WO2022219670A1 - 加工条件設定装置、加工条件設定方法、および放電加工装置 - Google Patents

加工条件設定装置、加工条件設定方法、および放電加工装置 Download PDF

Info

Publication number
WO2022219670A1
WO2022219670A1 PCT/JP2021/015133 JP2021015133W WO2022219670A1 WO 2022219670 A1 WO2022219670 A1 WO 2022219670A1 JP 2021015133 W JP2021015133 W JP 2021015133W WO 2022219670 A1 WO2022219670 A1 WO 2022219670A1
Authority
WO
WIPO (PCT)
Prior art keywords
machining
discharge current
pulse width
machined surface
peak value
Prior art date
Application number
PCT/JP2021/015133
Other languages
English (en)
French (fr)
Inventor
孝幸 中川
大揮 齊藤
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN202180072650.5A priority Critical patent/CN116438028B/zh
Priority to PCT/JP2021/015133 priority patent/WO2022219670A1/ja
Priority to JP2021541440A priority patent/JP6952941B1/ja
Publication of WO2022219670A1 publication Critical patent/WO2022219670A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
    • B23H7/14—Electric circuits specially adapted therefor, e.g. power supply
    • B23H7/20—Electric circuits specially adapted therefor, e.g. power supply for programme-control, e.g. adaptive

Definitions

  • the present disclosure relates to a machining condition setting device, a machining condition setting method, and an electric discharge machine for setting machining conditions for die-sinking electric discharge machining.
  • a voltage pulse is applied between a tool electrode and a workpiece placed facing each other to repeatedly generate electric discharge in the machining gap, and the tool electrode is applied to the workpiece by the arc heat of the generated electric discharge. It is a process to form a processing hole that has the shape of the .
  • a series of processing conditions in this multiple processing is hereinafter referred to as a multistage processing condition sequence.
  • machining results such as machining shape and machining speed are determined by a single discharge current pulse. Therefore, in order to obtain the desired machining result, the operator needs to set the machining conditions that affect the machining result among the machining conditions of the die-sinking electric discharge machining for the multistage machining condition row. be.
  • machining conditions that affect machining results include a combination of a discharge current peak value and a discharge current pulse width. In this combination, there are an infinite number of combinations because appropriate setting values differ depending not only on the machining result but also on the material, shape, size, etc. of the tool electrode and the workpiece. For this reason, it is difficult for the operator to manually select appropriate settings from a myriad of combinations, and techniques for automatically setting combinations are being developed.
  • the machining condition setting device described in Patent Document 1 automatically creates a multistage machining condition sequence corresponding to machining requests based on basic data showing theoretical correlations between multiple types of parameters including machining conditions and machining requests. is set with
  • the discharge current pulse width with respect to the discharge current peak value is uniquely determined by the machining request such as the electrode wear rate input by the operator, so the machined surface quality is also uniquely determined.
  • the machined surface quality here is a machined surface quality with a different definition from the machined surface roughness represented by Ra or Rz in the ISO (International Organization for Standardization) standard, and the area of a certain area in the machined surface It is the machined surface quality defined by the surface area ratio of the actual machined surface to the .
  • the longer the discharge current pulse width the smaller the surface area for the same surface roughness, so the surface area ratio also becomes smaller.
  • the shorter the discharge current pulse width the higher the electrode wear rate. That is, if the surface area ratio is to be increased, the discharge current pulse width must be shortened, resulting in an increased electrode wear rate. Therefore, in the technique of Patent Document 1, the discharge current pulse width with respect to the discharge current peak value is determined by the electrode wear rate input by the operator, and the discharge current peak value and the discharge current pulse width considering the surface area ratio. There was a problem that it was not possible to determine an appropriate combination with
  • the present disclosure has been made in view of the above, and aims to obtain a machining condition setting device capable of generating appropriate machining conditions according to the input surface area ratio of the workpiece.
  • the machining condition setting device of the present disclosure sets the electrode wear rate, which is the wear rate of the tool electrode, and the machining speed as desired machining results for die sinking electric discharge machining.
  • an input device for receiving the machining surface roughness which is the roughness of the machining surface of the workpiece, and the surface area ratio of the actual machining surface to the area of the specific region in the machining surface of the workpiece.
  • the machining condition setting device of the present disclosure is a storage device that stores basic data indicating the theoretical correlation of the machining result with respect to the previously acquired combination of the discharge current peak value and the discharge current pulse width of the die sinking electric discharge machining. Prepare.
  • the machining condition setting device of the present disclosure sets the machining conditions from the first stage to the final stage when the machining processing from the first stage to the final stage is performed as die sinking electric discharge machining over a plurality of times.
  • the processing condition setting device has the effect of being able to generate appropriate processing conditions according to the input surface area ratio of the workpiece.
  • FIG. 1 is a block diagram showing the configuration of an electrical discharge machining apparatus equipped with a machining condition setting device according to a first embodiment; A diagram for explaining the relationship between the discharge current waveform and the machined surface roughness.
  • FIG. 4 is a diagram for explaining the relationship between the discharge current pulse width, the machined surface roughness Ra, and the surface area ratio Sdr;
  • FIG. 4 is a diagram showing an example of surface roughness data used by the machining condition setting device according to the first embodiment;
  • FIG. 4 is a diagram showing an example of electrode wear data used by the machining condition setting device according to the first embodiment; Flowchart showing a processing procedure for calculating a processing condition string by the processing condition setting device according to the first embodiment FIG.
  • FIG. 4 is a diagram for explaining calculation processing of a discharge current peak value and a discharge current pulse width by the machining condition setting device according to the first embodiment; Flowchart showing a processing procedure for calculating a processing condition string by the processing condition setting device according to the second embodiment
  • FIG. 11 is a block diagram showing a configuration example of a learning device according to a fourth embodiment
  • FIG. 10 is a flow chart showing a processing procedure of learning processing by the learning device according to the fourth embodiment
  • FIG. FIG. 11 is a block diagram showing a configuration example of an inference device according to a fourth embodiment
  • FIG. 11 is a flow chart showing a processing procedure of inference processing by an inference device according to a fourth embodiment
  • FIG. FIG. 11 is a diagram showing a hardware configuration example for realizing a learning device according to a fourth embodiment
  • a machining condition setting device, a machining condition setting method, and an electric discharge machine according to an embodiment of the present disclosure will be described below in detail based on the drawings.
  • FIG. 1 is a block diagram showing the configuration of an electrical discharge machining apparatus equipped with a machining condition setting device according to a first embodiment.
  • the electrical discharge machine 1 is a die-sinking electrical discharge machine that performs die-sinking electrical discharge machining on a workpiece.
  • the electrical discharge machine 1 executes machining from rough machining to finish machining a plurality of times in order to obtain machining results requested by the operator.
  • the electric discharge machine 1 has a machining condition setting device 30 , a machining power supply 34 and a machining mechanism 35 .
  • the processing condition setting device 30 is a computer that sets a multistage processing condition sequence for obtaining a processing result input by an operator. That is, the machining condition setting device 30 is a computer that sets a combination of machining conditions from rough machining to finish machining in order to obtain machining results desired by the operator. In Embodiment 1, the machining result desired by the operator includes the machining surface area of the workpiece. Therefore, the machining condition setting device 30 sets an appropriate multistage machining condition row according to the machining surface area of the workpiece.
  • a multi-stage processing condition string is a combination of processing conditions from the first stage to the final stage. In the multistage machining condition row, the machining condition in the first stage is the condition for the roughest machining, and the machining condition in the final stage is the condition for the smoothest machining.
  • the machining condition setting device 30 includes an input device 31, a storage device 32, and an arithmetic device 33.
  • the input device 31 accepts the machining result.
  • the processing result input by the operator to the input device 31 is, for example, a physical quantity representing the processing result. By inputting specific physical quantities, it becomes possible to set detailed processing conditions for desired processing results. Since the processing result received by the input device 31 is the processing result desired by the worker, it can be said that the processing request is the processing request by the worker.
  • the machining results in Embodiment 1 include machined surface roughness, machined surface area, electrode wear rate, machining speed, reduction margin, machined area, and the like.
  • machined surface roughness are Ra and Rz defined by ISO, and machined surface quality defined by German Engineers Association standards (VDI: disclose Universityr Ingenieure).
