JP7395954B2 - NC data quality judgment device and processing device - Google Patents

NC data quality judgment device and processing device Download PDF

Info

Publication number
JP7395954B2
JP7395954B2 JP2019193584A JP2019193584A JP7395954B2 JP 7395954 B2 JP7395954 B2 JP 7395954B2 JP 2019193584 A JP2019193584 A JP 2019193584A JP 2019193584 A JP2019193584 A JP 2019193584A JP 7395954 B2 JP7395954 B2 JP 7395954B2
Authority
JP
Japan
Prior art keywords
data
actual feed
feed speed
quality determination
image
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
Application number
JP2019193584A
Other languages
Japanese (ja)
Other versions
JP2021068225A (en
Inventor
良彦 山田
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.)
JTEKT Corp
Original Assignee
JTEKT 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 JTEKT Corp filed Critical JTEKT Corp
Priority to JP2019193584A priority Critical patent/JP7395954B2/en
Publication of JP2021068225A publication Critical patent/JP2021068225A/en
Application granted granted Critical
Publication of JP7395954B2 publication Critical patent/JP7395954B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Numerical Control (AREA)

Description

本発明は、ＮＣデータ良否判定装置及び加工装置に関する。 The present invention relates to an NC data quality determination device and processing device.

加工装置における加工物の加工では、加工物の加工面に不良が発生した場合、加工不良の発生要因を特定することは容易ではない。そこで、例えば、下記特許文献１には、検査装置による加工物の加工面の検査結果に基づいて、加工不良の発生要因を機械学習を利用して推定する装置が記載されている。 When processing a workpiece using a processing device, if a defect occurs on the machined surface of the workpiece, it is not easy to identify the cause of the processing defect. Therefore, for example, Patent Document 1 listed below describes a device that uses machine learning to estimate the cause of machining defects based on the inspection results of the machined surface of a workpiece by an inspection device.

特開２０１８－１８１２１６号公報JP2018-181216A

マシニングセンタやＮＣフライス盤等の加工装置における金型等の３次元曲面加工では、指令値である数値制御（ＮＣ（Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ））データの品質が低下すると加工用工具と加工物の相対的な実送り速度が変動し、加工物の加工面に傷やうねり模様が発生する場合がある。作業者は、ＮＣデータを見てＮＣデータの良否（ＯＫ／ＮＧ）を判断し、否（ＮＧ）であればＮＣデータを作り直し、良（ＯＫ）であれば当該ＮＣデータで加工を行う。 When processing three-dimensional curved surfaces such as molds using processing equipment such as machining centers and NC milling machines, if the quality of numerical control (NC) data, which is the command value, deteriorates, the relative actual feed of the processing tool and the workpiece The speed may fluctuate and scratches or undulations may occur on the machined surface of the workpiece. The operator looks at the NC data and determines whether the NC data is good or bad (OK/NG). If it is not good (NG), the operator recreates the NC data, and if it is good (OK), the operator performs processing using the NC data.

しかし、作業者がＮＣデータそのものを見てもＮＣデータの良否判断は分かりづらい。そこで、上述の実送り速度を可視化することで、作業者の目で否（ＮＧ）の箇所を見分け易くなる。つまり、ＮＣデータに基づいて、工具軌跡を示す線上に所定の間隔で付される点群の各点において、実送り速度を演算して実送り速度画像を表示する。しかし、実送り速度が可視化されているとはいえ、作業者が膨大な点群の中から目で否（ＮＧ）の箇所を探し出す処理は非常に労力を要し、見逃してしまうリスクがあり、また、作業できる人が熟練者に限られてしまう。そこで、当該処理を機械で自動化できればよいが、作業者が画像を見て否（ＮＧ）の箇所と判断する要素の中には、うまく言葉に直せない直観・感性的要素や多数の経験から学んだ経験則要素、多数の因果が絡んだ全体的要素があることもある。これらの要素は、フローや条件分岐などのルールとして表現が困難であり、プログラムとして処理の自動化が難しい。 However, it is difficult for an operator to judge whether the NC data is good or bad even by looking at the NC data itself. Therefore, by visualizing the above-mentioned actual feed speed, it becomes easier for the operator to visually identify the NG points. That is, based on the NC data, the actual feed rate is calculated at each point of a group of points placed at predetermined intervals on a line indicating the tool trajectory, and an actual feed rate image is displayed. However, even though the actual feed speed is visualized, it is very labor-intensive for the operator to visually search for points that are rejected from a huge point cloud, and there is a risk of them being overlooked. In addition, the number of people who can perform the work is limited to those who are experts. Therefore, it would be good if the process could be automated by a machine, but some of the factors that operators judge by looking at the image and rejecting it are intuitive and emotional factors that cannot be easily expressed in words, as well as learning from numerous experiences. However, there may also be an element of heuristics or an overall element involving many causes and effects. These elements are difficult to express as rules such as flows and conditional branches, and it is difficult to automate processing as a program.

本発明は、ＮＣデータの良否判定を容易且つ高精度に行えるＮＣデータ良否判定装置及び加工装置を提供することを目的とする。 An object of the present invention is to provide an NC data quality determination device and a processing device that can easily and highly accurately determine the quality of NC data.

本発明に係るＮＣデータ良否判定装置は、加工装置における３次元曲面加工に関するＮＣデータを記憶するデータ記憶部と、前記データ記憶部に記憶される前記ＮＣデータに基づいて、前記加工装置における加工用工具と加工物の相対的な実送り速度の関連データを演算して実送り速度画像に変換する画像変換部と、少なくとも前記画像変換部で変換される前記実送り速度画像のデータを説明変数データとし、前記ＮＣデータの良否に関するデータを目的変数データとする訓練データセットに基づいて、機械学習により生成される学習済みモデルを記憶するモデル記憶部と、前記モデル記憶部に記憶される前記学習済みモデルに対して新たな実送り速度画像のデータを入力し、入力する前記新たな実送り速度画像に対応するＮＣデータの良否を判定する良否判定部と、を備える。
本発明に係る加工装置は、上記ＮＣデータ良否判定装置を備え、前記ＮＣデータ良否判定装置で良と判定された前記ＮＣデータに基づいて、前記加工物の加工を行う。 The NC data quality determination device according to the present invention includes a data storage unit that stores NC data related to three-dimensional curved surface processing in a processing device, and a data storage unit that stores NC data related to three-dimensional curved surface processing in a processing device, and a an image converter that calculates data related to the relative actual feedrates of the tool and the workpiece and converts the data into an actual feedrate image; and at least the data of the actual feedrate image converted by the image converter as explanatory variable data. and a model storage unit that stores a trained model generated by machine learning based on a training data set in which data regarding the quality of the NC data is used as objective variable data; The present invention includes a quality determination unit that inputs data of a new actual feed speed image to the model and determines whether the NC data corresponding to the new input actual feed speed image is good or bad.
A processing apparatus according to the present invention includes the NC data quality determination device, and processes the workpiece based on the NC data determined to be good by the NC data quality determination device.

従来は膨大な点群の中から否の箇所を探し出す処理を自動化することは非常に困難であったが、本発明は上記処理の自動化に相性のよい機械学習の技術を活用して実現している。つまり、このＮＣデータ良否判定装置によれば、良否判定部が、新たな加工物を加工する際に用いられるＮＣデータと、モデル記憶部に記憶された学習済みモデルとに基づき、新たに加工物を加工する際に用いられるＮＣデータの良否を予測する。従って、加工物を加工する際に用いられるＮＣデータの良否の判定を容易且つ高精度に予測することができる。 In the past, it was extremely difficult to automate the process of finding negative points from a huge point cloud, but the present invention achieves this by utilizing machine learning technology that is compatible with automating the above process. There is. In other words, according to this NC data quality determination device, the quality determination unit creates a new workpiece based on the NC data used when processing a new workpiece and the learned model stored in the model storage unit. Predict the quality of NC data used when processing. Therefore, it is possible to easily and accurately predict whether the NC data used when processing the workpiece is good or bad.

生産システムの構成を示す図である。FIG. 1 is a diagram showing the configuration of a production system. ＣＡＭにより作成されるＣＬデータを示す図である。It is a figure showing CL data created by CAM. 表示画面に表示される実送り速度画像のデータを示す図である。It is a figure which shows the data of the actual feed speed image displayed on a display screen. 図３の３次元の実送り速度画像をＺ方向から見た拡大図である。FIG. 4 is an enlarged view of the three-dimensional actual feed speed image of FIG. 3 viewed from the Z direction. 図３の３次元の実送り速度画像をＸ方向から見た拡大図である。FIG. 4 is an enlarged view of the three-dimensional actual feed speed image of FIG. 3 viewed from the X direction. ＮＣデータ良否判定装置を示すブロック図である。FIG. 2 is a block diagram showing an NC data quality determination device. ＮＣデータ良否判定装置による学習済みモデルの生成処理を説明するための図である。FIG. 3 is a diagram for explaining a process of generating a learned model by the NC data quality determination device. ＮＣデータ良否判定装置によるＮＣデータの良否判定処理を説明するための図である。FIG. 3 is a diagram for explaining NC data quality determination processing performed by the NC data quality determination device. 別形態のＮＣデータ良否判定装置を示すブロック図である。It is a block diagram showing another form of NC data quality determination device. 別形態のＮＣデータ良否判定装置による第２学習済みモデルの生成処理を説明するための図である。FIG. 7 is a diagram for explaining a process of generating a second trained model by another type of NC data quality determination device. 別形態のＮＣデータ良否判定装置によるＮＣデータの修正処理を説明するための図である。FIG. 7 is a diagram for explaining NC data correction processing performed by another type of NC data quality determination device.

