JP7171538B2 - 工具条件決定装置、学習装置、および方法 - Google Patents
工具条件決定装置、学習装置、および方法 Download PDFInfo
- Publication number
- JP7171538B2 JP7171538B2 JP2019202501A JP2019202501A JP7171538B2 JP 7171538 B2 JP7171538 B2 JP 7171538B2 JP 2019202501 A JP2019202501 A JP 2019202501A JP 2019202501 A JP2019202501 A JP 2019202501A JP 7171538 B2 JP7171538 B2 JP 7171538B2
- Authority
- JP
- Japan
- Prior art keywords
- shape
- tool
- learning
- workpiece
- learning model
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
Description
複数種類の工具を使用する工作機械に対する工具条件を決定する工具条件決定装置であって、
ワークの初期形状および目標形状を表すデータを取得する取得手段と、
ワークの初期形状および目標形状を表すデータを受け付け、前記初期形状から前記目標形状を得るために使用する一連の工具条件を決定する決定手段と、
を備え、
前記決定手段は、
ワークの現在形状から前記目標形状を得るための加工で使用する工具条件を出力するよ
うに機械学習された学習モデルと、
前記学習モデルが出力する工具条件による加工後の次形状を求める次形状取得手段と、
を有し、
前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を繰り返すことにより、前記一連の工具条件を決定する、
工具条件決定装置である。
複数種類の工具を使用する工作機械に対する工具条件を決定するために用いる学習モデルを機械学習する学習装置であって、
ワークの初期形状および目標形状を表すデータを取得する取得手段と、
前記ワークの初期形状から目標形状を得るまでの除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する学習手段と、
を備える、学習装置である。
複数種類の工具を使用する工作機械に対する工具条件を決定するための、コンピュータが行う工具条件決定方法であって
ワークの初期形状および目標形状を表すデータを取得する取得ステップと、
ワークの初期形状および目標形状を表すデータを受け付け、前記初期形状から前記目標形状を得るために使用する一連の工具条件を決定する決定ステップと、
を含み、
前記決定ステップでは、ワークの現在形状から前記目標形状を得るための次の加工で使用する工具条件を出力するように機械学習された学習モデルを用いて、前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を繰り返すことにより、前記一連の工具条件を決定する、
工具条件決定方法である。
複数種類の工具を使用する工作機械に対する工具条件を決定するために用いる学習モデルを機械学習する、コンピュータが行う学習方法であって、
ワークの初期形状および目標形状を表すデータを取得する取得ステップと、
前記ワークの初期形状から目標形状を得るまでの除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する学習ステップと、
を備える、学習方法である。
図1は、本実施形態に係る学習装置1の機能構成を示す図である。学習装置1は、CADモデル取得部11、学習部12、および学習モデル2を含む。学習部12は、データ変換部13、工具条件取得部14、次ワーク形状取得部15、加工時間・除去体積算出部16、機械学習部17を含む。
のコーナー34で加工を行うため、所望のカスプハイトを満たすような走査線の加工経路となる。一方、図3Bの場合、ラジアスエンドミル32の底面37で加工を行うため、その加工経路は周回加工経路となる。したがって、図3Aおよび図3Bを比較すると、加工経路は図3Bの方が短くなり、加工時間も図3Bの方が短くなるため、法線方向ベクトル情報が重要となる。
用いてもよい。
最小の値とする。
03からS107の繰り返し処理を終了して、ステップS109に進む。
図6は、本実施形態に係る工具条件決定装置3の機能構成を示す図である。工具条件決定装置3は、学習装置1によって学習された学習モデル2を用いて、複数種類の工具を使用する工作機械に対する工具条件を決定する。
から変換した点群データおよび二次元画像データを学習モデル2への最初の入力として工具条件を得る。そして、工具条件決定部62は、得られた加工条件による加工後の次形状から変換した点群データおよび二次元画像データをさらに学習モデル2の入力として次の工具条件を得る処理を、目標形状が得られるまで繰り返す。工具条件決定部62は、このようにして得られた一連の工具条件を、ワークの初期形状から目標形状を得るために使用する一連の工具条件として出力する。
以下に具体的な実施例を説明する。以下の例はあくまで一実施例であり、本発明をその内容に限定するものではない。
抽出モデル80は公知のモデルであり、36枚の画像それぞれからCNN81で特徴を抽出し、Max Pooling72をしたあとにCNN73でさらに特徴を抽出する。点群データ特徴抽出モデル81も公知のモデルであり、幾何学変換(transform)、MLP、MaxPooling,MLPを含む。画像データ特徴抽出モデル80および
点群データ特徴抽出モデル81の出力はさらにMLP85に入力され、学習モデル2は109次元のデータを出力する。ここで、109次元のうち100次元は分類により工具種類を決定する出力であり、工具径および工具長の組み合わせ100種類を割り当てた。また、残りの9次元のうち3次元は、工具軸方向のx,y,zの傾きを示す値を回帰により算出する出力とした。さらに、残りの6次元は加工範囲を示す矩形領域の2点のx,y,z座標の値を回帰により算出する出力とした。