  • Ra is the arithmetic average roughness of the machined surface
  • Rz is the maximum height between the crest line and the valley bottom line of the machined surface.
  • a case where the machined surface roughness Ra is applied as the machined surface roughness will be described below.
  • the machined surface area is the surface area ratio of the actual machined surface to the area of a specific region within the machined surface (hereinafter referred to as the surface area ratio Sdr).
  • the area of the specific region within the processing surface is the area when the specific region is viewed from above.
  • the actual surface area of the machined surface is an area in which the shape of the specific region in the height direction is also taken into consideration.
  • the surface area of the actual machined surface corresponds to the area of the actual machined surface developed in a plane parallel to the specific region.
  • the surface area ratio Sdr it is possible to input a value within a range corresponding to the machined surface roughness input to the input device 31 . That is, the input device 31 receives the machined surface roughness and the surface area ratio Sdr within the range corresponding to the machined surface roughness.
  • the electrode consumption rate is the consumption rate of the electrode used for die-sinking electric discharge machining.
  • the electrode wear rate is the ratio between the amount of workpiece processed and the amount of wear of the electrode.
  • the machining speed is the speed of the die-sinking electric discharge machining, and corresponds to the formation speed of the machined holes formed in the workpiece.
  • the machining condition setting device 30 of Embodiment 1 sets the machining conditions so as to achieve the maximum machining speed while satisfying the electrode wear rate desired by the operator.
  • the storage device 32 stores basic data obtained in advance in experiments.
  • the basic data is a data table showing machining results for combinations of discharge current peak values and discharge current pulse widths.
  • the basic data is the machined surface roughness, the machined surface area, the electrode wear rate, the machining It is a data table composed of a combination of each experimental data of velocity and reduction margin. That is, the basic data includes a data table of machined surface roughness, machined surface area, electrode wear rate, machining speed, reduction margin, and the like. Details of the basic data will be described later.
  • the computing device 33 calculates a multi-stage processing condition sequence based on the processing result input by the operator to the input device 31 and the basic data stored in the storage device 32 .
  • the computing device 33 outputs to the machining power source 34 a command corresponding to each machining condition included in the multistage machining condition sequence.
  • Machining conditions for die-sinking electric discharge machining include the electrical conditions of the tool electrode and the workpiece, the movement conditions of the tool electrode, the control conditions related to specific control, and the environmental conditions.
  • Electrical conditions include discharge current peak value, discharge current pulse width, rest time, servo reference voltage, polarity, no-load voltage, and the like.
  • the movement conditions include the jump speed, jump time, swing amount, and the like of the tool electrode.
  • the control conditions include conditions for controlling the waveform of the discharge current pulse, conditions for controlling the waveform of the voltage pulse applied to the machining gap, and the like.
  • the environmental conditions include the presence or absence of a machining fluid jet, the method of jetting the machining fluid, and the like.
  • the machining condition setting device 30 sets the optimum combination of the discharge current peak value and the discharge current pulse width for the multistage machining condition row in order to obtain the optimum machining result according to the desired machining result. do.
  • the machining power supply 34 applies voltage pulses to the machining mechanism 35 in accordance with the multistage machining condition sequence calculated by the arithmetic device 33 .
  • a tool electrode and a workpiece are arranged in the machining mechanism 35 .
  • a voltage pulse is applied from a machining power source 34 to a machining electrode gap 36 between the tool electrode and the workpiece.
  • electrical discharge is repeatedly generated in the machining gap between the tool electrode and the workpiece, and the workpiece is subjected to die-sinking electrical discharge machining.
  • FIG. 2 is a diagram for explaining the relationship between the discharge current waveform and the machined surface roughness.
  • the machining power supply 34 can output various discharge current pulses.
  • FIG. 2 shows a discharge current waveform 11 as a first waveform example and a discharge current waveform 12 as a second waveform example.
  • the machined surfaces 13 and 14 obtained by two types of discharge current pulses such as the discharge current waveforms 11 and 12 have the same surface roughness such as the machined surface roughness Ra or the maximum height Rz. It shows a case where the surface area ratio Sdr is different. Comparing the discharge current waveforms 11 and 12, the discharge current waveform 11 has a lower discharge current peak value and a longer discharge current pulse width than the discharge current waveform 12, but both have the same machined surface roughness. However, the machined surface 13 has a smaller surface area ratio Sdr than the machined surface 14 because the radial size of the discharge trace formed by one discharge is larger than that of the machined surface 14 .
  • FIG. 3 is a diagram for explaining the relationship between the discharge current pulse width, the machined surface roughness Ra, and the surface area ratio Sdr.
  • the horizontal axis of the graph shown in FIG. 3 is the machined surface roughness Ra, and the vertical axis is the surface area ratio Sdr.
  • FIG. 3 shows a machined surface quality (surface texture) 21 when machined with the discharge current pulse width of the first example and a machined surface quality 22 when machined with the discharge current pulse width of the second example.
  • the discharge current pulse width of the first example corresponding to the machined surface quality 21 is smaller than the discharge current pulse width of the second example corresponding to the machined surface quality 22 .
  • the longer the discharge current pulse width the smaller the surface area for the same machined surface roughness Ra, so the surface area ratio Sdr also becomes smaller. Since the surface area of the machined surface may greatly affect the performance of the workpiece after die-sinking electric discharge machining, the surface area ratio Sdr needs to be appropriately controlled.
  • the machining condition setting device 30 generates appropriate machining conditions (discharge current peak value and discharge current pulse width) according to the input machining surface area (surface area ratio Sdr) of the workpiece.
  • FIG. 4 is a diagram showing an example of surface roughness data used by the machining condition setting device according to the first embodiment.
  • FIG. 5 is a diagram showing an example of electrode consumption data used by the machining condition setting device according to the first embodiment.
  • the surface roughness data 41 which is the data of the machined surface roughness Ra
  • the electrode consumption data 42 which is the data of the electrode consumption rate
  • the basic data is data indicating the theoretical correlation of machining results with respect to previously acquired combinations of discharge current peak values and discharge current pulse widths for die sinking electric discharge machining.
  • the surface roughness data 41 is data indicating the machined surface roughness corresponding to the combination of the discharge current peak value IP and the discharge current pulse width ON.
  • the electrode wear data 42 is data indicating the electrode wear rate corresponding to the combination of the discharge current peak value IP and the discharge current pulse width ON.
  • the smallest discharge current peak value IP is indicated by I1
  • the m - th (m is a natural number) discharge current peak value IP is indicated by Im
  • the smallest discharge current pulse width ON is indicated by t1
  • the n - th (n is a natural number) discharge current pulse width ON is indicated by tn.
  • Im is the maximum discharge current peak value IP and tn is the maximum discharge current pulse width ON.
  • the machined surface roughness Ra when electrical discharge machining is performed with a combination of the m-th smallest discharge current peak value I m and the n-th smallest discharge current pulse width t n is Ra mn
  • electrode consumption The rate is EW mn .
  • the machined surface roughness Ra becomes rougher as the discharge current peak value IP increases. Further, the machined surface roughness Ra becomes rougher as the discharge current pulse width ON becomes smaller. Further, the electrode consumption rate increases as the discharge current peak value IP increases. Further, the electrode consumption rate increases as the discharge current pulse width ON decreases.
  • the storage device 32 also stores data tables such as the machining surface area (surface area ratio Sdr), machining speed, and reduction allowance as basic data. These data tables for machining surface area, machining speed, reduction margin, etc. have the same configuration as the surface roughness data 41 and the electrode consumption data 42 .
  • the machined surface area data table stores the surface area ratio Sdr corresponding to the combination of the discharge current peak value IP and the discharge current pulse width ON.
  • the machining speed data table stores machining speeds corresponding to combinations of the discharge current peak value IP and the discharge current pulse width ON.
  • the reduction margin data table stores reduction margins corresponding to combinations of the discharge current peak value IP and the discharge current pulse width ON.
  • FIG. 6 is a flow chart showing a processing procedure for calculating a processing condition string by the processing condition setting device according to the first embodiment.
  • the input device 31 of the machining condition setting device 30 accepts the desired machining result when the machining result desired by the operator such as the reduction margin and machining area is input to the machining condition setting device 30 (step S10).