（１．ＮＣデータ良否判定装置１２を備える生産システム１０の構成）
生産システム１０は、複数の加工装置１１と、ＮＣデータ良否判定装置１２とを備える。加工装置１１は、ＮＣデータに基づいて３次元曲面加工が可能な、例えば、マシニングセンタ、ＮＣフライス盤等である。ＮＣデータ良否判定装置１２は、機械学習により加工装置１１における３次元曲面加工に関するＮＣデータの良否（ＯＫ／ＮＧ）を判定する。 (1. Configuration of production system 10 including NC data quality determination device 12)
The production system 10 includes a plurality of processing devices 11 and an NC data quality determination device 12. The processing device 11 is, for example, a machining center, an NC milling machine, or the like, which is capable of processing three-dimensional curved surfaces based on NC data. The NC data quality determination device 12 determines the quality (OK/NG) of NC data regarding three-dimensional curved surface machining in the processing device 11 by machine learning.

ＮＣデータ良否判定装置１２は、複数の加工装置１１と通信可能に設けられる第一サーバ１２１及び第二サーバ１２２を備える。第一サーバ１２１は、機械学習における学習フェーズとして機能する。第二サーバ１２２は、機械学習における推論フェーズとして機能する。但し、第一サーバ１２１と第二サーバ１２２とは、別装置として説明するが、同一装置によって構成することも可能である。また、第一サーバ１２１及び第二サーバ１２２は、クラウド上に形成された仮想サーバであってもよい。 The NC data quality determination device 12 includes a first server 121 and a second server 122 that are provided to be able to communicate with a plurality of processing devices 11 . The first server 121 functions as a learning phase in machine learning. The second server 122 functions as an inference phase in machine learning. However, although the first server 121 and the second server 122 will be described as separate devices, they can also be configured by the same device. Moreover, the first server 121 and the second server 122 may be virtual servers formed on the cloud.

第一サーバ１２１は、取得した説明変数データ及び目的変数データでなる訓練データセットを用いた機械学習により学習済みモデルを生成する。すなわち、第一サーバ１２１は、複数の加工装置１１の各々で用いるＮＣデータに基づいて、得られる訓練データセットを教師データとして取得する。 The first server 121 generates a learned model by machine learning using a training data set consisting of the acquired explanatory variable data and objective variable data. That is, the first server 121 acquires the obtained training data set as teacher data based on the NC data used in each of the plurality of processing devices 11.

詳細は後述するが、本例では、説明変数データは、ＮＣデータから得られる加工装置１１における加工用工具と加工物の相対的な実送り速度画像のデータである。また、目的変数データは、ＮＣデータの良否に関するデータである。尚、第一サーバ１２１における機械学習は、教師あり学習の場合を例に挙げて説明するが、他の機械学習アルゴリズムを適用することも可能である。 Although details will be described later, in this example, the explanatory variable data is data of an image of the relative actual feed speed of the machining tool and workpiece in the machining device 11 obtained from the NC data. Further, the objective variable data is data regarding the quality of the NC data. Note that although the machine learning in the first server 121 will be described using supervised learning as an example, it is also possible to apply other machine learning algorithms.

第一サーバ１２１は、作業者が入力するＮＣデータの良否に関するデータを取得しても良く、また、計測器によって計測された加工物に関するデータから得られるＮＣデータの良否に関するデータを取得するようにしても良い。これにより、第一サーバ１２１は、多量の訓練データセットとする教師あり学習を行うことにより学習済みモデルを生成する。従って、第一サーバ１２１は、学習済みモデルの学習精度を向上させることができ、学習済みモデルの高精度化を図ることができる。 The first server 121 may acquire data regarding the quality of the NC data input by the worker, and may also acquire data regarding the quality of the NC data obtained from the data regarding the workpiece measured by the measuring instrument. It's okay. Thereby, the first server 121 generates a trained model by performing supervised learning using a large amount of training data sets. Therefore, the first server 121 can improve the learning accuracy of the trained model, and can improve the accuracy of the trained model.

第二サーバ１２２は、第一サーバ１２１により生成された学習済みモデルを取得する。そして、第二サーバ１２２は、第一サーバ１２１により生成された学習済みモデルを用いて、複数の加工装置１１の各々で加工を行う際に用いるＮＣデータの良否を判定する。すなわち、第二サーバ１２２は、上記ＮＣデータから得られる加工装置１１における加工用工具と加工物の相対的な実送り速度画像のデータを入力データとし、学習済みモデルを用いて当該ＮＣデータの良否の判定を予測して出力データとして出力する。 The second server 122 acquires the trained model generated by the first server 121. Then, the second server 122 uses the trained model generated by the first server 121 to determine the quality of the NC data used when each of the plurality of processing devices 11 performs processing. That is, the second server 122 uses as input data the image data of the relative actual feed speed of the machining tool and the workpiece in the machining device 11 obtained from the NC data, and uses the trained model to determine the quality of the NC data. Predicts the judgment and outputs it as output data.

なお、第二サーバ１２２によって予測されたＮＣデータの良否の判定は、加工装置１１に送信し、加工装置１１の加工条件を調整することに用いても良い。又、予測されたＮＣデータが否（ＮＧ）であると判定された場合には、加工装置１１が否と判定されたＮＣデータに基づいて加工した加工物の廃棄処理又は選別処理を行うようにしても良い。 Note that the judgment of the quality of the NC data predicted by the second server 122 may be transmitted to the processing device 11 and used for adjusting the processing conditions of the processing device 11. Further, when it is determined that the predicted NC data is NG, the processing device 11 performs a disposal process or a sorting process for the processed workpiece based on the NC data that is determined to be NG. It's okay.

ここで、図示を省略するが、複数の加工装置１１の各々に対して、第二サーバ１２２を配置することもできる。即ち、複数の加工装置１１の各々に対して配置された第二サーバ１２２は、第一サーバ１２１により生成された学習済みモデルを用いて、対応する加工装置１１により加工物を加工したときに用いるＮＣデータの良否の判定を予測する。また、生産システム１０は、単体の加工装置１１と、ＮＣデータ良否判定装置１２とにより構成されるようにしても良い。 Here, although not shown, the second server 122 may be arranged for each of the plurality of processing devices 11. That is, the second server 122 arranged for each of the plurality of processing devices 11 uses the trained model generated by the first server 121 when processing the workpiece by the corresponding processing device 11. Predict whether the NC data is good or bad. Further, the production system 10 may be configured by a single processing device 11 and an NC data quality determination device 12.

（２．訓練データセット）
次に、訓練データセットについて説明する。上述のように、訓練データセットは、ＮＣデータから得られる加工装置１１における加工用工具と加工物の相対的な実送り速度画像のデータである説明変数データと、ＮＣデータの良否に関するデータである目的変数データで構成される。 (2. Training dataset)
Next, the training data set will be explained. As described above, the training data set includes explanatory variable data, which is image data of the relative actual feed speed of the machining tool and workpiece in the machining device 11 obtained from the NC data, and data regarding the quality of the NC data. Consists of objective variable data.

ＮＣデータは、ＣＡＤ(Computer Aided Design)で作成された加工物の形状（３次元モデル）データを入力データとして、ＣＡＭ(Computer Aided Manufacturing)で作成される。具体的には、図２に示すように、ＣＡＭは、加工用工具モデルＴｍの例えば先端部ｔｐの加工物表面Ｗｓにおける工具経路ｔｒのトレランスｔｏに基づいて、ＣＬ(Cutter Location)データｃｌを作成する。なお、ＣＡＭは、工具経路ｔｒにおいて一定間隔でＣＬデータｃｌを作成するようにしてもよい。 The NC data is created using CAM (Computer Aided Manufacturing) using shape (three-dimensional model) data of a workpiece created using CAD (Computer Aided Design) as input data. Specifically, as shown in FIG. 2, the CAM creates CL (Cutter Location) data cl based on the tolerance to of the tool path tr on the workpiece surface Ws of the tip end tp of the machining tool model Tm. do. Note that the CAM may create the CL data cl at regular intervals on the tool path tr.

そして、ＣＡＭは、ＣＬデータｃｌに対し補間処理、例えば直線補間、円弧補間、ナーブス曲線補間等を行い、ＮＣデータを作成する。このＮＣデータは、工具軌跡のデータ、及び主軸回転数、クーラント供給等の指令データを含む。本例での工具軌跡は、線上に所定の間隔で付される点群で表され、工具軌跡のデータは、点群の各点の座標値のデータ及び速度指令値（暫定的に指令する一定速度）のデータを含む。 Then, the CAM performs interpolation processing, such as linear interpolation, circular interpolation, and nervous curve interpolation, on the CL data cl to create NC data. This NC data includes tool path data and command data such as spindle rotation speed and coolant supply. The tool trajectory in this example is represented by a group of points attached at predetermined intervals on a line, and the data of the tool trajectory includes data on the coordinate values of each point in the point group and speed command value (temporarily commanded constant value). speed).

ここで、ＮＣデータの品質を加工前に確認するツールとしてＮＣデータ解析装置が開発されている。このＮＣデータ解析装置は、ＮＣデータに基づいて、線上に所定の間隔で付される点群の各点において、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像を表示する。 Here, an NC data analysis device has been developed as a tool for checking the quality of NC data before processing. This NC data analysis device calculates the relative actual feed rate of the machining tool and workpiece in the machining device 11 at each point of a point group attached at predetermined intervals on a line based on the NC data. Display the actual feed speed image.

