JPH04135207A - 加工条件自動作成機能を有する数値制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 【産業上の利用分野】

本発明は、加工条件データの自動作成機能を有した数値
制御装置に関する。

【従来技術】

従来、例えば、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、機器等の研削モード
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。

【発明が解決しようとする課題】

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データを作
業者が見て、適正でない場合には、その値を作業者の経
験や勘に基づいて補正したり、実際にその加工条件デー
タで加工された加工結果を作業者が判断して、経験と勘
によりその加工条件データを補正していた。 入力条件データからどの加工条件データをどのように補
正すれば良いかとか、ある加工条件データで工作物を加
工した場合の加工結果から得られる加工誤差から、どの
加工条件データをどのように補正すれば良いかは、作業
者の経験と勘によるものであり、必ずしも、いつも正し
い補正が行われるとは限らなかった。 このため、修正された加工条件データで工作物を加工し
、その加工結果に応じて、再度、加工条件データを修正
するという作業を何度も行う必要があった。 更に、折角、作業者が加工条件データを正しく補正して
も、その時の加工条件データと入力条件データ又は加工
誤差データとの因果関係が、その後の加工条件データの
補正に反映されないという問題があった。 このため、適正な加工条件データを作成するのに時間が
かかるという問題がある。 本発明は、上記の課題を解決するために成されたもので
あり、その目的とするところは、現実の様々な入力条件
データから最適な加工条件データを自動作成することで
ある。

【課題を解決するための手段】

上記課題を解決するための発明の構成は、第１２図に示
すように、入力条件データを記憶する入力条件データ記
憶手段と、加工条件データの基準値を入力条件データに
基づ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
力とする第１ニューラルネットワークと、それから出力
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第１補正手段と、加工条件データに
従って工作物を加工した時に得られる加工結果データと
その要求値に対する加工誤差データを記憶する誤差デー
タ記憶手段と、その加工誤差データを入力とし、加工条
件データに対する補正量を出力とする第２ニューラルネ
ットワークと、それから出力される補正量で加工条件デ
ータをさらに補正する補正手段とを備えたことである。

【作用】

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
。又、第１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、第１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適切な加工
条件データが演算される。 さらに、その加工条件データを用いて実際に工作物が加
工され、面精度、寸法精度、加工時間等の加工結果デー
タが測定される。そして、その加工結果データのその要
求値に対する偏差、即ち、加工誤差データが求められ、
記憶手段に記憶される。 次ぎに、第２ニューラルネットワークにその加工誤差デ
ータが入力され、加工条件データに対する補正量が演算
される。 その後、第２補正手段により加工条件データにその補正
量が更に加算されて、最終の適切な加工条件データが求
められる。 上記の第１ニューラルネットワークの結合係数は、様々
な入力条件データを入力とし、その入力条件データに最
適な加工条件データの補正量を教師信号として学習され
ている。又、結合係数は、第１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。この適性な出力は第２ニューラ
ルネットワークの出力による補正量を加味した学習を行
うことで、第１ニューラルネットワークだけで、加工誤
差データが零となる加工条件データを求めることが可能
となる。 又、上記の第２ニューラルネットワークの結合係数は、
様々な加工条件データで加工された結果得られる加工誤
差データを入力とし、その加工誤差データに対応した適
性な加工条件データの補正量を教師信号として学習され
ている。又、結合係数は、第２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２つのニューラルネッ
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。