行う方法を採用した。そして、最終的に削り残ったワークの形状をSTL形式で出力した。
除去体積の報酬 = 2×除去体積/最大除去体積 - 1
加工時間の報酬 = 1 - 2×加工時間/最大加工時間
去体積、加工時間ともに報酬のレンジが-1~1となり、除去体積が多いほど、また加工時間が短いほど報酬は大きくなる。また、上記の式とは別に、除去体積が0の場合は報酬を-2、加工時間が0の場合は報酬を-2とした。
上記の実施形態および実施例によれば、目標形状を得るための使用工具順序および各加工における工具種類、工具軸方向、加工範囲を含む一連の加工条件が、精度良くかつ短時間で取得できる。学習モデル2の入力データとして点群データを用いているので、加工方向選定の精度が向上できる。また、学習モデル2の入力データとしてz軸に垂直な方向から見た複数の画像データを用いているので、工具とワークの干渉を考慮することができる。また、選定される加工条件による加工後の形状を、切削シミュレーションによって求めているので、処理時間を短縮することができる。
上記の実施形態および実施例は、本発明の一具体例であり、本発明は様々な態様により実施可能である。
62:工具条件決定部 63:データ変換部 65:次ワーク形状取得部
Claims (20)
- 複数種類の工具を使用する工作機械に対する工具条件を決定する工具条件決定装置であって、
ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状を複数の方向から見た二次元画像の画像データを受け付け、前記初期形状から前記目標形状を得るために使用する一連の工具条件を決定する決定手段と、
を備え、
前記決定手段は、
ワークの現在形状から前記目標形状を得るための加工で使用する工具条件を出力するように機械学習された学習モデルと、
前記学習モデルが出力する工具条件による加工後の次形状を求める次形状取得手段と、
を有し、
前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を繰り返すことにより、前記一連の工具条件を決定する、
工具条件決定装置。 - 前記ワークの初期形状および目標形状のCADモデルを、前記画像データに変換する変換手段を備える、
請求項1に記載の工具条件決定装置。 - 複数種類の工具を使用する工作機械に対する工具条件を決定する工具条件決定装置であって、
ワークの初期形状および目標形状を表すデータを受け付け、前記初期形状から前記目標形状を得るために使用する一連の工具条件を決定する決定手段、
を備え、
前記決定手段は、
ワークの現在形状から前記目標形状を得るための加工で使用する工具条件を出力するように機械学習された学習モデルと、
前記学習モデルが出力する工具条件による加工後の次形状を、求める次形状取得手段と、
を有し、
前記次形状取得手段は、前記工具条件に含まれる工具情報に基づき加工形状を逆オフセットして工具経路を生成し、前記工具経路に基づいてワークに対してシミュレーションを行うことにより次形状を求める、
工具条件決定装置。 - 前記決定手段は、ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状の点群データを受け付ける、
請求項1から3のいずれか1項に記載の工具条件決定装置。 - 前記ワークの初期形状および目標形状のCADモデルを、前記点群データが座標データおよび法線ベクトルデータを含むように、前記点群データに変換する変換手段を備え、
前記決定手段は、変換された前記点群データに含まれる、前記ワークの初期形状および目標形状の座標データおよび法線ベクトルデータを入力として受け付ける、
請求項4に記載の工具条件決定装置。 - 複数種類の工具を使用する工作機械に対する工具条件を決定する工具条件決定装置であって、
ワークの初期形状および目標形状を表すデータを取得する取得手段と、
前記ワークの初期形状および目標形状のCADモデルを、座標データおよび法線ベクトルデータを含む点群データに変換する変換手段と、
ワークの初期形状および目標形状を表すデータを受け付け、前記初期形状から前記目標形状を得るために使用する一連の工具条件を決定する決定手段と、
を備え、
前記取得手段は、前記ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状のCADモデルを取得し、
前記決定手段は、変換された前記ワークの初期形状および目標形状の座標データおよび法線ベクトルデータを入力として受け付け、
前記変換手段は、前記ワークの初期形状および目標形状のCADモデルを、前記ワークを前記工作機械に設置させる面に垂直な軸をz軸として、前記ワークの初期形状および目標形状のCADモデルをz軸に垂直な複数の方向から見た二次元画像にも変換し、
前記決定手段は、変換された前記ワークの初期形状および目標形状の座標データ、法線ベクトルデータ、および二次元画像を入力として受け付け、
前記決定手段は、
ワークの現在形状から前記目標形状を得るための加工で使用する工具条件を出力するように機械学習された学習モデルと、
前記学習モデルが出力する工具条件による加工後の次形状を求める次形状取得手段と、を有し、
前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を繰り返すことにより、前記一連の工具条件を決定する、
工具条件決定装置。 - 前記決定手段は、前記次形状取得手段によって求められた次形状と前記目標形状との差が閾値以下となったときに、前記繰り返しを終了する、
請求項1、2、および6のいずれか1項に記載の工具条件決定装置。 - 前記決定手段が出力する一連の工具条件に基づいて、前記工作機械を制御するための制御データを出力する出力手段をさらに備え、