具体的には、図３に示すように、表示画面ＬＰ（後述する実送り速度画像表示部２１３に備えられる）に表示される実送り速度画像ＶＶのデータとしては、表示画面ＬＰの左側に工具軌跡を示す線Ｌ上に所定の間隔で付される点群Ｐ１－Ｐｎが３次元画像で表示される。そして、表示画面ＬＰの左側に各点Ｐ１，Ｐ２，・・・，Ｐｎの座標値（Ｘ１，Ｙ１，Ｚ１），（Ｘ２，Ｙ１，Ｚ１），・・・，（Ｘｎ，Ｙｎ，Ｚｎ）及び各点Ｐ１，Ｐ２，・・・，Ｐｎでの実送り速度Ｖ１，Ｖ２，・・・，Ｖｎが表で表示される。 Specifically, as shown in FIG. 3, the data of the actual feed speed image VV displayed on the display screen LP (included in the actual feed speed image display section 213 described later) includes a tool on the left side of the display screen LP. A group of points P1-Pn placed at predetermined intervals on a line L indicating a locus is displayed as a three-dimensional image. Then, on the left side of the display screen LP, the coordinate values (X1, Y1, Z1), (X2, Y1, Z1), ..., (Xn, Yn, Zn) of each point P1, P2, ..., Pn are displayed. The actual feed speeds V1, V2, . . . , Vn at each point P1, P2, . . . , Pn are displayed in a table.

すなわち、３次元モデルデータにおける加工位置（各点）Ｐ１，Ｐ２，・・・，Ｐｎと実送り速度Ｖ１，Ｖ２，・・・，Ｖｎとが紐づいている。そして、実送り速度Ｖ１，Ｖ２，・・・，Ｖｎは、所定の閾値以上の場合は高速の実送り速度、所定の閾値未満の場合は低速の実送り速度と規定し、３次元画像の点群において、高速の実送り速度の点は例えば赤色（図では黒色）で表示し、低速の実送り速度の点は例えば白色で表示する。なお、点の色は任意で選択できる。また、実送り速度の高低によって点の色の濃度を変化（濃淡）させるようにしてもよい。また、工具軌跡は、線を除いた点群のみで表示するようにしてもよい。 That is, the machining positions (points) P1, P2, . . . , Pn in the three-dimensional model data are linked to the actual feed speeds V1, V2, . Then, the actual feed speeds V1, V2, ..., Vn are defined as high speed actual feed speeds when they are equal to or higher than a predetermined threshold, and low speed actual feed speeds when less than the predetermined threshold. In the group, points with a high actual feed rate are displayed in red (black in the figure), for example, and points with a low actual feed rate are displayed in white, for example. Note that the color of the dots can be selected arbitrarily. Further, the density of the color of the point may be changed (shaded) depending on the actual feed speed. Further, the tool trajectory may be displayed only as a group of points excluding lines.

ＮＣデータの良否のラべリングは、表示画面ＬＰに表示される実送り速度画像ＶＶに基づいて、加工物の加工面不良の発生の有無により行う。具体的には、図３に示すように、表示画面ＬＰに表示される実送り速度画像ＶＶにおいて、加工面Ｗｓが平面部Ｗｓｆ１（例えば、一点鎖線で囲まれる部分）に続く円錐台状の凸部Ｗｃのコーナー部Ｗｓｃ１（例えば、二点鎖線で囲まれる部分）である場合は、平面部Ｗｓｆ１からコーナー部Ｗｓｃ１にかけて実送り速度を減速する必要がある。 Labeling of the quality of the NC data is performed based on the actual feed speed image VV displayed on the display screen LP, depending on the presence or absence of defects on the machined surface of the workpiece. Specifically, as shown in FIG. 3, in the actual feed speed image VV displayed on the display screen LP, the machining surface Ws has a truncated cone-shaped convexity that continues to the flat part Wsf1 (for example, the part surrounded by a dashed-dotted line). In the case of the corner portion Wsc1 of the portion Wc (for example, the portion surrounded by the two-dot chain line), it is necessary to reduce the actual feed speed from the flat portion Wsf1 to the corner portion Wsc1.

図３では、コーナー部Ｗｓｃ１より手前の平面部Ｗｓｆ１では高速の実送り速度（黒色（赤色）の点群）であったものが、コーナー部Ｗｓｃ１では低速の実送り速度（白色の点群）に減速しているので問題が無く、加工面不良は発生しないので、ＮＣデータを良（ＯＫ）とラべリングできる。また、コーナー部の曲率の程度によっては、平面部からコーナー部にかけて減速する必要が無い場合もある。この場合は、コーナー部の条件（パラメータ）を調整（ラべリング精度が悪くなる場合もある）することで対応可能となる。 In FIG. 3, the high actual feed rate (black (red) dots) is achieved in the plane portion Wsf1 before the corner portion Wsc1, but the actual feed rate is low (white dots) in the corner portion Wsc1. Since the speed is reduced, there is no problem and no machined surface defects occur, so the NC data can be labeled as OK. Further, depending on the degree of curvature of the corner portion, there may be no need to reduce the speed from the plane portion to the corner portion. This case can be handled by adjusting the conditions (parameters) of the corner portion (labeling accuracy may deteriorate).

一方、図３に示すように、表示画面ＬＰに表示される実送り速度画像ＶＶにおいて、加工面Ｗｓが平面部Ｗｓｆ２（例えば、破線で囲まれる部分）のみである場合は、高速の実送り速度が維持される必要がある。しかし、図３では、平面部Ｗｓｆ２の途中で高速の実送り速度（黒色（赤色）の点群）から低速の実送り速度（白色の点群）に変化している箇所が有るので問題があり、加工面不良が発生するので、ＮＣデータを否（ＮＧ）とラべリングできる。この場合、ＣＡＭに戻って処理をやり直し、さらにはＣＡＤに戻って処理をやり直す。 On the other hand, as shown in FIG. 3, in the actual feed speed image VV displayed on the display screen LP, if the machining surface Ws is only the flat part Wsf2 (for example, the part surrounded by a broken line), the high actual feed speed needs to be maintained. However, in FIG. 3, there is a problem because there is a part in the middle of the flat part Wsf2 where the high actual feed rate (black (red) point group) changes to the low actual feed rate (white point group). , a machined surface defect occurs, so the NC data can be labeled as NG. In this case, the process returns to the CAM and is re-processed, and then returns to the CAD and the process is re-performed.

ただし、ＣＡＭの処理の癖、例えばＣＬデータの折れ角、又は、ＣＡＤで作成された加工物の形状データの粗さから、平面部の途中で高速の実送り速度から低速の実送り速度に変化させる必要があると誤って判断する場合がある。この場合は、平面部の途中で高速の実送り速度（黒色（赤色）の点群）から低速の実送り速度（白色の点群）に変化している箇所でも、ＮＣデータを良（ＯＫ）とラべリングできる。また、ＮＣデータの良否のラべリングは、点群全体でラべリングしてもよく、また、点群の各点でラべリングしてもよい。 However, due to the peculiarities of CAM processing, such as the bending angle of CL data or the roughness of the shape data of the workpiece created with CAD, the actual feed rate changes from high to low in the middle of the flat part. You may mistakenly decide that it is necessary to do so. In this case, even if the actual feed rate changes from a high actual feed rate (black (red) dots) to a low actual feed rate (white dots) in the middle of the flat part, the NC data can be marked as OK. It can be labeled as Furthermore, the quality of the NC data may be labeled by labeling the entire point group, or by labeling each point of the point group.

また、ＮＣデータの良否のラべリングは、３次元モデルの加工物の形状データから作成したＮＣデータを例に説明したが、３次元モデルの加工物の形状データが無くてもよい。この場合、表示画面ＬＰに表示される実送り速度画像ＶＶにおいて、画像周囲の比較で、平面部で黒色（赤色）の点群の中に白色の点がぽつんと存在する場合は、ＮＣデータを否（ＮＧ）とラべリングする。また、コーナー部で黒色（赤色）の点群の中に白色の点がぽつんと存在する場合は、ＮＣデータを良（ＯＫ）とラべリングする。 Further, although the labeling of NC data as to whether it is good or bad has been explained using the NC data created from the shape data of the workpiece of the three-dimensional model as an example, the shape data of the workpiece of the three-dimensional model may not be present. In this case, in the actual feed speed image VV displayed on the display screen LP, if there is a lone white point among the black (red) point group on a flat surface when comparing the surroundings of the image, the NC data is rejected. Label it as (NG). Furthermore, if there is a lone white point in a group of black (red) points at a corner, the NC data is labeled as OK.

学習済みモデルを生成するために、作業者が行うＮＣデータの良否のラべリングにおいては、作業者が表示画面ＬＰに表示される３次元画像で表される実送り速度画像ＶＶを直接見て行う必要がある。しかし、点群の位置によっては当該点群が加工物の陰に隠れて見えない場合がある。 When labeling NC data to determine whether it is good or bad in order to generate a trained model, the worker directly looks at the actual feed speed image VV represented by a three-dimensional image displayed on the display screen LP. There is a need to do. However, depending on the position of the point group, the point group may be hidden behind the workpiece and cannot be seen.