【実施例】

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５ｏのベツド５１の上
には、そのベツド５１に対して摺動するテーブル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と心理台５６
が配設されており、主軸台５４は主軸５５を有し、心理
台５６は心神軸５７を有している。 工作物Ｗは主軸５５及び心神軸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６ｏは砥石台６１に設
けられた砥石車駆動モータ６２により回転駆動される駆
動軸に固着されている。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３ｏ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ＩＰ（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、布上
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領域３３３とニューラルネット
ワークの演算プログラムを記憶するニューラルネットワ
ーク領域３３４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３３５とが設けられている。その
他、ＲＡＭ３３には要求される加工仕様から決定される
加工結果の要求値の記憶された要求値領域３３６と自動
決定された加工条件データの基準値を記憶する基準値領
域３３７とニューラルネットワークで演算された加工条
件データの補正量を記憶する補正量領域３３８と加工結
果データを記憶する加工結果データ領域３３９と加工誤
差データを記憶する加工誤差データ領域３４０が形成さ
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３２３とが
形成されている。 又、数値制御装置３０にはＩＦ５４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２
１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ＣＲＴ表示装置２３とが設けられている。 更に、数値制御装置３０にはＩＦ５５を介してＦＤ駆動
装置３６が接続されており、託憶媒体であるＦＤ（フレ
キシブルディスク）３７はそのＦＤ駆動装置３６を介し
て読み書きされる。 （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、本装置の全体の概要的作動 本装置の全体の概要的作動を第１１図を参照して説明す
る。 ステップＳ１では多数の加工種類に対応したニューラル
ネットワークの演算プログラムとその学習済の結合係数
データとを記憶したＦＤ３７　ａから、実際に加工条件
データを求めるのに使用する第１のニューラルネットワ
ークの演算プログラムとその結合係数データがＲＡＭ３
３に読み込れる。 以下、第１のニューラルネットワークの演算プログラム
を条件適合エンジンとも言う。 ステップＳ２では、入力条件データがＲＡＭ３３に入力
される。 ステップＳ３では、入力条件データから加工条件データ
の基準値が自動決定される。 ステップＳ４では、入力条件データを入力とする第１の
ニューラルネットワークの演算プログラム（条件適合エ
ンジン）により加工条件データの補正量が演算される。 ステップＳ５では、補正量子基準値により補正された加
工条件データがＣＲＴ２３に表示される。 ステップＳ６では、その加工条件データを作業者の経験
と勘により判断して、適正かどうかが判断される。 適正でない場合には、ステップＳ７で、加工条件データ
が修正される。 又、ステップＳ８では、修正された補正量を教師信号と
して上記の第１のニューラルネットワークの結合係数が
学習される。 学習と加工条件データの演算が繰り返し行われることで
、ステップＳ６で、加工条件データは適正と判断される
。尚、第１のニューラルネットワークは学習済の形態で
供給されているので、たいていの場合には、−度の演算
で、適正な加工条件データが得られる。 ステップＳ９では、その加工条件データを用いて工作物
が実際に加工される。 ステップＳＩＯでは、工作物の仕上寸法等の加工結果が
測定され、その要求値との誤差を示す加工誤差データが
演算される。 ステップＳｕでは、加工誤差データに対して評価が行わ
れ、適正であれば、ステップＳ１２で加工完了となる。 又、加工結果が適正でない場合には、加工条件データを
修正する必要がある。 ステップＳ１３では、上記の加工誤差データがＲＡＭ３
３に入力される。 ステップＳ１４では、ＦＤ３７ｂから加工種類に対応し
た第２のニューラルネットワークの演算プログラムとそ
の学習済の結合係数がＲＡＭ３３に入力される。その第
２のニューラルネットワークの演算プログラムは加工診
断エンジンともいう。 ステップＳ１５では、加工誤差データを入力とする第２
のニューラルネットワークが起動されて、加工条件デー
タの補正量が演算される。 ステップＳ１６では、凹加工条件データ＋補正量にて新
加工条件データが演算され、新加工条件データによる加
工結果に対する影響が予測される。 ステップＳ１？では、加工結果の予測結果から修正され
た加工条件データが評価される。 加工条件データが適正でない場合には、ステップＳ１８
で、適正な補正量を教師信号として、第２のニューラル
ネットワークの結合係数が学習される。 学習と加工条件データの演算が繰り返し行われることで
、ステップＳ１？で、加工条件データは適正と判断され
る。尚、第２のニューラルネットワークは学習済の形態
で供給されているので、たいていの場合には、−度の演
算で、適正な加工条件データが得られる。 そして、ステップＳ６に戻り、補正された加工条件デー
タにおいて、第２のニューラルネットワークによる補正
量が大きい場合には、ステップＳ８において、その加工
条件データの基準値に対する偏差を教師信号として、第
１のニューラルネットワークの結合係数も学習される。 従って、第１のニューラルネットワークの結合係数には