  • the input device 31 sends this processed result to the arithmetic device 33 .
  • the machining result input to the input device 31 includes data such as desired reduction margin, machining area, electrode wear rate, machined surface roughness, machined surface area, and machining speed.
  • the computing device 33 calculates the allowable maximum discharge current peak value IP_1 based on the inputted reduction margin, machining area, etc. (step S20).
  • IP_1 is the maximum discharge current peak value used in the first-stage electric discharge machining.
  • the computing device 33 calculates the discharge current pulse width ON_1 corresponding to the maximum discharge current peak value IP_1 based on the electrode wear data 42, which is basic data (step S30). In this case, the computing device 33 determines the maximum pulse width among the selectable discharge current pulse widths ON in the electrode consumption data 42 as the discharge current pulse width ON_1.
  • ON_1 is the discharge current pulse width used in the first-stage electric discharge machining.
  • Arithmetic device 33 calculates machined surface roughness Ra_1, which is the maximum machined surface roughness, based on these maximum discharge current peak value IP_1, discharge current pulse width ON_1, and surface roughness data 41 (step S40).
  • Ra_1 is the machined surface roughness when the first-stage electric discharge machining is completed.
  • the arithmetic unit 33 determines the number of stages N (N is a natural number) in the machining condition row and machining in the intermediate machining condition row.
  • Surface roughness Ra_k (k is a natural number from 2 to (N-1)) is calculated (step S50). That is, the arithmetic unit 33 determines the number of steps N and the machined surface roughnesses Ra_1 to Ra_(N ⁇ 1) from the second step to the (N ⁇ 1)th step.
  • the computing device 33 determines the machined surface roughness of each stage so as to be smaller than the machined surface roughness of the machining conditions of the previous stage.
  • the arithmetic device 33 calculates the machined surface roughness according to the logic incorporated in the arithmetic device 33 in advance.
  • the arithmetic unit 33 calculates the discharge current peak for each machining condition other than the final stage.
  • a value IP_k and a discharge current pulse width ON_k are calculated (step S60).
  • FIG. 7 is a diagram for explaining calculation processing of the discharge current peak value and the discharge current pulse width by the machining condition setting device according to the first embodiment.
  • the horizontal axis is the discharge current pulse width
  • the vertical axis is the machined surface roughness.
  • the horizontal axis is the discharge current pulse width
  • the vertical axis is the electrode wear rate.
  • a correspondence relationship 23 is a correspondence relationship between the discharge current pulse width and the machined surface roughness when the discharge current peak value is the k-th stage discharge current peak value IP_k.
  • Correspondence 24 is the correspondence between the discharge current pulse width and the machined surface roughness when the discharge current peak value is the (k+1)th stage discharge current peak value IP_(k+1).
  • a correspondence relationship 25 is a correspondence relationship between the discharge current pulse width and the electrode wear rate when the discharge current peak value is the discharge current peak value IP_k of the k-th stage.
  • Ra_k be the machined surface roughness
  • IP_k be the discharge current peak value
  • ON_k be the discharge current pulse width under the k-th stage machining conditions.
  • the arithmetic device 33 searches the surface roughness data 41 for the discharge current pulse width t k+1 that gives the machined surface roughness Ra_(k+1) for the (k+1)th stage when IP_k is applied to the (k+1)th stage. do.
  • the arithmetic device 33 refers to the electrode wear data 42 and calculates the electrode wear rate EW1 corresponding to the combination of the searched discharge current pulse width t k+1 and the discharge current peak value IP_k. The computing device 33 determines whether the electrode wear rate EW1 is equal to or less than the desired electrode wear rate EW.
  • the computing device 33 sets IP_k and t k+1 to the (k+1)-th stage discharge current peak value IP_(k+1) and discharge current pulse width ON_(k+1), respectively. That is, if EW ⁇ EW1, the calculation device 33 applies the k-th stage discharge current peak value IP_k to the (k+1)-th stage discharge current peak value IP_(k+1).
  • the arithmetic unit 33 determines that the discharge current peak value IP_(k ⁇ 1), which is one step lower than IP_k that can be set in the electric discharge machining apparatus 1, becomes Ra_(k+1).
  • the pulse width t k+1 is retrieved from the surface roughness data 41 .
  • the computing device 33 refers to the electrode wear data 42 and calculates the electrode wear rate EW2 corresponding to the searched combination of the discharge current pulse width t k+1 and the discharge current peak value IP_(k ⁇ 1). The computing device 33 determines whether the electrode wear rate EW2 is equal to or less than the desired electrode wear rate EW.
  • the arithmetic device 33 performs processing for decreasing the discharge current pulse width and the discharge current peak value until a combination of the discharge current pulse width and the discharge current peak value that satisfies the desired electrode wear rate EW is found. and repeat the process. Thereby, the arithmetic device 33 can determine the combination of the discharge current peak value and the discharge current pulse width under all machining conditions except for the final stage.
  • the arithmetic device 33 combines the discharge current peak value and the discharge current pulse width in the final stage machining conditions with the final stage machined surface roughness Ra_N, the surface roughness data 41, and the basic data of the machined surface area. Calculated based on
  • the basic data of the machining surface area is, as described above, data indicating the machining surface area corresponding to the combination of the discharge current peak value and the discharge current pulse width.
  • the basic data of the processed surface area will be referred to as surface area data.
  • the computing device 33 searches the surface roughness data 41 for a combination of the discharge current peak value and the discharge current pulse width that can obtain the final machined surface roughness Ra_N. Next, based on the surface area data, the arithmetic unit 33 reads out the machined surface area corresponding to the retrieved combination of the discharge current peak value and the discharge current pulse width. The arithmetic device 33 determines whether or not the read processing surface area satisfies the desired processing surface area.
  • the computing device 33 searches for a combination of the discharge current peak value and the discharge current pulse width that satisfy the desired machining surface area. That is, the arithmetic unit 33 searches for a combination of the discharge current peak value and the discharge current pulse width that can obtain the final machined surface roughness Ra_N and that satisfies the desired machined surface area. Based on the surface roughness data 41 and the surface area data, the arithmetic unit 33 can obtain the final stage machined surface roughness Ra_N, and the discharge current peak value and the discharge current pulse width that satisfy the desired machined surface area. Extract all combinations.
  • the computing device 33 determines the combination that gives the longest discharge current pulse width among the combinations that satisfy the desired machined surface roughness Ra_N and machined surface area as the machining condition for the final stage. That is, the arithmetic unit 33 calculates the discharge current peak value IP_N and the discharge current pulse width ON_N as the machining conditions for the final stage (step S70). In this way, the computing device 33 can minimize the electrode wear rate by selecting machining conditions with a long discharge current pulse width.
  • the arithmetic device 33 determines the processing conditions obtained in the processing of steps S20 to S70 as a multistage processing condition sequence (step S80).
  • the machining power supply 34 generates discharge current pulses according to the multistage machining condition sequence calculated by the arithmetic device 33 and applies discharge energy to the machining gap 36 .
  • the computing device 33 can automatically calculate machining conditions that satisfy the machined surface roughness, electrode wear rate, and machined surface area desired by the operator. Further, the arithmetic unit 33 selects the combination of the discharge current peak value and the discharge current pulse width according to the above procedure, thereby setting the fastest machining condition sequence that satisfies the desired machined surface roughness, electrode wear rate, and machined surface area. be able to. That is, the computing device 33 can set the machining speed to the maximum speed by selecting a combination of the largest discharge current peak value and the smallest discharge current pulse width within a range that satisfies the machining result desired by the operator. can.
  • the arithmetic device 33 may set the machining conditions so as to achieve the minimum electrode wear rate while satisfying the machining speed desired by the operator.
  • the computing device 33 uses the basic data of the machining speed for the combination of the discharge current peak value and the discharge current pulse width instead of the electrode consumption data 42 . Then, the computing device 33 uses the information on the machining speed instead of the information on the electrode wear rate during the processing for calculating the machining condition sequence, and executes the same processing as the above-described processing.
  • the input device 31 receives the machining conditions when the arithmetic device 33 performs machining processing from the first stage to the final stage as die-sinking electric discharge machining over a plurality of times. It is calculated based on the processed result and the basic data stored in the storage device 32 .