そこで、作業者は、３次元画像で表される実送り速度画像を所定の方向及び所定の倍率で見た場合の２次元画像で表される実送り速度画像に変換する。これにより、３次元画像で表される実送り速度画像ＶＶでは加工物の陰に隠れて見えない点群も見えるようになり、作業者が行うＮＣデータの良否のラべリング精度を向上できる。この場合、３次元画像で表される実送り速度画像を所定の方向及び所定の倍率で見た場合の２次元画像で表される実送り速度画像、並びに、所定の方向及び所定の倍率を説明変数データとして用いる。 Therefore, the operator converts the actual feed speed image represented by a three-dimensional image into an actual feed speed image represented by a two-dimensional image when viewed in a predetermined direction and at a predetermined magnification. As a result, in the actual feed speed image VV represented as a three-dimensional image, a group of points that are hidden behind the workpiece can be seen, and the accuracy of the labeling performed by the operator to determine whether the NC data is good or bad can be improved. In this case, the actual feed speed image represented as a two-dimensional image when the actual feed speed image represented as a three-dimensional image is viewed in a predetermined direction and a predetermined magnification, as well as the predetermined direction and predetermined magnification are explained. Used as variable data.

具体的には、作業者は、図３に示す表示画面ＬＰに表示される３次元画像で表される実送り速度画像ＶＶをＺ方向から５倍に拡大したＸＹ平面の２次元画像で表される実送り速度画像ＶＶｚ（図４参照）を見た場合、凸部Ｗｃのコーナー部Ｗｓｃ２（一点鎖線で囲まれる部分）より手前の平面部Ｗｓｆ３（凸部Ｗｃの頂面であり、点線で囲まれる部分））では高速の実送り速度（黒色（赤色）の点群）となっている。 Specifically, the operator is shown a two-dimensional image of the XY plane that is obtained by enlarging the actual feed speed image VV, which is represented by a three-dimensional image displayed on the display screen LP shown in FIG. 3, five times from the Z direction. When looking at the actual feed speed image VVz (see FIG. 4), the flat portion Wsf3 (the top surface of the convex portion Wc, surrounded by the dotted line) is located in front of the corner portion Wsc2 (the portion surrounded by the dashed line) of the convex portion Wc. The actual feed rate (black (red) dots) is high in the part shown).

そして、Ｘ方向から５倍に拡大したＹＺ平面の２次元画像で表される実送り速度画像ＶＶｘ（図５参照）を見た場合、コーナー部Ｗｓｃ２では低速の実送り速度（白色の点群）に減速している。よって、ＮＣデータとしては問題が無く、ＮＣデータを良（ＯＫ）とラべリングできる。このように、全方向の実送り速度画像に問題が無い場合のみ、当該実送り速度画像に対応するＮＣデータを良（ＯＫ）とラべリングし、一つでも実送り速度画像に問題があるときは、当該実送り速度画像に対応するＮＣデータは否（ＮＧ）とラべリングする。なお、上述の所定の方向及び所定の倍率も機械学習させることで、ＮＣデータの良否ラべリングをさらに高精度且つ簡易に行うことができる。 When looking at the actual feed speed image VVx (see FIG. 5), which is represented by a two-dimensional image of the YZ plane expanded five times from the X direction, the low actual feed speed (white point group) is observed at the corner Wsc2. is slowing down. Therefore, there is no problem with the NC data, and the NC data can be labeled as OK. In this way, only when there is no problem with the actual feed speed image in all directions, the NC data corresponding to the actual feed speed image is labeled as OK, and if there is a problem with even one of the actual feed speed images. In this case, the NC data corresponding to the actual feed speed image is labeled as NG. Note that by also performing machine learning on the above-mentioned predetermined direction and predetermined magnification, it is possible to perform quality labeling of NC data with higher accuracy and more easily.

また、ＮＣデータ良否判定部２２３で否（ＮＧ）と判定を下した工具軌跡の座標値を目的変数データとする訓練データセットに基づいて、機械学習により生成された学習済みモデルを学習済みモデル記憶部２２１に記憶するようにしてもよい。これにより、ＮＣデータの良否判定結果に合わせて、否（ＮＧ）と判定を下した工具軌跡の座標値も出力されるので、どの箇所が否（ＮＧ）であったかを即座に発見できる。 In addition, the learned model generated by machine learning is stored in the learned model memory based on the training data set in which the coordinate values of the tool trajectory judged as NG by the NC data quality judgment unit 223 are used as objective variable data. The information may be stored in the section 221. As a result, the coordinate values of the tool loci that have been judged as NG are also output in accordance with the quality judgment result of the NC data, so it is possible to immediately discover which location has been judged as NG.

（３．ＮＣデータ良否判定装置１２の構成）
次に、図６を参照しながら、ＮＣデータ良否判定装置１２の構成を説明する。図６に示すように、ＮＣデータ良否判定装置１２は、学習フェーズを実行可能な学習処理装置２１０と、推論フェーズを実行可能な良否予測装置２２０とを備える。ここで、学習処理装置２１０は、上述したＮＣデータ良否判定装置１２における第一サーバ１２１に相当する。又、良否予測装置２２０は、上述したＮＣデータ良否判定装置１２における第二サーバ１２２に相当する。 (3. Configuration of NC data quality determination device 12)
Next, the configuration of the NC data quality determination device 12 will be explained with reference to FIG. As shown in FIG. 6, the NC data quality determination device 12 includes a learning processing device 210 capable of executing a learning phase and a quality prediction device 220 capable of executing an inference phase. Here, the learning processing device 210 corresponds to the first server 121 in the NC data quality determination device 12 described above. Further, the quality prediction device 220 corresponds to the second server 122 in the NC data quality determination device 12 described above.

学習処理装置２１０は、ＮＣデータ記憶部２１１（データ記憶部）、実送り速度画像変換部２１２（画像変換部）、実送り速度画像表示部２１３、説明変数データ取得部２１４、目的変数データ取得部２１５、訓練データセット記憶部２１６、学習済みモデル生成部２１７を備える。ＮＣデータ記憶部２１１は、入力される加工装置１１における３次元曲面加工に関するＮＣデータを記憶する。 The learning processing device 210 includes an NC data storage section 211 (data storage section), an actual feed speed image conversion section 212 (image conversion section), an actual feed speed image display section 213, an explanatory variable data acquisition section 214, and an objective variable data acquisition section. 215, a training data set storage section 216, and a trained model generation section 217. The NC data storage unit 211 stores input NC data regarding three-dimensional curved surface machining in the machining device 11 .

実送り速度画像変換部２１２は、ＮＣデータ記憶部２１１に記憶されるＮＣデータを読み出し、読み出したＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像に変換する。実送り速度画像表示部２１３は、実送り速度画像変換部２１２で変換した実送り速度画像、すなわち３次元画像で表される加工軌跡上に表示される点群を含む実送り速度画像、及び表で表される点群の座標値と各点での実送り速度を表示装置ＬＰに表示する。 The actual feed rate image conversion unit 212 reads out the NC data stored in the NC data storage unit 211, and calculates the relative actual feed rate of the processing tool and the workpiece in the processing device 11 based on the read NC data. and convert it to an actual feed speed image. The actual feed speed image display section 213 displays the actual feed speed image converted by the actual feed speed image conversion section 212, that is, the actual feed speed image including a point group displayed on the machining trajectory represented by a three-dimensional image, and a table. The coordinate values of the point group represented by and the actual feed speed at each point are displayed on the display device LP.

説明変数データ取得部２１４は、実送り速度画像変換部２１２で変換した実送り速度画像のデータを説明変数データとして取得する。目的変数データ取得部２１５は、ＮＣデータの良否に関するデータを目的変数データとして取得する。ＮＣデータの良否に関するデータとしては、後述する良否判定結果出力部２２４から入力するＮＣデータの良否の判定のデータ、及び作業者が３次元画像で表される実送り速度画像を見てＮＣデータの良否を判断したデータがある。 The explanatory variable data acquisition unit 214 acquires data of the actual feed speed image converted by the actual feed speed image converter 212 as explanatory variable data. The objective variable data acquisition unit 215 acquires data regarding the quality of the NC data as objective variable data. Data regarding the quality of the NC data includes data for determining the quality of the NC data input from the quality determination result output unit 224, which will be described later, and data for determining the quality of the NC data by an operator looking at an actual feed speed image represented by a three-dimensional image. There is data that determines whether it is good or bad.

訓練データセット記憶部２１６は、説明変数データ取得部２１４で取得した説明変数データと目的変数データ取得部２１５で取得した目的変数データを訓練データセットとして記憶する。学習済みモデル生成部２１７は、訓練データセット記憶部２１６に記憶される実送り速度画像のデータ及びＮＣデータの良否に関するデータに基づき、紐付けされた実送り速度画像のデータとＮＣデータの良否に関するデータとを訓練データセットとする機械学習を行う。これにより、学習済みモデル生成部２１７は、実送り速度画像のデータとＮＣデータの良否に関するデータとに関する学習済みモデルを生成する。 The training data set storage unit 216 stores the explanatory variable data acquired by the explanatory variable data acquisition unit 214 and the objective variable data acquired by the objective variable data acquisition unit 215 as a training dataset. The trained model generation unit 217 generates information regarding the quality of the linked actual feed speed image data and NC data based on data regarding the quality of the actual feed speed image data and NC data stored in the training data set storage unit 216. Perform machine learning using the data as a training dataset. Thereby, the trained model generation unit 217 generates a trained model regarding the data of the actual feed speed image and the data regarding the quality of the NC data.