前記工具条件は、工具の種類、軸方向、および加工範囲を含む、
請求項1から7のいずれか1項に記載の工具条件決定装置。 - 複数種類の工具を使用する工作機械に対する工具条件を決定するために用いる学習モデルを機械学習する学習装置であって、
ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状の点群データ、および、前記ワークの初期形状および目標形状を複数の方向から見た二次元画像の画像データの少なくとも一方を受け付け、前記ワークの初期形状から目標形状を得るまでの除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する学習手段と、
を備える、学習装置。 - 前記ワークの初期形状および目標形状のCADモデルを、前記画像データに変換する変換手段を備える、
請求項9に記載の学習装置。 - 前記ワークの初期形状および目標形状のCADモデルを、前記点群データに変換する変換手段を備える、
請求項9または10に記載の学習装置。 - 複数種類の工具を使用する工作機械に対する工具条件を決定するために用いる学習モデルを機械学習する学習装置であって、
ワークの初期形状および目標形状を表すデータを受け付け、前記ワークの初期形状から目標形状を得るまでの除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する学習手段と、
前記学習モデルが出力する工具条件による加工後の次形状を、前記工具条件に含まれる工具情報に基づき加工形状を逆オフセットして工具経路を生成し、前記工具経路に基づいてワークに対してシミュレーションを行うことにより求める次形状取得手段と、
を備える、
学習装置。 - 前記学習モデルは、ワークの現在形状から前記目標形状を得るための加工で使用する工具条件を出力するモデルであり、
前記学習手段は、前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を前記目標形状が得られるまでに繰り返し、除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する、
請求項9から12のいずれか1項に記載の学習装置。 - 前記報酬は、前記除去体積が大きいほど大きな値であり、前記加工時間が短いほど大きな値である、
請求項9から13のいずれか1項に記載の学習装置。 - 複数種類の工具を使用する工作機械に対する工具条件を決定するために用いる学習モデルを機械学習する学習装置であって、
ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状のCADモデルを取得する取得手段と、
前記ワークの初期形状および目標形状のCADモデルを、座標データおよび法線ベクトルデータに変換する変換手段と、
前記ワークの初期形状から目標形状を得るまでの除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する学習手段と、
を有し、
前記学習手段は、変換された前記ワークの初期形状および目標形状の座標データおよび法線ベクトルデータを入力として受け付ける、
学習装置。 - 前記変換手段は、前記ワークの初期形状および目標形状のCADモデルを、前記ワークを前記工作機械に設置させる面に垂直な軸をz軸として、前記ワークの初期形状および目標形状のCADモデルをz軸に垂直な複数の方向から見た二次元画像にも変換し、
前記学習手段は、変換された前記ワークの初期形状および目標形状の座標データ、法線ベクトルデータ、および二次元画像を入力として受け付ける、
請求項15に記載の学習装置。 - 複数種類の工具を使用する工作機械に対する工具条件を決定するための、コンピュータが行う工具条件決定方法であって
ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状を複数の方向から見た二次元画像の画像データを受け付け、前記初期形状から前記目標形状を得るために使用する一連の工具条件を決定する決定ステップ、
を含み、
前記決定ステップでは、ワークの現在形状から前記目標形状を得るための加工で使用する工具条件を出力するように機械学習された学習モデルを用いて、前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を繰り返すことにより、前記一連の工具条件を決定する、
工具条件決定方法。 - 複数種類の工具を使用する工作機械に対する工具条件を決定するために用いる学習モデルを機械学習する、コンピュータが行う学習方法であって、
前記学習モデルは、ワークの初期形状および目標形状を表すデータとして、前記ワークの初期形状および目標形状の点群データ、および、前記ワークの初期形状および目標形状を複数の方向から見た二次元画像の画像データの少なくとも一方を受け付け前記ワークの初期形状から目標形状を得るまでの除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する学習ステップ、
を備える、学習方法。 - 前記学習モデルは、現在形状から前記目標形状を得るために使用する次の加工における工具条件を出力するモデルであり、
前記学習ステップでは、前記ワークの初期形状を前記学習モデルへの最初の入力として工具条件を得て、前記学習モデルから得られた工具条件による加工後の次形状をさらに前記学習モデルの入力として次の工具条件を得る処理を前記目標形状が得られるまでに繰り返し、除去体積および加工時間を報酬とした強化学習により、前記学習モデルを学習する、