第２のニューラルネットワークによる補正量も学習が進
行するに連れて次第に加味されてくるので、学習が進行
した状態では、第１のニューラルネットワークだけで、
最適な加工条件データを求めることが可能となる。即ち
、加工誤差データは次第に小さくなって行き、第２のニ
ューラルネットワークによる補正量も次第に減少してい
く。 尚、実際の加工に際して上記のように学習された第１及
び第２のニューラルネットワークの結合係数データはＦ
Ｄ３７ａ、３７ｂに出力されて、ＦＤ３７ａ、３７ｂに
記憶されている対応する結合係数データが更新される。 上記のように本実施例では、条件適合エンジンと加工診
断エンジンとにより加工条件データが補正される。 第３図は、記憶媒体のＦＤ３７から所定のニューラルネ
ットワークの演算プログラム及び結合係数データを入力
してＲＡＭ３３に記憶するプログラムのフローチャート
を示している。 ＦＤ３７には加工種類（例えば、エンジンのカムシャフ
トの研削等）に応じた第１及び第２のニューラルネット
ワークの演算プログラム及びそれらの学習済の結合係数
が多数記憶されている。 ステップ７００では、全てのニューラルネットワーク名
称のリストがＣＲＴ２３に表示される。 ステップ７０２において、そのリストを見て、作業者は
これから加工しようとする加工種類に対応する第１及び
第２のニューラルネットワーク（条件適合エンジン及び
加工診断エンジン）を選択する。 次に、ステップ７０４において、選択された２つのニュ
ーラルネットワークの演算プログラム及びそれらの結合
係数データが、それぞれ、ＦＤ３７からＲＡＭ３３のニ
ューラルネットワーク領域３３４と結合係数領域３３５
の所定領域に記憶される。 ３、入力条件データの入力 第４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３３２に記憶される。本実施例では、入力条件デ
ータとしては、仕上げ径デタＤ１．取代データ０２．剛
性係数データＤ３１部品種別データＤ、、　荒仕上分割
データＤｓ、　Ａ作業者名データＤ６．　Ｂ作業者名デ
ータＤ、、　Ｃ作業者名データＤ、である。 次のステップ１０２では上記の入力条件データ（Ｄ〜Ｄ
、）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〜Ｖ、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
ータに、精研回転数データに２＋　機紐回転数データに
５．粗研開始径データに１．精研開始径データＫｓ、機
器開始径データＫｓ、粗研送り速度データに７．精研送
り速度データＫｍ、機器送り速度データに９．粗研後送
り停止時間データに１゜、機器後送り停止時間データＫ
ｌ＋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については、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
作物の表面あらさの関数で予め決定されている。指令さ
れた工作物の表面あらさから、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。 各研削モードの送り速度データについては、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については、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。 次に、第４図のステップ１０４において、第１のニュー
ラルネットワークを起動して、入力条件データＤ、〜Ｄ
、を入力して、各加工条件データ（Ｌ〜に、）の各補正
量δ１〜δ、１が演算される。 第１のニューラルネットワークは第５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１層の第ｊ番目の素子の出力ＯＪは、次式で計算され
る。但し、１≧２である。 ０、＝ｆ（１，） ｆ　（ｘ）−１／　　（１＋ｅｘｐ　（−ｘ））　　　
　　　　　　　　　　　　　　　　　−（３）但し、Ｖ
、は第１層の第３番目の演算素子の７Ｎｌ第１層の第３
番目の素子間の結合係数、Ｏ４は第１層の第３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、 Ｊ＝０４　　　　　　　　　　　　　　　　　　（４）
但し、Ｄ、は入力層の３番目の素子に入力される入力条
件データである。 ニューラルネットワークの具体的な演算は第６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ＩＩ、−Ｄ
、を入力して、次式の積和演算が行われる）の各素子の
入力値の積和演算が実行される。 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補正量δ、となる
。 即ち、補正量δ、は次式で求められる。 第２層の第３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。 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。 この出力値Ｏｊ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層第４図
のステップ１０６に戻り、ステップ１０２で求められた
加工条件データの基準値Ｖ、−Ｖ、、とステップ１０４
で求められた補正量δ１〜δＩＩとの和により、加工条
件データに１〜に、が求められる。 その加工条件データに１〜Ｋ１１は、ＲＡＭ３３の加工
条件データ領域３３３に記憶される。 次に、ステップ〕０８で、その加工条件データに〜Ｋｌ
ｌがＣＲＴ２３に表示され、作業者はその表示結果をみ
て、必要ならば、修正値をキーボード２２から入力し、
その値は加工条件データ領域３３３に記憶される。 次に、ステップ１１０において、その加工条件ブタに、
−に、、を用いてＮＣデータが演算され、演算されたＮ
ＣデータはＲＡＭ３３のＮＣデータ領域３３１に記憶さ
れる。 ７加工誤差データの生成 次に、このＮＣデータに従って、工作物が試し加工され