  • the machining result received by the input device 31 includes the machining surface area. Therefore, the machining condition setting device 30 can generate appropriate machining conditions according to the input machining surface area of the workpiece.
  • Embodiment 2 Next, Embodiment 2 will be described with reference to FIG.
  • the processing condition setting device 30 according to the second embodiment has the same configuration as the processing condition setting device 30 according to the first embodiment, so the description thereof will be omitted.
  • the machining condition setting device 30 of Embodiment 1 determines the combination of the discharge current peak value and the discharge current pulse width based on the machining surface area only for the machining conditions of the final stage. Therefore, although the electrode wear rate does not satisfy the desired machining conditions only under the machining conditions of the final stage, the electrode wear rate under the finish machining conditions is so small that it can be ignored in some cases.
  • the machining condition setting device 30 of the second embodiment enables the desired machining result to be set for each of the multistage machining condition rows.
  • the machining condition setting device 30 sets the electrode wear rate of the other row of machining conditions to be smaller than the desired value even if only the machining condition of the final stage exceeds the desired electrode wear rate. By doing so, it is possible to set the sum total of the electrode wear amount for all the machining conditions to a desired value. More preferably, the machining condition setting device 30 calculates the machining conditions according to the procedure described in the first embodiment, rather than the operator manually setting all the electrode wear rates in the multistage machining condition row.
  • the machining condition setting device 30 calculates the electrode wear amount again.
  • the calculation device 33 of the machining condition setting device 30 incorporates a logic for calculating the electrode wear amount again after calculating the machining conditions according to the procedure described in the first embodiment. Further, in the second embodiment, the desired machining result includes the sum total of the electrode wear amount under all machining conditions.
  • FIG. 8 is a flow chart showing a processing procedure for calculating a processing condition string by the processing condition setting device according to the second embodiment. Among the processes shown in FIG. 8, the description of the same processes as those executed by the processing condition setting device 30 of Embodiment 1 described with reference to FIG. 6 will be omitted.
  • steps S10 to S70 executed by the processing condition setting device 30 of the second embodiment are the same as the processes of steps S10 to S70 executed by the processing condition setting device 30 of the first embodiment.
  • the computing device 33 of the second embodiment calculates the sum total of the electrode wear amount in the entire electric discharge machining based on the electrode wear data 42.
  • the computing device 33 determines whether or not the sum of the electrode consumption amounts is greater than the desired electrode consumption amount (step S75). If the total electrode wear amount is equal to or less than the desired electrode wear amount (step S75, No), the arithmetic device 33 sets the calculated machining conditions as they are in the multistage machining condition row (step S80).
  • the arithmetic device 33 sets the reference value of the electrode wear rate (the above-mentioned The desired electrode wear rate EW) is reset to a value less than the desired value. That is, the arithmetic device 33 sets a value lower than the input electrode wear rate as the desired electrode wear rate (step S76). Arithmetic device 33 uses the reset electrode wear rate to determine the discharge current pulse width for the maximum discharge current peak value described in the first embodiment. Then, the arithmetic device 33 again executes the processing from steps S30 to S70 in FIG. 8 to determine the combination of the discharge current peak value and the discharge current pulse width for all machining conditions.
  • the arithmetic unit 33 can achieve the desired electrode wear rate for the entire machining process even if only the final stage machining condition does not satisfy the desired electrode wear rate. It is possible to automatically calculate the processing condition string of
  • the machining condition setting device 30 can set a desired machining result for each of the multistage machining condition sequences. can be calculated.
  • Embodiment 3 Next, Embodiment 3 will be described.
  • basic data generated based on measured values actually measured by a specific electrical discharge machining apparatus 1 is stored in all the electrical discharge machining apparatuses 1, and basic data different for each electrical discharge machining apparatus 1 is stored. don't let
  • the basic data stored in the storage device 32 of each electric discharge machine 1 is the basic data acquired by one specific electric discharge machine 1. That is, the data of each machining result corresponding to the discharge current peak value and the measured value of the discharge current pulse width obtained by one electric discharge machining device 1 is the basic data used by all the electric discharge machining devices 1. is desirable. In other words, it is desirable that the basic data used by each electrical discharge machine 1 be basic data obtained from a specific electrical discharge machine 1 .
  • the different electric discharge machine 1 may , a difference occurs in the discharge current peak value and the discharge current pulse width. That is, the discharge current peak value and the discharge current pulse width have errors for each electric discharge machine 1 . Therefore, in each electrical discharge machine 1, there is a possibility that an error will occur between the basic data and the actual machining result.
  • Embodiment 3 basic data generated based on the measured values actually measured by a specific electric discharge machining device 1 is stored in each electric discharge machining device 1 . As a result, even if there is a difference in the discharge current peak value and the discharge current pulse width for each electric discharge machining apparatus 1, the basic data is numerically corrected and converted into basic data suitable for each electric discharge machining apparatus 1. it becomes possible to
  • Embodiment 3 since the basic data generated based on the measured values actually measured by a specific electric discharge machine 1 is stored in another electric discharge machine 1, the other electric discharge machine 1 can , by numerically correcting the basic data, it is possible to convert it into basic data suitable for the device itself.
  • Embodiment 4 will be described with reference to FIGS. 9 to 13.
  • FIG. The electric discharge machining apparatus 1 of Embodiments 1 to 3 can automatically set machining conditions that theoretically maximize the machining speed to satisfy desired machining results based on basic data. Actually, however, it is conceivable that the fastest machining conditions may change depending on the material used for the tool electrode, the state of machining waste in the machining gap 36, and the like. Therefore, in the fourth embodiment, the machining speed during machining is learned with respect to the machining conditions. That is, the electric discharge machining apparatus 1, based on the input basic data, selects the combination of the discharge current peak value and the discharge current pulse width that satisfy the machining result desired by the operator, and the machining speed becomes the fastest. Search for things. In Embodiment 4, the machining results desired by the operator are the electrode wear rate, the machined surface roughness, and the machined surface area.
  • FIG. 9 is a block diagram of a configuration example of a learning device according to a fourth embodiment.
  • the learning device 50 is a computer that learns a learned model 71 for providing the electric discharge machine 1 with a discharge current peak value and a discharge current pulse width that maximize the machining speed within a range that satisfies a desired machining result. is.
  • the learning device 50 includes a data acquisition section 51 and a model generation section 52 .
  • the data acquisition unit 51 acquires the position of the machining axis, the discharge current peak value corresponding to the position of the machining axis, and the discharge current pulse width corresponding to the position of the machining axis as learning data.
  • the position of the machining axis is information corresponding to the machining speed.
  • the data that the data acquisition unit 51 acquires as learning data is data actually used during processing.
  • the data acquisition section 51 is the first data acquisition section.
  • the model generation unit 52 learns the machining speed for the discharge current peak value and discharge current pulse width set for learning based on learning data including the discharge current peak value, discharge current pulse width, and machining axis position. do. That is, the model generator 52 generates the learned model 71 for inferring the machining speed with respect to the discharge current peak value and the discharge current pulse width set for learning from the position of the machining axis of the electric discharge machine 1 .
  • the model generation unit 52 can use known learning algorithms such as supervised learning, unsupervised learning, and reinforcement learning. As an example, a case where reinforcement learning is applied to the model generation unit 52 will be described.
  • reinforcement learning an agent (action subject) in an environment observes the current state (environmental parameters) and decides what action to take. The environment dynamically changes according to the actions of the agent, and the agent is rewarded according to the change in the environment. The agent repeats this and learns the course of action that yields the most rewards through a series of actions.
  • Q-learning and TD-learning are known.
  • a general update formula for the action-value function Q(s, a) is represented by formula (1) below.
  • s t represents the state of the environment at time t
  • a t represents the action at time t.
  • Action a t changes the state to s t+1 .
  • r t+1 represents the reward obtained by changing the state
  • ⁇ represents the discount rate
  • ⁇ represents the learning coefficient.
  • ⁇ is in the range of 0 ⁇ 1
  • ⁇ is in the range of 0 ⁇ 1.
  • the discharge current peak value and the discharge current pulse width corresponding to the position of the machining axis become the action at, the position of the machining axis becomes the state st , and the model generator 52 determines the best action at in the state st at time t . to learn.
  • the update formula represented by formula (1) increases the action value Q if the action value Q of action a with the highest Q value at time t+1 is greater than the action value Q of action a executed at time t. On the contrary, the action value Q is decreased. In other words, the action value function Q(s, a) is updated so that the action value Q of action a at time t approaches the best action value at time t+1. As a result, the best behavioral value in a certain environment will be propagated to the behavioral value in the previous environment.
  • the model generation unit 52 includes the reward calculation unit 53 and the function update unit 54.
  • the reward calculation unit 53 calculates a reward based on the discharge current peak value, the discharge current pulse width, and the position of the machining axis.
  • the remuneration calculator 53 calculates a remuneration r based on the machining speed reference. For example, the reward calculation unit 53 increases the reward r (for example, gives a reward of “1”) when the processing speed increases (when the reward increase criterion is satisfied), and on the other hand, when the processing speed decreases (reward If the reduction criterion is met), reduce the reward r (for example, give a reward of "-1").
  • the function updating unit 54 updates the function for determining the machining speed according to the reward calculated by the reward calculating unit 53, and outputs it to the learned model storage unit 70 arranged outside the learning device 50.
  • the function updating unit 54 modifies the action value function Q(s t , a t ) represented by Equation (1) with respect to the discharge current peak value and the discharge current pulse width set for learning. Used as a function to calculate velocity.
  • the function updating unit 54 repeatedly executes the learning as described above.
  • the learned model storage unit 70 stores the action-value function Q(s t , a t ) updated by the function updating unit 54 , that is, the learned model 71 .
  • FIG. 10 is a flowchart of a learning process performed by the learning device according to the fourth embodiment.
  • the data acquisition unit 51 acquires the discharge current peak value, the discharge current pulse width, and the position of the machining axis as learning data (step S110).
  • the model generator 52 calculates a reward based on the discharge current peak value, discharge current pulse width, and machining axis position (step S120). Specifically, the remuneration calculation unit 53 acquires the discharge current peak value, the discharge current pulse width, and the position of the machining axis, calculates the machining speed from the position of the machining axis, and determines a predetermined machining speed standard (remuneration criteria) to decide whether to increase or decrease the reward.
  • the processing speed criterion is whether the processing speed has increased or decreased.
  • the remuneration calculation unit 53 increases the remuneration when determining to increase the remuneration, and decreases the remuneration when determining to decrease the remuneration. That is, the remuneration calculator 53 increases the remuneration when the machining speed calculated from the position of the machining axis increases (step S130). On the other hand, the remuneration calculator 53 reduces the remuneration when the machining speed calculated from the position of the machining axis decreases (step S140). Note that the remuneration calculation unit 53 does not have to increase or decrease the remuneration when the processing speed does not change.
  • the function updating unit 54 updates the action value function Q(s t , a t ) represented by Equation (1) stored in the learned model storage unit 70 based on the reward calculated by the reward calculation unit 53. (Step S150). Thereby, the machining speed corresponding to the discharge current peak value and the discharge current pulse width is learned.
  • the learning device 50 repeatedly executes steps S110 to S150 described above, and stores the generated action-value function Q(s t , a t ) as a learned model 71 in the learned model storage unit 70 .
  • the learning device 50 stores the learned model 71 in the learned model storage unit 70 provided outside the learning device 50
  • the learned model storage unit 70 is stored in the learning device 50. It may be provided inside.
  • FIG. 11 is a block diagram of a configuration example of an inference apparatus according to a fourth embodiment.
  • the inference device 60 includes a data acquisition unit 61 and an inference unit 62 .
  • the data acquisition section 61 is the second data acquisition section.
  • the data acquisition unit 61 acquires the discharge current peak value and the discharge current pulse width as data for inferring the machining speed.
  • the data acquisition unit 61 acquires, for example, the discharge current peak value and the discharge current pulse width described with reference to FIGS. 4 and 5.
  • FIG. 1
  • the inference unit 62 uses the learned model 71 stored in the learned model storage unit 70 to infer the machining speed corresponding to the discharge current peak value and the discharge current pulse width. That is, the inference unit 62 inputs the discharge current peak value and the discharge current pulse width acquired by the data acquisition unit 61 to the learned model 71, thereby obtaining a machining speed suitable for the discharge current peak value and the discharge current pulse width. can be inferred.
  • the inference unit 62 outputs the obtained machining speed to the storage device 32 of the electrical discharge machine 1 .
  • the reasoning device 60 uses the trained model 71 learned by the model generation unit 52 of the learning device 50 .
  • a finished model 71 may also be used.
  • the inference device 60 outputs the machining speed based on the learned model 71 acquired from the other learning devices 50 .
  • the other learning device 50 is a device that learns the learned model 71 from another electrical discharge machine different from the electrical discharge machine 1 . That is, the inference device 60 may infer a machining speed suitable for the discharge current peak value and the discharge current pulse width using the learned model 71 learned by another electric discharge machine.
  • FIG. 12 is a flowchart of an inference process performed by the inference apparatus according to the fourth embodiment.
  • the data acquisition unit 61 acquires inference data, which is data for inferring the machining speed (step S210). Specifically, the data acquisition unit 61 acquires the discharge current peak value and the discharge current pulse width set for inference.
  • the inference unit 62 inputs the discharge current peak value and the discharge current pulse width to the learned model 71 stored in the learned model storage unit 70 (step S220), and processes the discharge current peak value and the discharge current pulse width. get speed.
  • the inference unit 62 outputs the obtained data, that is, the machining speed with respect to the discharge current peak value and the discharge current pulse width to the electric discharge machine 1 (step S230).
  • the storage device 32 of the electric discharge machining apparatus 1 stores the output machining speed with respect to the discharge current peak value and the discharge current pulse width as learning results (step S240).
  • the inference unit 62 determines whether or not there is a combination for which data has not yet been acquired among the combinations of the discharge current peak value and the discharge current pulse width that satisfy the desired machining result (step S250).
  • the inference unit 62 changes the combination of the discharge current peak value and the discharge current pulse width used for inferring the machining speed (step S260). That is, the inference unit 62 changes the combination of the discharge current peak value and the discharge current pulse width to the combination of the discharge current peak value and the discharge current pulse width for which data has not yet been obtained, and sets the combination as data for inference.
  • the inference device 60 repeats the processing from steps S210 to S260 until there are no combinations for which data has not yet been obtained.
  • the inference unit 62 selects the discharge current peak value and the discharge current pulse width that maximize the machining speed from among the machining speeds stored as the learning results. Search for a combination of That is, the inference unit 62 searches for a combination of the discharge current peak value and the discharge current pulse width that maximizes the machining speed within a range that satisfies the desired machining result.
  • the inference unit 62 sends the searched combination of the discharge current peak value and the discharge current pulse width to the storage device 32 of the electric discharge machining apparatus 1 .
  • the storage device 32 stores a combination of a discharge current peak value and a discharge current pulse width that maximizes the machining speed within a range that satisfies a desired machining result.
  • the electrical discharge machining apparatus 1 sets the combination of the discharge current peak value and the discharge current pulse width sent from the inference device 60 as a parameter to be used during electrical discharge machining (step S270).
  • the electrical discharge machining apparatus 1 performs electrical discharge machining using the combination of the discharge current peak value and the discharge current pulse width that maximizes the machining speed stored in the storage device 32 .
  • the present invention is not limited to this.
  • the learning algorithm supervised learning, unsupervised learning, or semi-supervised learning can be applied in addition to reinforcement learning.
  • model generation unit 52 As a learning algorithm used in the model generation unit 52, it is possible to use deep learning, which learns to extract the feature quantity itself.
  • the model generator 52 may perform machine learning according to other known methods such as neural networks, genetic programming, functional logic programming, support vector machines, and the like.
  • the learning device 50 and the inference device 60 may be separate devices connected to the electric discharge machining device 1 via a network, for example. At least one of the learning device 50 and the reasoning device 60 may be built in the electrical discharge machine 1 . Furthermore, learning device 50 and reasoning device 60 may reside on a cloud server.
  • the model generation unit 52 may use learning data acquired from a plurality of electric discharge machining apparatuses 1 to learn the machining speed for a combination of the discharge current peak value and the discharge current pulse width.