請求項18に記載の学習方法。 - 請求項17から19のいずれか1項に記載の方法をコンピュータに実行させるためのコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019202501A JP7171538B2 (ja) | 2019-11-07 | 2019-11-07 | 工具条件決定装置、学習装置、および方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019202501A JP7171538B2 (ja) | 2019-11-07 | 2019-11-07 | 工具条件決定装置、学習装置、および方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021074816A JP2021074816A (ja) | 2021-05-20 |
JP7171538B2 true JP7171538B2 (ja) | 2022-11-15 |
Family
ID=75897262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019202501A Active JP7171538B2 (ja) | 2019-11-07 | 2019-11-07 | 工具条件決定装置、学習装置、および方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7171538B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755974B (zh) * | 2022-04-19 | 2022-12-02 | 中科航迈数控软件(深圳)有限公司 | 复杂结构件加工路径优化方法、装置、终端及存储介质 |
JP7412642B1 (ja) * | 2022-12-08 | 2024-01-12 | 三菱電機株式会社 | プログラミング支援プログラム、プログラミング支援装置及びプログラミング支援方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001075623A (ja) | 1999-09-01 | 2001-03-23 | Canon Inc | 数値制御装置、加工制御方法、及び記憶媒体 |
JP3312154B2 (ja) | 1992-10-09 | 2002-08-05 | オムロン株式会社 | 加工情報決定システムおよび方法,ならびに加工工程情報決定システムおよび方法 |
US20030187624A1 (en) | 2002-03-27 | 2003-10-02 | Joze Balic | CNC control unit with learning ability for machining centers |
JP2004284002A (ja) | 2003-01-31 | 2004-10-14 | Fujitsu Ltd | 加工制御装置 |
DE102008035710A1 (de) | 2008-07-30 | 2010-02-11 | Roleder, Jürgen | Verfahren zum selbsttätigen Zurückführen eines Werkzeugs einer programmgesteuerten Werkzeugmaschine |
JP2018018155A (ja) | 2016-07-25 | 2018-02-01 | ファナック株式会社 | カメラを使って計測動作を自動化する機能を備えた数値制御装置 |
WO2018123116A1 (ja) | 2016-12-26 | 2018-07-05 | 三菱電機株式会社 | 加工工程生成装置、加工工程生成方法およびプログラム |
JP2019150902A (ja) | 2018-03-01 | 2019-09-12 | 株式会社牧野フライス製作所 | 工具経路を生成するための方法及び装置 |
JP6584697B1 (ja) | 2018-07-11 | 2019-10-02 | 三菱電機株式会社 | 機械学習装置、数値制御加工プログラム生成装置および機械学習方法 |
JP2019185125A (ja) | 2018-04-02 | 2019-10-24 | ファナック株式会社 | 制御装置及び機械学習装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2974183B2 (ja) * | 1991-11-07 | 1999-11-08 | オークマ株式会社 | 数値制御工作機械における干渉チェック装置 |
JP3913352B2 (ja) * | 1998-02-19 | 2007-05-09 | 株式会社豊田中央研究所 | 加工工程の決定方法 |
ES2772928T3 (es) * | 2016-11-26 | 2020-07-08 | Agie Charmilles Sa | Método para mecanizado e inspección de piezas de trabajo |
JP2019160902A (ja) * | 2018-03-09 | 2019-09-19 | 旭化成株式会社 | 半導体発光素子用基材及び半導体発光素子 |
-
2019
- 2019-11-07 JP JP2019202501A patent/JP7171538B2/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3312154B2 (ja) | 1992-10-09 | 2002-08-05 | オムロン株式会社 | 加工情報決定システムおよび方法,ならびに加工工程情報決定システムおよび方法 |
JP2001075623A (ja) | 1999-09-01 | 2001-03-23 | Canon Inc | 数値制御装置、加工制御方法、及び記憶媒体 |
US20030187624A1 (en) | 2002-03-27 | 2003-10-02 | Joze Balic | CNC control unit with learning ability for machining centers |