良否予測装置２２０は、学習済みモデル記憶部２２１（モデル記憶部）、加工時説明変数データ取得部２２２、ＮＣデータ良否判定部２２３（良否判定部）、良否判定結果出力部２２４を備える。学習済みモデル記憶部２２１は、学習済みモデル生成部２１７で生成した学習済みモデルを記憶する。加工時説明変数データ取得部２２２は、加工装置１１における加工時の説明変数データ（新たな実送り速度画像のデータ）を取得する。 The quality prediction device 220 includes a trained model storage unit 221 (model storage unit), a processing explanatory variable data acquisition unit 222, an NC data quality determination unit 223 (quality determination unit), and a quality determination result output unit 224. The trained model storage unit 221 stores the trained model generated by the trained model generation unit 217. The machining explanatory variable data acquisition unit 222 acquires explanatory variable data (new actual feed speed image data) during machining in the machining device 11 .

ＮＣデータ良否判定部２２３は、学習済みモデル記憶部２２１に記憶される学習済みモデルに対して、加工時説明変数データ取得部２２２で取得した加工時の説明変数データを入力し、加工時の説明変数データに対応するＮＣデータの良否を判定する。良否判定結果出力部２２４は、ＮＣデータ良否判定部２２３で判定したＮＣデータの良否判定結果を蓄積データとして目的変数データ取得部２１５に出力する。 The NC data quality determination unit 223 inputs the explanatory variable data at the time of machining acquired by the explanatory variable data acquisition unit 222 for the learned model stored in the learned model storage unit 221, and explains the explanation at the time of machining. Determine the quality of NC data corresponding to variable data. The quality determination result output unit 224 outputs the quality determination result of the NC data determined by the NC data quality determination unit 223 to the objective variable data acquisition unit 215 as accumulated data.

また、良否判定結果出力部２２４は、例えば、表示による案内、音声による案内、表示灯によるＮＣデータ良否判定部２２３で判定したＮＣデータの良否の判定結果の案内等を行う。この場合、良否判定結果出力部２２４は、実送り速度画像表示部２１３の表示装置ＬＰに表示による案内を行うようにしても良いし、複数の加工装置１１の各々に設けられた表示装置等に表示による案内を行うようにしても良い。また、良否判定結果出力部２２４は、作業者又は管理者が所有する携帯端末に案内を行うこともできる。 Further, the quality determination result output unit 224 provides, for example, guidance by display, voice guidance, and guidance of the determination result of the quality of the NC data determined by the NC data quality determination unit 223 using an indicator light. In this case, the pass/fail determination result output section 224 may provide guidance by display on the display device LP of the actual feed speed image display section 213, or may provide guidance on a display device provided in each of the plurality of processing devices 11. Guidance may be provided by display. Furthermore, the quality determination result output unit 224 can also provide guidance to a mobile terminal owned by a worker or administrator.

更に、良否判定結果出力部２２４は、ＮＣデータの良否判定結果を加工装置１１に出力して、加工装置１１に対して良否判定結果に応じた処理を実行させることも可能である。例えば、ＮＣデータの良否判定結果において不良であると判定された場合には、良否判定結果出力部２２４は、加工装置１１に対して、不良であると判定された加工物の廃棄処理又は選別処理を実行することが可能である。 Further, the quality determination result output unit 224 can also output the quality determination result of the NC data to the processing device 11 and cause the processing device 11 to execute processing according to the quality determination result. For example, when the NC data is determined to be defective in the quality determination result, the quality determination result output unit 224 requests the processing apparatus 11 to discard or sort the workpiece determined to be defective. It is possible to execute

作業者は、経験則的に、ＮＣデータから得られる実送り速度画像にどのような特徴（記号化容易な単純な特徴もあれば、言語的に表現困難な複雑な特徴や判断工程の特徴もありうる）が現れたときに、加工物の加工面の不良が発生するかを判断できる。つまり、実送り速度画像の特徴（加工挙動）と加工面不良の発生（加工結果）の間には関係性がある。 As a rule of thumb, workers can determine what features (simple features that are easy to encode, complex features that are difficult to express verbally, and features of the judgment process) are included in the actual feed speed image obtained from NC data. When this occurs, it can be determined whether a defect will occur on the machined surface of the workpiece. In other words, there is a relationship between the characteristics of the actual feed speed image (machining behavior) and the occurrence of machined surface defects (machining results).

しかし、加工挙動と加工結果の間の因果関係は極めて複雑で、また加工挙動を画像化した際にデータは数万のドットからなる変数群となる。このため、加工挙動の画像から加工結果を導く人力による理論化、モデル化、プログラム化は、作業者の認知力の限界や現実的に不可能な検討工数の必要性により極めて困難である。 However, the causal relationship between machining behavior and machining results is extremely complex, and when machining behavior is visualized, the data becomes a variable group consisting of tens of thousands of dots. For this reason, human theorizing, modeling, and programming to derive machining results from images of machining behavior are extremely difficult due to limitations in the cognitive ability of workers and the need for a realistically impossible number of study steps.

本実施形態の学習処理装置２１０では、学習済みモデル生成部２１７は、実送り速度画像のデータとＮＣデータの良否に関するデータとを訓練データセットとする機械学習により、少なくとも実送り速度とＮＣデータの良否とに関する学習済みモデルを生成する。又、良否予測装置２２０では、学習済みモデル記憶部２２１は、学習済みモデル生成部２１７が生成した学習済みモデルを記憶する。 In the learning processing device 210 of the present embodiment, the learned model generation unit 217 performs machine learning that uses actual feed rate image data and data regarding the quality of NC data as a training data set. Generate trained models regarding pass/fail. Further, in the quality prediction device 220, the learned model storage section 221 stores the learned model generated by the learned model generation section 217.

そして、ＮＣデータ良否判定部２２３が、新たな加工物を加工する際に用いられるＮＣデータと、学習済みモデル記憶部２２１に記憶された学習済みモデルとに基づき、新たに加工物を加工する際に用いられるＮＣデータの良否を予測する。従って、ＮＣデータ良否判定装置１２は、加工物を加工する際に用いられるＮＣデータの良否の判定を容易且つ高精度に予測することができる。 Then, when the NC data quality determination unit 223 processes a new workpiece based on the NC data used when processing the new workpiece and the learned model stored in the learned model storage unit 221. Predict the quality of NC data used for Therefore, the NC data quality determination device 12 can easily and highly accurately predict the quality of NC data used when processing a workpiece.

（４．ＮＣデータ良否判定装置１２の処理）
次に、ＮＣデータ良否判定装置１２の処理について説明する。なお、加工装置１１で用いる複数種類のＮＣデータは既にＮＣデータ記憶部２１１に記憶されているものとする。先ず、図７Ａを参照して学習済みモデルの生成処理について説明する。実送り速度画像変換部２１２は、ＮＣデータをＮＣデータ記憶部２１１から読み出す（ステップＳ１）。 (4. Processing of NC data quality determination device 12)
Next, the processing of the NC data quality determination device 12 will be explained. Note that it is assumed that multiple types of NC data used by the processing device 11 are already stored in the NC data storage section 211. First, the trained model generation process will be described with reference to FIG. 7A. The actual feed speed image conversion unit 212 reads NC data from the NC data storage unit 211 (step S1).

そして、実送り速度画像変換部２１２は、読み出したＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像に変換する（ステップＳ２）。実送り速度画像表示部２１３は、実送り速度画像変換部２１２で変換した実送り速度画像を表示画面ＬＰに表示する（ステップＳ３）。説明変数データ取得部２１４は、実送り速度画像変換部２１２で変換した実送り速度画像のデータを説明変数データとして取得する（ステップＳ４）。 Then, the actual feed rate image conversion unit 212 calculates the relative actual feed rate of the machining tool and the workpiece in the machining device 11 based on the read NC data, and converts it into an actual feed rate image (step S2 ). The actual feed speed image display section 213 displays the actual feed speed image converted by the actual feed speed image conversion section 212 on the display screen LP (step S3). The explanatory variable data acquisition unit 214 acquires data of the actual feed speed image converted by the actual feed speed image conversion unit 212 as explanatory variable data (step S4).

目的変数データ取得部２１５は、作業者が表示画面ＬＰに３次元画像で表される実送り速度画像を見てＮＣデータの良否を判断したデータを目的変数データとして取得する（ステップＳ５）。なお、目的変数データ取得部２１５は、良否判定結果出力部２２４から入力するＮＣデータの良否の判定のデータを取得することも可能である。説明変数データ取得部２１４及び目的変数データ取得部２１５は、それぞれ取得した説明変数データ及び目的変数データを訓練データセットとして訓練データセット記憶部２１６に記憶する（ステップＳ６）。 The objective variable data acquisition unit 215 acquires, as objective variable data, data obtained by the operator determining the quality of the NC data by looking at the actual feed speed image represented as a three-dimensional image on the display screen LP (step S5). Note that the objective variable data acquisition unit 215 can also acquire data for determining the quality of the NC data input from the quality determination result output unit 224 . The explanatory variable data acquisition unit 214 and the objective variable data acquisition unit 215 store the acquired explanatory variable data and objective variable data, respectively, as a training dataset in the training dataset storage unit 216 (step S6).

学習済みモデル生成部２１７は、訓練データセット記憶部２１６に記憶される訓練データセットにより機械学習を行い、実送り速度画像のデータとＮＣデータの良否に関するデータとに関する学習済みモデルを生成して学習済みモデル記憶部２２１に記憶する（ステップＳ７）。そして、さらに学習済みモデルを生成するか否かを判断し（ステップＳ８）、学習済みモデルの数が不足している場合には、さらに学習済みモデルを生成する場合はステップＳ１に戻って上述の処理を繰り返し、さらに学習済みモデルを生成しない場合は全ての処理を終了する。 The trained model generation unit 217 performs machine learning using the training data set stored in the training data set storage unit 216, and generates a trained model regarding the data of the actual feed speed image and the data regarding the quality of the NC data. The completed model is stored in the completed model storage unit 221 (step S7). Then, it is determined whether or not to generate more trained models (step S8), and if the number of trained models is insufficient, to generate more trained models, return to step S1 and perform the above-mentioned process. The process is repeated, and if no trained model is to be generated, all processes are terminated.

次に、図７Ｂを参照して実際に加工装置１１で用いるＮＣデータの良否判定処理について説明する。実送り速度画像変換部２１２は、実際に加工装置１１で用いるＮＣデータをＮＣデータ記憶部２１１から読み出す（ステップＳ１１）。そして、読み出したＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像に変換する（ステップＳ１２）。 Next, a process for determining the quality of NC data actually used in the processing apparatus 11 will be described with reference to FIG. 7B. The actual feed speed image conversion unit 212 reads NC data actually used in the processing device 11 from the NC data storage unit 211 (step S11). Then, based on the read NC data, the relative actual feed rate of the machining tool and workpiece in the machining device 11 is calculated and converted into an actual feed rate image (step S12).

加工時説明変数データ取得部２２２は、実送り速度画像変換部２１２から加工時の説明変数データとして実送り速度画像を取得する（ステップＳ１３）。ＮＣデータ良否判定部２２３は、学習済みモデル記憶部２２１に記憶される学習済みモデルに対して、加工時説明変数データ取得部２２２で取得した加工時の説明変数データを入力し、加工時の説明変数データに対応するＮＣデータの良否を判定する（ステップＳ１４）。 The machining explanatory variable data acquisition unit 222 acquires an actual feed speed image as machining explanatory variable data from the actual feed speed image conversion unit 212 (step S13). The NC data quality determination unit 223 inputs the explanatory variable data at the time of machining acquired by the explanatory variable data acquisition unit 222 for the learned model stored in the learned model storage unit 221, and explains the explanation at the time of machining. The quality of the NC data corresponding to the variable data is determined (step S14).

良否判定結果出力部２２４は、ＮＣデータ良否判定部２２３で判定したＮＣデータの良否判定結果を実送り速度画像表示部２１３に出力する（ステップＳ１５）。実送り速度画像表示部２１３は、表示装置ＬＰにＮＣデータの良否判定結果を表示して案内を行う。そして、実際に加工装置１１で用いるＮＣデータの有無を確認し（ステップＳ１６）、実際に加工装置１１で用いるＮＣデータが有る場合は、ステップＳ１１に戻って上述の処理を繰り返し、実際に加工装置１１で用いるＮＣデータが無い場合は全ての処理を終了する。 The quality determination result output unit 224 outputs the quality determination result of the NC data determined by the NC data quality determination unit 223 to the actual feed speed image display unit 213 (step S15). The actual feed speed image display section 213 displays the NC data quality determination result on the display device LP to provide guidance. Then, it is confirmed whether there is NC data actually used in the processing device 11 (step S16), and if there is NC data actually used in the processing device 11, the process returns to step S11 and the above-mentioned process is repeated, and the processing device 11 is actually used. If there is no NC data to be used in step 11, all processing ends.

（５．別形態のＮＣデータ良否判定装置１３の構成）
次に、図６に対応させて示す図８を参照しながら、別形態のＮＣデータ良否判定装置１３の構成を説明する。なお、図８において、図６に示す構成部と同一の構成部は同一番号を付してその詳細な説明を省略する。図８に示すように、ＮＣデータ良否判定装置１３は、図６に示すＮＣデータ良否判定装置１２に加えて、ＮＣデータ修正装置２３０を備える。 (5. Configuration of another form of NC data quality determination device 13)
Next, the configuration of another form of NC data quality determination device 13 will be described with reference to FIG. 8 shown in correspondence with FIG. 6. In FIG. 8, the same components as those shown in FIG. 6 are given the same numbers, and detailed explanation thereof will be omitted. As shown in FIG. 8, the NC data quality determination device 13 includes an NC data correction device 230 in addition to the NC data quality determination device 12 shown in FIG.

ＮＣデータ修正装置２３０は、ＮＣデータ記憶部２１１に記憶されている不良ＮＣデータ、すなわちＮＣデータ良否判定部２２３で否（ＮＧ）と判定され、良否判定結果出力部２２４から出力される否（ＮＧ）の判定結果に基づいて不良とされたＮＣデータを修正する。このＮＣデータ修正装置２３０は、第２説明変数データ取得部２３１、第２目的変数データ取得部２３２、第２訓練データセット記憶部２３３、第２学習済みモデル生成部２３４、第２学習済みモデル記憶部２３５（第２モデル記憶部）、ＮＣデータ修正部２３６（データ修正部）を備える。 The NC data correction device 230 corrects the defective NC data stored in the NC data storage section 211, that is, the defective NC data that is determined to be NG by the NC data quality determination section 223 and is output from the quality determination result output section 224. ) The NC data determined to be defective is corrected based on the determination result. This NC data correction device 230 includes a second explanatory variable data acquisition section 231, a second objective variable data acquisition section 232, a second training data set storage section 233, a second learned model generation section 234, and a second learned model storage section 232. The unit 235 (second model storage unit) and the NC data correction unit 236 (data correction unit) are provided.

第２説明変数データ取得部２３１は、不良ＮＣデータを第２説明変数データとしてＮＣデータ記憶部２１１から取得する。第２目的変数データ取得部２３２は、不良ＮＣデータに対して修正を加えて良（ＯＫ）と判定された修正ＮＣデータを第２目的変数データとしてＮＣデータ記憶部２１１から取得する。第２訓練データセット記憶部２３３は、第２説明変数データ取得部２３１で取得した第２説明変数データと第２目的変数データ取得部２３２で取得した第２目的変数データを第２訓練データセットとして記憶する。 The second explanatory variable data acquisition unit 231 acquires the defective NC data from the NC data storage unit 211 as second explanatory variable data. The second objective variable data acquisition unit 232 acquires corrected NC data determined to be OK after correcting the defective NC data from the NC data storage unit 211 as second objective variable data. The second training data set storage unit 233 stores the second explanatory variable data acquired by the second explanatory variable data acquisition unit 231 and the second objective variable data acquired by the second objective variable data acquisition unit 232 as a second training dataset. Remember.

第２学習済みモデル生成部２３４は、第２訓練データセット記憶部２３３に記憶される不良ＮＣデータ及び修正ＮＣデータに基づき、紐付けされた不良ＮＣデータと修正ＮＣデータとを第２訓練データセットとする機械学習を行う。これにより、第２学習済みモデル生成部２３４は、不良ＮＣデータと修正ＮＣデータとに関する第２学習済みモデルを生成する。 Based on the defective NC data and corrected NC data stored in the second training data set storage section 233, the second trained model generation unit 234 sets the linked defective NC data and corrected NC data to a second training data set. Perform machine learning to Thereby, the second trained model generation unit 234 generates a second trained model regarding the defective NC data and the corrected NC data.

第２学習済みモデル記憶部２３５は、第２学習済みモデル生成部２３４で生成した第２学習済みモデルを記憶する。ＮＣデータ修正部２３６は、第２学習済みモデル記憶部２３５に記憶される第２学習済みモデルに対して、ＮＣデータ記憶部２１１から読み出した新たな不良ＮＣデータを入力し、入力する新たな不良ＮＣデータに対して修正を加えて修正ＮＣデータを得る。 The second trained model storage unit 235 stores the second trained model generated by the second trained model generation unit 234. The NC data correction unit 236 inputs new defective NC data read from the NC data storage unit 211 to the second learned model stored in the second learned model storage unit 235, and inputs new defective NC data to be input. Modified NC data is obtained by modifying the NC data.

（６．別形態のＮＣデータ良否判定装置１３の処理）
次に、別形態のＮＣデータ良否判定装置１３の処理について説明する。なお、不良ＮＣデータ及び修正ＮＣデータは既にＮＣデータ記憶部２１１に記憶されているものとする。先ず、図９Ａを参照して第２学習済みモデルの生成処理について説明する。第２説明変数データ取得部２３１は、不良ＮＣデータを第２説明変数データとしてＮＣデータ記憶部２１１から取得する（ステップＳ２１）。 (6. Processing of another form of NC data quality determination device 13)
Next, processing of another form of NC data quality determination device 13 will be explained. It is assumed that the defective NC data and corrected NC data are already stored in the NC data storage section 211. First, the second trained model generation process will be described with reference to FIG. 9A. The second explanatory variable data acquisition unit 231 acquires the defective NC data from the NC data storage unit 211 as second explanatory variable data (step S21).

第２目的変数データ取得部２３２は、第２説明変数データ取得部２３１で読み出した不良ＮＣデータに対応する修正されたＮＣデータを第２目的変数データとしてＮＣデータ記憶部２１１から取得する（ステップＳ２２）。第２説明変数データ取得部２３１及び第２目的変数データ取得部２３２は、それぞれ取得した第２説明変数データ及び第２目的変数データを第２訓練データセットとして第２訓練データセット記憶部２３３に記憶する（ステップＳ２３）。 The second objective variable data acquisition unit 232 acquires the corrected NC data corresponding to the defective NC data read out by the second explanatory variable data acquisition unit 231 from the NC data storage unit 211 as second objective variable data (step S22 ). The second explanatory variable data acquisition unit 231 and the second objective variable data acquisition unit 232 store the acquired second explanatory variable data and second objective variable data as a second training dataset in the second training dataset storage unit 233. (Step S23).

第２学習済みモデル生成部２３４は、第２訓練データセット記憶部２３３に記憶される第２訓練データセットにより機械学習を行い、不良ＮＣデータと修正ＮＣデータとに関する第２学習済みモデルを生成して第２学習済みモデル記憶部２３５に記憶する（ステップＳ２４）。そして、さらに第２学習済みモデルを生成するか否かを判断し（ステップＳ２５）、第２学習済みモデルの数が不足している場合には、さらに第２学習済みモデルを生成する場合はステップＳ２１に戻って上述の処理を繰り返し、さらに第２学習済みモデルを生成しない場合は全ての処理を終了する。 The second trained model generation unit 234 performs machine learning using the second training data set stored in the second training data set storage unit 233, and generates a second trained model regarding the defective NC data and corrected NC data. and stored in the second trained model storage unit 235 (step S24). Then, it is determined whether or not to further generate a second trained model (step S25), and if the number of second trained models is insufficient, if a second trained model is to be generated, step Returning to S21, the above-described process is repeated, and if the second learned model is not to be generated, all processes are ended.

次に、図９Ｂを参照してＮＣデータの修正処理について説明する。ＮＣデータ修正部２３６は、第２学習済みモデル記憶部２３５に記憶される第２学習済みモデルに対して、ＮＣデータ記憶部２１１から読み出した新たな不良ＮＣデータを入力する（ステップＳ３１）。そして、入力する新たな不良ＮＣデータに対して修正を加え（ステップＳ３２）、得られた修正ＮＣデータをＮＣデータ記憶部２１１に記憶する（ステップＳ３３）。そして、新たな不良ＮＣデータの有無を確認し（ステップＳ３４）、新たな不良ＮＣデータが有る場合は、ステップＳ３１に戻って上述の処理を繰り返し、新たな不良ＮＣデータが無い場合は全ての処理を終了する。 Next, NC data correction processing will be described with reference to FIG. 9B. The NC data correction unit 236 inputs new defective NC data read from the NC data storage unit 211 to the second learned model stored in the second learned model storage unit 235 (step S31). Then, correction is made to the input new defective NC data (step S32), and the obtained corrected NC data is stored in the NC data storage section 211 (step S33). Then, the presence or absence of new defective NC data is checked (step S34), and if there is new defective NC data, the process returns to step S31 and the above process is repeated; if there is no new defective NC data, all processes are completed. end.

（７．その他）
上記した実施形態では、表示画面ＬＰに表示される実送り速度画像ＶＶのデータとして、高速の実送り速度の点は赤色（図では黒色）で表示し、低速の実送り速度の点は白色で表示するようにした。しかし、実送り速度の高低によって点の大きさを変化させて表示してもよい。また、工具軌跡の線上に付した点群の代わりに、複数の線分のみで表示してもよく、その場合は実送り速度の高低によって線分の長さを変化させて表示するとともに、線分の開始点及び終了点の各座標値のデータも合わせて表示する。また、実送り速度画像変換部２１２では、実送り速度を演算して実送り速度画像に変換する構成としたが、実送り速度の関連データ、例えば実送り速度の速度変化を表す加速度を演算して実送り速度画像に変換する構成としてもよい。また、本実施形態のＮＣデータ良否判定装置１２，１３は、ＣＮＣ装置に搭載してもよい。 (7. Others)
In the embodiment described above, as data of the actual feed speed image VV displayed on the display screen LP, points with high actual feed speeds are displayed in red (black in the figure), and points with low actual feed speeds are displayed in white. Now displayed. However, the size of the dots may be changed and displayed depending on the actual feed rate. Also, instead of a group of points attached to the line of the tool path, only multiple line segments may be displayed. In that case, the length of the line segment is changed depending on the actual feed rate, and the line The data for each coordinate value of the starting point and ending point of the minute is also displayed. Furthermore, although the actual feed speed image conversion unit 212 is configured to calculate the actual feed speed and convert it into an actual feed speed image, it also calculates data related to the actual feed speed, such as acceleration representing a speed change in the actual feed speed. It is also possible to use a configuration in which the image is converted into an actual feed speed image. Moreover, the NC data quality determination devices 12 and 13 of this embodiment may be installed in a CNC device.

１０：生産システム、 １１：加工装置、 １２，１３：ＮＣデータ良否判定装置、 ２１０：学習処理装置、 ２２０：良否予測装置、 ２３０：ＮＣデータ修正装置、 ２１１：ＮＣデータ記憶部、 ２１２：実送り速度画像変換部、 ２１３：実送り速度画像表示部、 ２１４：説明変数データ取得部、 ２１５：目的変数データ取得部、 ２１６：訓練データセット記憶部、 ２１７：学習済みモデル生成部、 ２２１：学習済みモデル記憶部、 ２２２：加工時説明変数データ取得部、 ２２３：ＮＣデータ良否判定部、 ２２４：良否判定結果出力部、 ２３１：第２説明変数データ取得部、 ２３２：第２目的変数データ取得部、 ２３３：第２訓練データセット記憶部、 ２３４：第２学習済みモデル生成部、 ２３５：第２学習済みモデル記憶部、 ２３６：ＮＣデータ修正部 10: Production system, 11: Processing device, 12, 13: NC data quality determination device, 210: Learning processing device, 220: Quality prediction device, 230: NC data correction device, 211: NC data storage unit, 212: Actual feed Speed image conversion unit, 213: Actual feed speed image display unit, 214: Explanatory variable data acquisition unit, 215: Objective variable data acquisition unit, 216: Training dataset storage unit, 217: Learned model generation unit, 221: Learned Model storage unit, 222: Machining explanatory variable data acquisition unit, 223: NC data quality determination unit, 224: Quality determination result output unit, 231: Second explanatory variable data acquisition unit, 232: Second objective variable data acquisition unit, 233: Second training data set storage unit, 234: Second learned model generation unit, 235: Second learned model storage unit, 236: NC data correction unit

Claims (13)