る。工作物の加工結果が測定され、加工結果データが得
られる。加工結果データは、例えば、全研削時間、仕上
表面粗さ、仕上寸法精度。 仕上真円度、焼は又は割れの程度、びびりの程度等であ
る。 次に、これらの測定された加工結果データから加工条件
データを修正する手順について説明する第７図のステッ
プ５００において、上記の測定された加工結果データが
作業者によりキーボード２２から入力され、その入力値
はＲＡＭ３３の加工結果データ領域３３９に記憶される
。 次に、ステップ５０２において、加工結果の要求値が同
様に入力され、その値はＲＡＭ３３の要求値領域３３６
に記憶される。 次に、ステップ５０４において、加工結果データの要求
値に対する偏差である加工誤差データが演算され、これ
らのデータはＲＡＭ３３の加工誤差データ領域３４０に
記憶される。 加工誤差データは、全研削時間誤差Ｈ１，仕上仕上粗さ
誤差Ｈ１仕上寸法誤差Ｈ１，仕上真円度誤差し、焼は又
は割れの程度誤差１’ｌｓ、びびりの程度誤差Ｈ６等で
ある。 ８、第２ニューラルネットワーク（加工診断エンジン） 次に、ステップ５０６において、第２のニューラルネッ
トワークの入力層の対応する各素子に加工誤差データ領
域３４０に記憶されている加工誤差データ（）１．〜１
（６）を入力させて、第２のニューラルネットワークを
起動する。 そして、ステップ５０８において、第２のニュラルネッ
トワークの出力である加工条件データの補正量（６１〜
δ１１）は、ＲＡＭ３３の補正量領域３３８に記憶され
る。 この第２のニューラルネットワークは第８図に示す構成
のものである。本実施例では、第２のニューラルネット
ワークは、入力層と中間層と出力層との３層構造である
。 この第２のニューラルネットワークの各素子の演算機能
は、上記の第１のニューラルネットワークの演算機能と
完全に同一である。 次に、ステップ５１０において、各凹加工条件データ（
Ｋ、〜ｋｚ）に補正量（δ１〜δ１．）が加算されて修
正された新加工条件データ（Ｋ、〜に１１）が求められ
る。それらのデータはＲＡＭ３３の加工条件データ領域
３３３の内容を書き換えて記憶される。 以上のように、本実施例では、加工条件データの基準値
が第１のニューラルネットワークにより補正され、更に
、第２のニューラルネットワークを用いて、加工誤差の
考慮された補正が行われる。従って、より正確な加工条
件データが求められる。 更に、第１のニューラルネットワークの学習を、第２の
ニューラルネットワークによる補正量が大きい場合にも
、行うことで、学習の進行に連れて、第１のニューラル
ネットワークだけで、適性な加工条件データの補正量を
決定することができる。即ち、第１のニューラルネット
ワークの学習が進行すれば、第２のニューラルネットワ
ークによる補正量が少なくなり、試し加工等を必要とす
ることなく、加工条件データを求めることが可能となる
。 ９、第１のニューラルネットワークの学習次に、上記の
第１のニューラルネットワークの結合係数の学習手ｊ頃
について説明する。 結合係数は第５図に示す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ンヨン法により実行
される。 この学習は、既に学習済の結合係数について、更に、使
用時に学習させる必要が生じた時に実行される。即ち、
第１のニューラルネットワークの出力する補正量が適性
でない場合と、第１のニューラルネットワークで補正さ
れた加工条件データで加工した時に加工誤差が大きくな
った時、換言すれば、第２のニューラルネットワークの
出力する補正量が大きい場合である。 第９図のステップ６００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。 但し、Ｔ、は出力である補正量δ、に対する教師信号で
あり、外部から付与される。又、ｆ’　（ｘ）はシグモ
イド関数の導関数である。 次に、ステップ６０２において、中間層の学習信号が次
式で演算される。 次に、ステップ６０４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。 子と中間層の第１番目の素子との間の結合係数のｆｉｔ
回目演算の変化量である。 補正量である。Ｐ、Ｑは比例定数である。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ６０６へ移行して、中間層の容素の結合
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。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ６０８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６００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、ある教師信号に八する学習が完了す
る。 又、他の入力条件データに対しては、結合係数が変化し
たことになるので、他の入力条件データに対する学習も
実行される。 １０、、　ＷＥ　２のニューラルネットワークの学習加
工誤差データを入力とする第２のニューラルネットワー
クについても、出力である加工条件データの補正量が適
正でない場合に、その補正量に対する教師信号を用いて
、必要に応じて、学習が行われる。 １１、学習された結合係数データの退避第１０図のステ
ップ８００で示すように、ＲＡＭ３３の結合係数領域３
３５に記憶されている第１及び第２のニーコーラルネッ
トワークの結合係数データは、ＦＤ３７において、その
結合係数データが記憶されていた領域を書き換えて、最
新に学習された結合係数データが保存される。これによ
り、次回に同一種類の加工を行う場合に、正確な加工条
件データが迅速に生成されることになり、更に、使い勝
手の良いニューラルネットワークとなる。 上記の実施例では、加工に必要なニューラルネットワー
クの演算プログラム及びその結合係数データをＦＤ３７
から入力するようにしているが、通信回線を介してメイ
ンコンピュータから数値制御装置に入力するようにして
も良い。即ち、マシニングセンタ、通信回線で親コンピ
ユータに接続された数値制御装置にも応用できる。