JP2004284002A (ja) | 2003-01-31 | 2004-10-14 | Fujitsu Ltd | 加工制御装置 |
DE102008035710A1 (de) | 2008-07-30 | 2010-02-11 | Roleder, Jürgen | Verfahren zum selbsttätigen Zurückführen eines Werkzeugs einer programmgesteuerten Werkzeugmaschine |
JP2018018155A (ja) | 2016-07-25 | 2018-02-01 | ファナック株式会社 | カメラを使って計測動作を自動化する機能を備えた数値制御装置 |
WO2018123116A1 (ja) | 2016-12-26 | 2018-07-05 | 三菱電機株式会社 | 加工工程生成装置、加工工程生成方法およびプログラム |
JP2019150902A (ja) | 2018-03-01 | 2019-09-12 | 株式会社牧野フライス製作所 | 工具経路を生成するための方法及び装置 |
JP2019185125A (ja) | 2018-04-02 | 2019-10-24 | ファナック株式会社 | 制御装置及び機械学習装置 |
JP6584697B1 (ja) | 2018-07-11 | 2019-10-02 | 三菱電機株式会社 | 機械学習装置、数値制御加工プログラム生成装置および機械学習方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021074816A (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4904944B2 (ja) | Camシステム及びその方法 | |
JP7171538B2 (ja) | 工具条件決定装置、学習装置、および方法 | |
CN115769208B (zh) | 促进制造和结构性能的具有总体厚度控制的计算机辅助生成式设计 | |
WO2019167650A1 (ja) | 工具経路を生成するための方法及び装置 | |
JP2023526832A (ja) | 2.5軸除去製造プロセスを容易にする工具サイズ制御を用いるコンピュータ支援ジェネレーティブ設計 | |
JP2003195916A (ja) | 工具経路の作成装置及び方法 | |
US20240085881A1 (en) | Computer aided generative design with layer boundary determination to facilitate 2.5-axis subtractive manufacturing processes | |
CN111046601A (zh) | 基于工件变形代理模型的薄壁曲面加工进给速度优化方法 | |
JP4620565B2 (ja) | 解析メッシュ生成装置 | |
US11176291B2 (en) | Roughing toolpath sequences generation for computer aided manufacturing | |
JP4346630B2 (ja) | 加工条件取得装置およびそのプログラム | |
JP7221725B2 (ja) | 工具選定方法及び装置、並びに、工具経路生成方法 | |
EP4036520A1 (en) | Automatic generation of probe path for surface inspection and part alignment | |
OuYang et al. | Determining gouge-free ball-end mills for 3D surface machining from point cloud data | |
JP2023084699A (ja) | 製造及び構造性能を促進するフィーチャ厚制御を用いるコンピュータ支援ジェネレーティブ設計 | |
JP2007156604A (ja) | 曲面作成方法及び曲面作成プログラム並びに3次元形状処理装置 | |
JP6833150B1 (ja) | 加工プログラム検索装置および加工プログラム検索方法 | |
JP6896144B2 (ja) | 工具経路生成方法 | |
JP4748049B2 (ja) | 加工工程の決定方法 | |
WO2021033490A1 (ja) | 加工条件を決定するための方法及び装置 | |
JP6492779B2 (ja) | マッピング情報生成プログラム、マッピング情報生成方法、及びマッピング情報生成装置 | |
CN112614046B (zh) | 一种二维平面上绘制三维模型的方法及装置 | |
JP2013088988A (ja) | メッシュ作成装置、メッシュ作成方法、メッシュ作成プログラム | |
JP2007286858A (ja) | 面モデルの作成装置と作成方法 | |
JPWO2009101688A1 (ja) | 放電加工装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210107 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211020 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220729 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221102 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7171538 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |