の入力条
件データを入力するデータ入力手段と、 前記データ入力手段により入力された前記入力条件デー
タを記憶する入力条件データ記憶手段と、 前記入力条件データから加工条件データの基準値を演算
する手段であって、加工条件データのうち、各加工モー
ドにおける工作物の回転数データの基準値を指令された
工作物の表面荒さに対応する工作物の周速と工作物の直
径とから演算し、各研削モードの研削送り速度データの
基準値を、各研削モードの指令された寸法公差からそれ
に対応する切込量を演算してその切込量と工作物の回転
数データの基準値とから演算し、各研削モードの研削開
始径データの基準値を、各研削モード毎に設定されてい
る標準の送り量と指令された仕上げ径との関係から演算
し、研削後送り停止時間データの基準値を、定寸研削か
否かにより、又、工程を分割して研削するか否かにより
決定される送りを停止させる工作物の回転数の基準値と
回転数データの基準値とを用いて演算する基準値演算手
段と、 前記入力条件データを入力とし、前記各加工条件データ
の基準値に対する補正量を出力し、入力層、中間層、出
力層の少なくとも３層から成り、前記出力層の各素子の
各出力を前記中間層の各素子に帰還させたニューラルネ
ットワークの演算プログラムを記憶した記憶手段と、 前記ニューラルネットワークを前記出力層から前記中間
層への帰還の無い状態で作動させる第１作動手段と、 前記第１作動手段により前記ニューラルネットワークを
作動させた後、その状態の前記出力層の出力を前記中間
層に帰還させた状態で、前記入力層に前記入力条件デー
タを入力させて、前記出力層から補正量を出力させる第
２作動手段と 前記ニューラルネットワークの結合係数を記憶した記憶
手段と、 前記出力層の出力を前記中間層に帰還させた状態で前記
ニューラルネットワークの出力が熟練した作業者の与え
る補正量である教師信号となるように各層の結合係数が
収束するまで前記結合係数を学習させるプログラムを記
憶した記憶手段と、 前記ニューラルネットワークから出力される前記補正量
で前記加工条件データの基準値を補正して加工条件デー
タを求める自動決定プログラムを記憶した記憶手段と、 補正された加工条件データを記憶する記憶手段と、 補正された加工条件データに基づいて前記各軸のモータ
の回転を制御する制御プログラムを記憶した記憶手段と を備えた数値制御研削盤。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP02259226A JP3086699B2 (ja) | 1990-09-27 | 1990-09-27 | 数値制御研削盤 |
| KR1019910011650A KR920002268A (ko) | 1990-07-17 | 1991-07-10 | 인텔리젠트가공장치 |
| EP91111856A EP0467297B1 (en) | 1990-07-17 | 1991-07-16 | Intelligent machining system |
| DE69125980T DE69125980T2 (de) | 1990-07-17 | 1991-07-16 | Intelligentes Bearbeitungssystem |
| US07/731,472 US5473532A (en) | 1990-07-17 | 1991-07-17 | Intelligent machining system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP02259226A JP3086699B2 (ja) | 1990-09-27 | 1990-09-27 | 数値制御研削盤 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP09273466A Division JP3086794B2 (ja) | 1997-09-19 | 1997-09-19 | 数値制御研削盤 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04135140A JPH04135140A (ja) | 1992-05-08 |
| JP3086699B2 true JP3086699B2 (ja) | 2000-09-11 |
Family
ID=17331157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP02259226A Expired - Lifetime JP3086699B2 (ja) | 1990-07-17 | 1990-09-27 | 数値制御研削盤 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3086699B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1994008751A1 (en) * | 1992-10-09 | 1994-04-28 | Omron Corporation | Machining information determining system and method, and machining process information determining system and method |
| CN114932464B (zh) * | 2022-06-02 | 2023-07-25 | 无锡鸿海龙船机有限公司 | 一种船用联轴器及其抛光打磨感应定位夹具 |
-
1990
- 1990-09-27 JP JP02259226A patent/JP3086699B2/ja not_active Expired - Lifetime
Non-Patent Citations (1)
| Title |
|---|
| 坂倉、外２名、"研削条件最適化へのニューラルネットワークの応用"、１９９０年度精密工学会秋季大会学術講演会講演論文集、社団法人精密工学会、平成２年９月５日、ｐ．９６９−９７０ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04135140A (ja) | 1992-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2961622B2 (ja) | インテリジェント加工システム | |
| EP0467297B1 (en) | Intelligent machining system | |
| EP0268887B1 (en) | Numerical control feed device for machine tool | |
| JP3086794B2 (ja) | 数値制御研削盤 | |
| JPH0241872A (ja) | 数値制御研削盤 | |
| WO1993019894A1 (en) | Machining condition generation method for numerically controlled machine tool | |
| US20190275629A1 (en) | Controller, machine learning device, and system | |
| US6298279B1 (en) | CAD/CAM apparatus and machining apparatus for processing position/force information | |
| JP2961621B2 (ja) | 数値制御装置の加工条件作成機能の学習方法 | |
| JP3086699B2 (ja) | 数値制御研削盤 | |
| JP2941032B2 (ja) | 加工条件自動作成機能を有する数値制御装置 | |
| JP2941030B2 (ja) | 加工条件自動修正装置 | |
| WO1991007705A1 (en) | Method of correcting positional fluctuations of machine | |
| JP2805119B2 (ja) | 非円形ワーク加工用数値制御装置 | |
| JP2880569B2 (ja) | 加工条件自動作成機能を有する数値制御装置 | |
| JP2950929B2 (ja) | 加工条件自動決定装置 | |
| JPH04135206A (ja) | 加工条件自動決定装置 | |
| JPH06114683A (ja) | 数値制御研削盤 | |
| JPH0839395A (ja) | 加工装置 | |
| JPS6147652B2 (ja) | ||
| JP2661942B2 (ja) | Ｎｃデータ作成装置 | |
| JP3120263B2 (ja) | 対向主軸旋盤における加工プログラム作成方法 | |
| JP3143657B2 (ja) | 研削装置 | |
| CN114509997A (zh) | 适用于大型复杂曲面加工的复合机器人轨迹拼接优化方法 | |
| PIrooEss | SYSTEM mENTIFICATION AND ADMITTANCE |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070707 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080707 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080707 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090707 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090707 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100707 Year of fee payment: 10 |