【発明の効果】

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する第１ニューラルネットワ
ークにより、加工条件データの基準値に対する補正量を
演算して、その補正量で基準値を補正することで加工条
件データを求めるようにしている。又、その加工条件デ
ータを用いて実際に工作物を加工した時の得られる加工
誤差データを入力とする第２ニューラルネットワークに
より、その加工条件データに対する補正量を演算して、
加工条件データをその補正量で更に補正するようにして
いる。 従って、作業者の経験や勘を２つのニューラルネットワ
ークにおける結合係数の形式で学習記憶させることがで
きるので、入力条件データから、加工結果を反映した適
切な加工条件データを自動生成することができる。

【図面の簡単な説明】

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によ
るニューラルネットワークの演算プログラム及びその結
合係数データを入力する手順を示したフローチャート。 第４図は同実施例装置で使用されているＣＰＵによる加
工条件データの演算手順を示したフローチャート。第５
図は同実施例に係る第１のニューラルネットワークの構
造を示した構造図。第６図はその第１のニューラルネッ
トワークによる演算手順を示したフローチャート。第７
図は同実施例装置で使用されているＣＰＵによる加工誤
差データに基づく加工条件データの補正手順を示したフ
ローチャート。第８図は第２のニューラルネットワーク
の構造を示した構造図。第９図は第１のニューラルネッ
トワークの学習手順を示したフローチャート。第１０図
は同実施例装置で使用されているＣＰＵによる学習され
た結合係数データを記憶媒体に保存する手順を示したフ
ローチャート。第１１図は本装置の全体の作動概念を示
したフローチャート。第１２図は本発明の概念を示した
ブロックダイヤグラムである。 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−ＣＰ　ＴＪ３２−ＲＯＭ　　３３−ＲＡ
Ｍ　　５０　　研削盤５１　ベツド　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　工作物第 図 第 図 第 図 第 図 第 図 第 図

Claims (1)

1. 【特許請求の範囲】 数値制御工作機械により工作物を加工する場合において
   、各加工モードにおける工作物の回転数、加工開始位置
   、加工後送り停止時間、工具送り速度等の加工条件デー
   タを、工作物仕上げ径、取代、剛性係数、工具種類等の
   入力条件データから自動決定する装置において、 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、 前記加工条件データの基準値を前記入力条件データに基
   づ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
   正量を出力とする第１ニューラルネットワークと、 前記第１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
   データを求める第１補正手段と、前記加工条件データに
   従って工作物を加工した時に得られる加工結果データと
   その要求値に対する加工誤差データを記憶する誤差デー
   タ記憶手段と、 前記加工誤差データを入力とし、前記加工条件データに
   対する補正量を出力とする第２ニューラルネットワーク
   と、 前記第２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をさらに補正する補正手段と を備える加工条件自動修正装置。