  • the model generation unit 52 may acquire learning data from a plurality of electric discharge machines 1 used in the same area, or may acquire learning data from a plurality of electric discharge machines 1 operating independently in different areas. The machining speed with respect to the discharge current peak value and the discharge current pulse width may be learned using the learning data. It is also possible to add or remove the electric discharge machining device 1 that collects the learning data from the target on the way.
  • a learning device that has learned the machining speed with respect to the discharge current peak value and the discharge current pulse width for a certain electric discharge machine is applied to another electric discharge machine 1, and the discharge current for the other electric discharge machine 1 is The machining speed with respect to the peak value and discharge current pulse width may be re-learned and updated.
  • the hardware configuration of the learning device 50 and the inference device 60 will be explained. Since learning device 50 and reasoning device 60 have similar hardware configurations, the hardware configuration of learning device 50 will be described below.
  • FIG. 13 is a diagram showing a hardware configuration example that implements the learning device according to the fourth embodiment.
  • Learning device 50 can be realized by processor 91 , memory 92 , output device 93 , and input device 94 .
  • processor 91 is a CPU (Central Processing Unit, central processing unit, processing unit, arithmetic unit, microprocessor, microcomputer, DSP (Digital Signal Processor)) or system LSI (Large Scale Integration).
  • memory 92 is RAM (Random Access Memory) and ROM (Read Only Memory).
  • the learning device 50 is implemented by the processor 91 reading and executing a computer-executable learning program for executing the operation of the learning device 50 stored in the memory 92 . It can also be said that the learning program for executing the operation of the learning device 50 causes a computer to execute the procedure or method of the learning device 50 .
  • the learning program for executing the operation of the learning device 50 includes a program for learning the machining speed.
  • the learning program executed by the learning device 50 has a module configuration including a model generation unit 52, which are loaded onto the main storage device and generated on the main storage device.
  • the input device 94 accepts the discharge current peak value, the discharge current pulse width, the position of the machining axis, and the like, and sends them to the processor 91 .
  • the memory 92 stores basic data such as surface roughness data 41 and electrode consumption data 42 . Also, the memory 92 is used as a temporary memory when the processor 91 executes various processes.
  • the output device 93 outputs the machining speed generated by the processor 91 to the machining power supply 34 .
  • the learning program may be stored in a computer-readable storage medium in an installable or executable format and provided as a computer program product. Also, the learning program may be provided to the learning device 50 via a network such as the Internet. It should be noted that the functions of the learning device 50 may be partly realized by dedicated hardware such as a dedicated circuit, and partly realized by software or firmware.
  • the processing condition setting device 30 also has a hardware configuration similar to that of the learning device 50 .
  • the learning device 50 prepares the learned model 71 for inferring the machining speed based on the position of the machining axis of the electric discharge machine 1, the set discharge current peak value, and the discharge current pulse width. are generating. Also, the inference device 60 uses the learned model 71 to infer the machining speed from the position of the machining axis of the electric discharge machine 1, the set discharge current peak value, and the discharge current pulse width. This makes it possible to acquire the machining speed for the set discharge current peak value and discharge current pulse width according to the position of the machining axis of the electric discharge machine 1 . The inference device 60 can execute the electric discharge machining in a short time while satisfying the desired machining result by applying the combination of the discharge current peak value and the discharge current pulse width that maximizes the machining speed to the electric discharge machining. It becomes possible.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Mechanical Engineering (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)