加工装置における３次元曲面加工に関するＮＣデータを記憶するデータ記憶部と、
前記データ記憶部に記憶される前記ＮＣデータに基づいて、前記加工装置における加工用工具と加工物の相対的な実送り速度の関連データを演算して実送り速度画像に変換する画像変換部と、
少なくとも前記画像変換部で変換される前記実送り速度画像のデータを説明変数データとし、前記ＮＣデータの良否に関するデータを目的変数データとする訓練データセットに基づいて、機械学習により生成される学習済みモデルを記憶するモデル記憶部と、
前記モデル記憶部に記憶される前記学習済みモデルに対して新たな実送り速度画像のデータを入力し、入力する前記新たな実送り速度画像に対応するＮＣデータの良否を判定する良否判定部と、
を備える、ＮＣデータ良否判定装置。 a data storage unit that stores NC data regarding three-dimensional curved surface processing in the processing device;
an image conversion unit that calculates data related to a relative actual feed rate of a machining tool and a workpiece in the machining device based on the NC data stored in the data storage unit, and converts the data into an actual feed rate image; ,
A trained data set generated by machine learning based on a training data set in which at least data of the actual feed speed image converted by the image conversion unit is used as explanatory variable data, and data regarding the quality of the NC data is used as objective variable data. a model storage unit that stores the model;
a quality determination unit that inputs data of a new actual feed speed image to the learned model stored in the model storage unit and determines whether NC data corresponding to the input new actual feed speed image is good or bad; ,
An NC data quality determination device comprising: 前記画像変換部は、前記加工装置における前記加工用工具と前記加工物の相対的な実送り速度を演算して前記実送り速度画像に変換する、請求項１に記載のＮＣデータ良否判定装置。 The NC data quality determination device according to claim 1, wherein the image conversion unit calculates a relative actual feed rate of the machining tool and the workpiece in the machining device and converts the calculated actual feed rate into the actual feed rate image. 前記ＮＣデータは、少なくとも前記加工用工具の工具軌跡のデータを含む、請求項１又は２に記載のＮＣデータ良否判定装置。 The NC data quality determination device according to claim 1 or 2, wherein the NC data includes at least data on a tool trajectory of the processing tool. 前記工具軌跡は、点群又は線上に付される点群で表され、前記工具軌跡のデータは、前記点群の各点の座標値を含み、
前記実送り速度画像は、前記点群の各点での前記実送り速度に対応する点の色又は色の濃淡で表示される、請求項３に記載のＮＣデータ良否判定装置。 The tool trajectory is represented by a point group or a point group attached on a line, and the tool trajectory data includes coordinate values of each point of the point group,
4. The NC data quality determination apparatus according to claim 3, wherein the actual feed speed image is displayed in a color or a shade of color of a point corresponding to the actual feed speed at each point of the point group. 前記工具軌跡は、点群又は線上に付される点群で表され、前記工具軌跡のデータは、前記点群の各点の座標値を含み、
前記実送り速度画像は、前記点群の各点での前記実送り速度に対応する点の大きさで表示される、請求項３に記載のＮＣデータ良否判定装置。 The tool trajectory is represented by a point group or a point group attached on a line, and the tool trajectory data includes coordinate values of each point of the point group,
4. The NC data quality determination device according to claim 3, wherein the actual feed speed image is displayed with a point size corresponding to the actual feed speed at each point of the point group. 前記工具軌跡は、複数の線分で表され、前記工具軌跡のデータは、前記の線分の開始点及び終了点の各座標値のデータを含み、
前記実送り速度画像は、前記実送り速度に対応する前記線分の長さで表示される、請求項３に記載のＮＣデータ良否判定装置。 The tool trajectory is represented by a plurality of line segments, and the data of the tool trajectory includes data of each coordinate value of a start point and an end point of the line segment,
4. The NC data quality determination device according to claim 3, wherein the actual feed speed image is displayed with the length of the line segment corresponding to the actual feed speed. 前記モデル記憶部は、前記良否判定部で否と判定を下した前記工具軌跡の座標値を前記目的変数データとする訓練データセットに基づいて、前記機械学習により生成された学習済みモデルを記憶する、請求項３－６の何れか一項に記載のＮＣデータ良否判定装置。 The model storage unit stores a learned model generated by the machine learning based on a training data set in which the target variable data is the coordinate value of the tool trajectory that was determined to be unacceptable by the acceptability determination unit. , The NC data quality determination device according to any one of claims 3 to 6. 前記モデル記憶部は、３次元画像で表される前記実送り速度画像を所定の方向及び所定の倍率で見た場合の２次元画像で表される前記実送り速度画像、並びに、前記所定の方向及び前記所定の倍率を前記説明変数データとし、前記良否判定部で判定を下した前記２次元画像で表される実送り速度画像に対応するＮＣデータの良否に関するデータを前記目的変数データとする訓練データセットに基づいて、前記機械学習により生成された学習済みモデルを記憶する、請求項１－７の何れか一項に記載のＮＣデータ良否判定装置。 The model storage unit stores the actual feed speed image expressed as a two-dimensional image when the actual feed speed image expressed as a three-dimensional image is viewed in a predetermined direction and at a predetermined magnification, and the actual feed speed image expressed in the predetermined direction. and training in which the predetermined magnification is used as the explanatory variable data, and data regarding the quality of NC data corresponding to the actual feed speed image represented by the two-dimensional image determined by the quality determining unit is used as the objective variable data. The NC data quality determination device according to any one of claims 1 to 7, which stores a trained model generated by the machine learning based on a data set. 前記良否判定部は、前記所定の方向を変化させて見た場合の各方向の２次元画像を前記新たな実送り速度画像として入力し、入力する全方向の前記新たな実送り速度画像に対応するＮＣデータに問題が無い場合のみ、前記新たな実送り速度画像に対応するＮＣデータを良と判定する、請求項８に記載のＮＣデータ良否判定装置。 The quality determining unit inputs two-dimensional images in each direction when viewed while changing the predetermined direction as the new actual feed speed image, and corresponds to the input new actual feed speed images in all directions. 9. The NC data quality determination device according to claim 8, wherein the NC data corresponding to the new actual feed speed image is determined to be good only when there is no problem with the NC data. 前記説明変数データは、前記加工物を表す３次元モデルデータを含み、前記３次元モデルデータにおける加工位置と前記実送り速度とが紐づいている、請求項１－９の何れか一項に記載のＮＣデータ良否判定装置。 The explanatory variable data includes three-dimensional model data representing the workpiece, and the machining position in the three-dimensional model data and the actual feed rate are linked. NC data quality determination device. 前記良否判定部は、前記ＮＣデータの良否を前記ＮＣデータに基づいて加工を行った場合の動作指令に起因する前記加工物の加工面不良の発生の有無で判定する、請求項１－１０の何れか一項に記載のＮＣデータ良否判定装置。 The quality determining unit determines the quality of the NC data based on the presence or absence of a defective machined surface of the workpiece caused by an operation command when machining is performed based on the NC data. The NC data quality determination device according to any one of the items. 前記ＮＣデータ良否判定装置は、さらに、
前記良否判定部で否と判定された不良ＮＣデータを説明変数データとし、前記不良ＮＣデータに対して修正を加えて良と判定された修正ＮＣデータを目的変数データとする訓練データセットに基づいて、前記機械学習により生成された第２学習済みモデルを記憶する第２モデル記憶部と、
前記第２モデル記憶部に記憶される前記第２学習済みモデルに対して新たな不良ＮＣデータを入力し、入力する前記新たな不良ＮＣデータに対して修正を加えて修正ＮＣデータを得るデータ修正部と、
を備える、請求項１－１１の何れか一項に記載のＮＣデータ良否判定装置。 The NC data quality determination device further includes:
Based on a training data set in which the defective NC data judged as bad by the pass/fail judgment unit is used as explanatory variable data, and the corrected NC data that is judged to be good after correction to the bad NC data is used as objective variable data. , a second model storage unit that stores a second learned model generated by the machine learning;
data correction to obtain corrected NC data by inputting new defective NC data to the second trained model stored in the second model storage unit and making corrections to the input new defective NC data; Department and
The NC data quality determination device according to any one of claims 1 to 11, comprising: 請求項１－１２の何れか一項に記載のＮＣデータ良否判定装置を備え、
前記ＮＣデータ良否判定装置で良と判定された前記ＮＣデータに基づいて、前記加工物の加工を行う、加工装置。 comprising the NC data quality determination device according to any one of claims 1 to 12,
A processing device that processes the workpiece based on the NC data determined to be good by the NC data quality determination device.
JP2019193584A 2019-10-24 2019-10-24 NC data quality judgment device and processing device Active JP7395954B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019193584A JP7395954B2 (en) 2019-10-24 2019-10-24 NC data quality judgment device and processing device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019193584A JP7395954B2 (en) 2019-10-24 2019-10-24 NC data quality judgment device and processing device

Publications (2)

Publication Number Publication Date
JP2021068225A JP2021068225A (en) 2021-04-30
JP7395954B2 true JP7395954B2 (en) 2023-12-12

Family

ID=75638487

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019193584A Active JP7395954B2 (en) 2019-10-24 2019-10-24 NC data quality judgment device and processing device

Country Status (1)

Country Link
JP (1) JP7395954B2 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013045332A (en) 2011-08-25 2013-03-04 Fanuc Ltd Tool locus display device with display part of acceleration or jerk at tool tip point
WO2016174716A1 (en) 2015-04-27 2016-11-03 三菱電機株式会社 Numerical control device
JP2018181217A (en) 2017-04-20 2018-11-15 ファナック株式会社 Acceleration/deceleration control apparatus
JP2018181216A (en) 2017-04-20 2018-11-15 ファナック株式会社 Processing defective factor estimation device
JP2019032649A (en) 2017-08-07 2019-02-28 ファナック株式会社 Control device and machine learning device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013045332A (en) 2011-08-25 2013-03-04 Fanuc Ltd Tool locus display device with display part of acceleration or jerk at tool tip point
WO2016174716A1 (en) 2015-04-27 2016-11-03 三菱電機株式会社 Numerical control device
JP2018181217A (en) 2017-04-20 2018-11-15 ファナック株式会社 Acceleration/deceleration control apparatus
JP2018181216A (en) 2017-04-20 2018-11-15 ファナック株式会社 Processing defective factor estimation device
JP2019032649A (en) 2017-08-07 2019-02-28 ファナック株式会社 Control device and machine learning device

Also Published As

Publication number Publication date
JP2021068225A (en) 2021-04-30

Similar Documents

Publication Publication Date Title
JP5100249B2 (en) Information processing method, information processing apparatus, and program
CN108723889B (en) Acceleration/deceleration control device
US20150026107A1 (en) System and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the methods therefor
EP3325226B1 (en) Method and apparatus of scheduling welding operations
CN104793560A (en) Method and system for generating a trajectory
TWI673620B (en) Simulation method for milling by use of dynamic position error
JP5197640B2 (en) Machining simulation apparatus and numerical control apparatus
Pai et al. Virtual planning, control, and machining for a modular-based automated factory operation in an augmented reality environment
Azamfirei et al. Multi-layer quality inspection system framework for industry 4.0
CN111353241A (en) G code-based mathematical modeling method and application
JP7126360B2 (en) Method and apparatus for generating toolpaths
JP2019117477A (en) Link information generation device, link information generation method, and link information generation program
JP5610883B2 (en) Processing simulation apparatus and method
Brecher et al. Evaluation of toolpath quality: User-assisted CAM for complex milling processes
US20220080545A1 (en) Even out wearing of machine components during machining
JP6337619B2 (en) Surface shape evaluation method and surface shape evaluation system
JP7395954B2 (en) NC data quality judgment device and processing device
KR101405039B1 (en) Manufacturing process automation method and system
CN111598364B (en) Digital process arrangement system for mechanical parts
Cheung et al. A framework of a virtual machining and inspection system for diamond turning of precision optics
Sledkov et al. Reorganization of machine-tool repair in manufacturing
Huang et al. Edge computing-based virtual measuring machine for process-parallel prediction of workpiece quality in metal cutting
CN112236798A (en) Method for quality assurance in the case of producing products, and computing device and computer program
JP2004110828A (en) Method and system for generating numerical control tool path on solid model
CN114186298B (en) Intelligent mechanical part manufacturing and operating method and system

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20210301

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220915

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231025

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: 20231031

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231113

R150 Certificate of patent or registration of utility model

Ref document number: 7395954

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150