Abstract

加工条件設定装置（３０）が、形彫放電加工に対して所望される加工結果として、工具電極の消耗率である電極消耗率、加工速度、被加工物の加工面の粗さである加工面粗さ、および被加工物の加工面内の特定領域の面積に対する実際の加工面の表面積比を受け付ける入力装置（３１）と、予め取得された形彫放電加工の放電電流ピーク値と放電電流パルス幅との組み合わせに対する、加工結果の理論的な相関を示す基礎データを記憶する記憶装置（３２）と、複数回に渡る形彫放電加工として第１段目から最終段目までの加工処理が行われる際の第１段目から最終段目までの加工条件を、入力装置が受け付けた加工結果と、記憶装置が記憶している基礎データとに基づいて算出する演算装置（３３）とを備える。

Description

加工条件設定装置、加工条件設定方法、および放電加工装置
　本開示は、形彫放電加工の加工条件を設定する加工条件設定装置、加工条件設定方法、および放電加工装置に関する。
　形彫放電加工は、対向して配置させた工具電極と被加工物との間に電圧パルスを印加して加工間隙に繰り返し放電を発生させ、発生した放電のアーク熱によって被加工物に工具電極の形状を転写した加工穴を形成させる加工である。
　形彫放電加工において所望の加工形状を得るためには、被加工物を多量に除去する荒加工から、加工面を所望の精度に仕上げるための仕上げ加工まで、複数回の加工が行われる必要がある。そのため、作業者は、複数回の加工に対し、所望の加工結果を得るための最適な加工条件を設定する必要がある。この複数回の加工における一連の加工条件を、以下では多段の加工条件列という。
　形彫放電加工においては、放電一発分の放電電流パルスによって、加工形状、加工速度などの加工結果が決定される。そのため、作業者は、所望の加工結果を得るためには、形彫放電加工の加工条件のうち、加工結果に影響を与える加工条件を、多段の加工条件列に対して設定しておく必要がある。例えば、加工結果に影響を与える加工条件には、放電電流ピーク値と放電電流パルス幅との組み合わせなどが含まれている。この組み合わせは、加工結果だけでなく、工具電極および被加工物の、材質、形状、大きさなどによっても適切な設定値が異なるので、組み合わせは無数に存在することとなる。このため、作業者が、無数の組み合わせの中から手動で適切な設定を行うことは困難であり、組み合わせを自動で設定する技術の開発が進められている。
　特許文献１に記載の加工条件設定装置は、加工条件および加工要求を含む複数種類のパラメータ間の理論的な相関関係を示す基礎データに基づいて、加工要求に対応する多段の加工条件列を自動で設定している。
特開２００９－２７９７３５号公報
　しかしながら、上記特許文献１の技術では、作業者が入力した電極消耗率などの加工要求によって、放電電流ピーク値に対する放電電流パルス幅が一意に決定されてしまうので、加工面質も一意に決定されてしまう。ここでいう加工面質は、ＩＳＯ（International　Organization　for　Standardization、国際標準化機構）規格のＲａまたはＲｚで表される加工面粗さとは異なる定義の加工面質であり、加工面内のある領域の面積に対する実際の加工面の表面積比で定義される加工面質である。
　被加工物は、加工面粗さが大きいほど、加工面の凹凸部の表面積が大きくなるので表面積比は大きくなるが、同じ加工面粗さであっても表面積比が異なる場合がある。例えば、放電電流パルス幅が長くなるほど、同じ面粗さに対する表面積は小さくなるので、表面積比も小さくなる。一方、放電電流パルス幅が短くなるほど、電極消耗率が大きくなる。すなわち、表面積比を大きくしようとすると放電電流パルス幅を短くする必要があるので、電極消耗率は大きくなってしまう。このため、上記特許文献１の技術では、作業者が入力した電極消耗率によって放電電流ピーク値に対する放電電流パルス幅が決まってしまうこととなり、表面積比を考慮した放電電流ピーク値と放電電流パルス幅との適切な組み合わせを決定することができないという問題があった。
　本開示は、上記に鑑みてなされたものであって、入力された被加工物の表面積比に応じた適切な加工条件を生成することができる加工条件設定装置を得ることを目的とする。
　上述した課題を解決し、目的を達成するために、本開示の加工条件設定装置は、形彫放電加工に対して所望される加工結果として、工具電極の消耗率である電極消耗率、加工速度、被加工物の加工面の粗さである加工面粗さ、および被加工物の加工面内の特定領域の面積に対する実際の加工面の表面積比を受け付ける入力装置を備える。また、本開示の加工条件設定装置は、予め取得された形彫放電加工の放電電流ピーク値と放電電流パルス幅との組み合わせに対する、加工結果の理論的な相関を示す基礎データを記憶する記憶装置を備える。また、本開示の加工条件設定装置は、複数回に渡る形彫放電加工として第１段目から最終段目までの加工処理が行われる際の第１段目から最終段目までの加工条件を、入力装置が受け付けた加工結果と、記憶装置が記憶している基礎データとに基づいて算出する演算装置を備える。
　本開示にかかる加工条件設定装置は、入力された被加工物の表面積比に応じた適切な加工条件を生成することができるという効果を奏する。
実施の形態１にかかる加工条件設定装置を備えた放電加工装置の構成を示すブロック図 放電電流波形と加工面粗さとの関係を説明するための図 放電電流パルス幅と、加工面粗さＲａおよび表面積比Ｓｄｒとの関係を説明するための図 実施の形態１にかかる加工条件設定装置が用いる面粗さデータの例を示す図 実施の形態１にかかる加工条件設定装置が用いる電極消耗データの例を示す図 実施の形態１にかかる加工条件設定装置による加工条件列の算出処理手順を示すフローチャート 実施の形態１にかかる加工条件設定装置による、放電電流ピーク値および放電電流パルス幅の算出処理を説明するための図 実施の形態２にかかる加工条件設定装置による加工条件列の算出処理手順を示すフローチャート 実施の形態４にかかる学習装置の構成例を示すブロック図 実施の形態４にかかる学習装置による学習処理の処理手順を示すフローチャート 実施の形態４にかかる推論装置の構成例を示すブロック図 実施の形態４にかかる推論装置による推論処理の処理手順を示すフローチャート 実施の形態４にかかる学習装置を実現するハードウェア構成例を示す図
　以下に、本開示の実施の形態にかかる加工条件設定装置、加工条件設定方法、および放電加工装置を図面に基づいて詳細に説明する。
実施の形態１．
　図１は、実施の形態１にかかる加工条件設定装置を備えた放電加工装置の構成を示すブロック図である。放電加工装置１は、被加工物に形彫放電加工を行う形彫放電加工装置である。放電加工装置１は、作業者から要求される加工結果を得るために、荒加工から仕上げ加工まで複数回の加工を実行する。
　放電加工装置１は、加工条件設定装置３０と、加工電源３４と、加工機構３５とを有している。加工条件設定装置３０は、作業者によって入力される加工結果を得るための多段の加工条件列を設定するコンピュータである。すなわち、加工条件設定装置３０は、作業者が所望する加工結果を得るための、荒加工から仕上げ加工までの加工条件の組み合わせを設定するコンピュータである。実施の形態１では、作業者が所望する加工結果に、被加工物の加工表面積が含まれている。したがって、加工条件設定装置３０は、被加工物の加工表面積に応じた適切な多段の加工条件列を設定する。多段の加工条件列は、１段目から最終段目までの加工条件の組み合わせである。多段の加工条件列のうち、１段目の加工条件が、最も粗い加工の条件であり、最終段目の加工が最も滑らかな加工の条件である。
　加工条件設定装置３０は、入力装置３１と、記憶装置３２と、演算装置３３とを備えている。入力装置３１は、作業者が所望する加工結果が加工条件設定装置３０に入力されると、この加工結果を受け付ける。作業者が入力装置３１に入力する加工結果は、例えば、加工結果を表す物理量である。具体的な物理量が入力されることで、所望する加工結果に対して詳細に加工条件を設定することが可能となる。入力装置３１が受け付ける加工結果は、作業者が所望する加工結果であるので、作業者による加工要求であるともいえる。
　実施の形態１における加工結果は、加工面粗さ、加工表面積、電極消耗率、加工速度、縮小代、加工面積などである。加工面粗さの例は、ＩＳＯで規定されたＲａ、Ｒｚ、ドイツ技術者協会規格（ＶＤＩ：Verein　Deutscher　Ingenieure）で規定された加工面質などであり、作業者が所望する規格における数値で示される。Ｒａは、加工面の算術平均粗さであり、Ｒｚは、加工面の山頂線と谷底線との最大高さである。以下では、加工面粗さとして加工面粗さＲａが適用される場合について説明する。
　加工表面積は、加工面内の特定領域の面積に対する実際の加工面の表面積比（以下、表面積比Ｓｄｒという）である。加工面内の特定領域の面積は、特定領域を上面から見た場合の面積である。実際の加工面の表面積は、特定領域の高さ方向の形状も考慮された面積である。実際の加工面の表面積は、実際の加工面を特定領域に平行な面内に展開した場合の面積に対応している。表面積比Ｓｄｒとしては、入力装置３１に入力された加工面粗さに応じた範囲の中の値を入力することが可能である。すなわち、入力装置３１へは、加工面粗さと、加工面粗さ応じた範囲内の表面積比Ｓｄｒとが入力される。
　電極消耗率は、形彫放電加工に用いられる電極の消耗率である。具体的には、電極消耗率は、被加工物が加工される量と電極の消耗量との比率である。加工速度は、形彫放電加工の速度であり、被加工物に形成される加工穴の形成速度に対応している。
　電極消耗率と加工速度とは両立することができないので、作業者は、何れを重視するかの度合いを段階的に示す情報の中から、所望する重視の度合いを選択して入力装置３１に入力する。実施の形態１の加工条件設定装置３０は、作業者が所望する電極消耗率を満たしつつ、最大の加工速度となるように加工条件を設定する場合について説明する。
　記憶装置３２は、予め実験にて取得された基礎データを記憶しておく。基礎データは、放電電流ピーク値と放電電流パルス幅との組み合わせに対する加工結果を示すデータテーブルである。具体的には、基礎データは、放電加工装置１が出力し得る全てもしくは一部の、放電電流ピーク値と放電電流パルス幅との組み合わせに対する、加工面粗さ、加工表面積、電極消耗率、加工速度、および縮小代の各実験データの組み合わせから構成されるデータテーブルである。すなわち、基礎データは、加工面粗さ、加工表面積、電極消耗率、加工速度、縮小代などのデータテーブルを含んでいる。基礎データの詳細については、後述する。
　演算装置３３は、作業者が入力装置３１に入力した加工結果と、記憶装置３２に記憶されている基礎データとに基づいて、多段の加工条件列を算出する。演算装置３３は、多段の加工条件列に含まれる各加工条件に対応する指令を加工電源３４に出力する。
　形彫放電加工における加工条件には、工具電極と被加工物の電気条件、工具電極の移動条件、特定の制御に関する制御条件、環境条件などが含まれている。電気条件は、放電電流ピーク値、放電電流パルス幅、休止時間、サーボ基準電圧、極性、無負荷電圧などである。移動条件は、工具電極の、ジャンプ速度、ジャンプ時間、揺動量などである。制御条件は、放電電流パルスの波形を制御する条件、加工間隙に印加される電圧パルスの波形を制御する条件などである。環境条件は、加工液噴流の有無、加工液の噴流方法などである。
　形彫放電加工の加工条件のうち、放電電流ピーク値および放電電流パルス幅は、加工面粗さ、加工面質、電極消耗率、加工速度といった加工結果に大きな影響を与える。このため、加工条件設定装置３０は、所望された加工結果に応じた最適な加工結果を得るために、最適な放電電流ピーク値および放電電流パルス幅の組み合わせを多段の加工条件列に対して設定する。
　加工電源３４は、演算装置３３が算出した多段の加工条件列に従って、加工機構３５に電圧パルスを印加する。加工機構３５には、工具電極と被加工物とが配置されている。加工機構３５では、工具電極と被加工物との間の加工極間３６に、加工電源３４からの電圧パルスが印加される。これにより、工具電極と被加工物との間の加工間隙に繰り返し放電が発生し、被加工物への形彫放電加工が行われる。
　ここで、放電電流ピーク値と放電電流パルス幅との組み合わせと、被加工物の加工面形状である加工面粗さとの関係について説明する。図２は、放電電流波形と加工面粗さとの関係を説明するための図である。加工電源３４は、種々の放電電流パルスを出力することができる。
　図２では、第１の波形例である放電電流波形１１と、第２の波形例である放電電流波形１２とを示している。また、図２では、放電電流波形１１で放電加工が実行された場合の、被加工物の加工面１３と、放電電流波形１２で放電加工が実行された場合の、被加工物の加工面１４とを示している。
　図２では、放電電流波形１１，１２のような２種類の放電電流パルスによって得られる加工面１３，１４が、加工面粗さＲａまたは最大高さであるＲｚといった面粗さが同じであるが表面積比Ｓｄｒが異なっている場合を示している。放電電流波形１１，１２を比較すると、放電電流波形１１の方が、放電電流波形１２よりも放電電流ピーク値が低く放電電流パルス幅が長いが、何れも同じ加工面粗さとなっている。しかしながら、加工面１３は、加工面１４と比べて放電一発によって形成される放電痕の径方向の大きさが大きいので、加工面１３は、加工面１４よりも、表面積比Ｓｄｒが小さくなる。
　図３は、放電電流パルス幅と、加工面粗さＲａおよび表面積比Ｓｄｒとの関係を説明するための図である。図３に示すグラフの横軸は加工面粗さＲａであり、縦軸は表面積比Ｓｄｒである。図３では、第１例の放電電流パルス幅で加工された場合の加工面質（表面性状）２１と、第２例の放電電流パルス幅で加工された場合の加工面質２２とを示している。加工面質２１に対応する第１例の放電電流パルス幅は、加工面質２２に対応する第２例の放電電流パルス幅よりも小さなパルス幅である。
　図２および図３に示すように、放電電流パルス幅が長くなるほど、同じ加工面粗さＲａに対する表面積は小さくなるので、表面積比Ｓｄｒも小さくなる。加工面の表面積は、形彫放電加工後の被加工物の性能に大きな影響を与えることがあるので、表面積比Ｓｄｒは、適切に制御される必要がある。加工条件設定装置３０は、入力された被加工物の加工表面積（表面積比Ｓｄｒ）に応じた適切な加工条件（放電電流ピーク値および放電電流パルス幅）を生成する。
　次に、基礎データの例について説明する。図４は、実施の形態１にかかる加工条件設定装置が用いる面粗さデータの例を示す図である。図５は、実施の形態１にかかる加工条件設定装置が用いる電極消耗データの例を示す図である。加工面粗さＲａのデータである面粗さデータ４１、および電極消耗率のデータである電極消耗データ４２は、何れも基礎データの例である。基礎データは、予め取得された形彫放電加工の放電電流ピーク値と放電電流パルス幅との組み合わせに対する、加工結果の理論的な相関を示すデータである。
　図４に示すように、面粗さデータ４１は、放電電流ピーク値ＩＰと放電電流パルス幅ＯＮとの組み合わせに対応する、加工面粗さを示すデータである。図５に示すように、電極消耗データ４２は、放電電流ピーク値ＩＰと放電電流パルス幅ＯＮとの組み合わせに対応する、電極消耗率を示すデータである。
　図４および図５では、最も小さい放電電流ピーク値ＩＰをＩ1で示し、ｍ（ｍは自然数）番目に小さい放電電流ピーク値ＩＰをＩmで示している。また、最も小さい放電電流パルス幅ＯＮをｔ1で示し、ｎ（ｎは自然数）番目に小さい放電電流パルス幅ＯＮをｔnで示している。Ｉmは、最大の放電電流ピーク値ＩＰであり、ｔnは、最大の放電電流パルス幅ＯＮである。
　例えば、ｍ番目に小さい放電電流ピーク値Ｉmと、ｎ番目に小さい放電電流パルス幅ｔnとの組み合わせで放電加工が行われた場合の加工面粗さＲａは、Ｒａmnであり、電極消耗率は、ＥＷmnである。
　加工面粗さＲａは、放電電流ピーク値ＩＰが大きいほど粗くなる。また、加工面粗さＲａは、放電電流パルス幅ＯＮが小さいほど粗くなる。また、電極消耗率は、放電電流ピーク値ＩＰが大きいほど大きくなる。また、電極消耗率は、放電電流パルス幅ＯＮが小さいほど大きくなる。
　なお、記憶装置３２には、基礎データとして、加工表面積（表面積比Ｓｄｒ）、加工速度、縮小代などのデータテーブルも記憶されている。これらの加工表面積、加工速度、縮小代などのデータテーブルも、面粗さデータ４１および電極消耗データ４２と同様の構成を有している。例えば、加工表面積のデータテーブルでは、放電電流ピーク値ＩＰと放電電流パルス幅ＯＮとの組み合わせに対応する表面積比Ｓｄｒが格納されている。同様に、加工速度のデータテーブルでは、放電電流ピーク値ＩＰと放電電流パルス幅ＯＮとの組み合わせに対応する加工速度が格納されている。縮小代のデータテーブルでは、放電電流ピーク値ＩＰと放電電流パルス幅ＯＮとの組み合わせに対応する縮小代が格納されている。
　図６は、実施の形態１にかかる加工条件設定装置による加工条件列の算出処理手順を示すフローチャートである。加工条件設定装置３０の入力装置３１は、縮小代、加工面積といった作業者が所望する加工結果が加工条件設定装置３０に入力されると、この所望の加工結果を受け付ける（ステップＳ１０）。入力装置３１は、この加工結果を演算装置３３に送る。入力装置３１に入力される加工結果には、例えば、所望される、縮小代、加工面積、電極消耗率、加工面粗さ、加工表面積、加工速度などのデータが含まれている。
　演算装置３３は、入力された縮小代、加工面積などに基づいて、許容される最大放電電流ピーク値ＩＰ＿１を算出する（ステップＳ２０）。ＩＰ＿１は、１段目の放電加工で用いられる最大放電電流ピーク値である。
　次に、演算装置３３は、基礎データである電極消耗データ４２に基づいて、最大放電電流ピーク値ＩＰ＿１に対応する放電電流パルス幅ＯＮ＿１を算出する（ステップＳ３０）。この場合において、演算装置３３は、電極消耗データ４２のうちの選択可能な放電電流パルス幅ＯＮの中から最大のパルス幅を放電電流パルス幅ＯＮ＿１に決定する。ＯＮ＿１は、１段目の放電加工で用いられる放電電流パルス幅である。
　演算装置３３は、これらの最大放電電流ピーク値ＩＰ＿１と、放電電流パルス幅ＯＮ＿１と、面粗さデータ４１とに基づいて、最大の加工面粗さである加工面粗さＲａ＿１を算出する（ステップＳ４０）。Ｒａ＿１は、１段目の放電加工が完了した際の加工面粗さである。
　演算装置３３は、決定した最大の加工面粗さＲａ＿１と、加工結果として入力された加工面粗さとに基づいて、加工条件列の段数Ｎ（Ｎは自然数）と、途中の加工条件列における加工面粗さＲａ＿ｋ（ｋは、２から（Ｎ－１）までの自然数）を算出する（ステップＳ５０）。すなわち、演算装置３３は、段数Ｎと、２段目から（Ｎ－１）段目までの加工面粗さＲａ＿１からＲａ＿（Ｎ－１）を決定する。
　演算装置３３は、各段の加工面粗さを、前段の加工条件の加工面粗さよりも小さくなるように決定する。演算装置３３は、予め演算装置３３に組み込まれたロジックに従って加工面粗さを算出する。
　例えば、演算装置３３は、予め定められた比率ｐに従って１段目の加工面粗さＲａ＿１から最終段目の加工面粗さＲａ＿Ｎまで、等倍に加工面粗さを小さくしていく場合、Ｎ＝ｌｏｇp（Ｒａ＿Ｎ／Ｒａ＿１）、およびＲａ＿ｋ＝ｐ×Ｒａ＿（ｋ－１）の式によって加工条件列の段数Ｎとｋ段目の加工面粗さＲａ＿ｋを算出する。
　演算装置３３は、以上の手順によって算出した各加工条件の加工面粗さＲａ＿ｋと、面粗さデータ４１と、電極消耗データ４２とに基づいて、最終段目以外の各加工条件の放電電流ピーク値ＩＰ＿ｋおよび放電電流パルス幅ＯＮ＿ｋを算出する（ステップＳ６０）。
　図７は、実施の形態１にかかる加工条件設定装置による、放電電流ピーク値および放電電流パルス幅の算出処理を説明するための図である。図７の上段に示すグラフは、横軸が放電電流パルス幅であり、縦軸が加工面粗さである。図７の下段に示すグラフは、横軸が放電電流パルス幅であり、縦軸が電極消耗率である。
　図７の上段に示すグラフには、放電電流パルス幅と加工面粗さとの対応関係２３，２４が示されている。対応関係２３は、放電電流ピーク値が、ｋ段目の放電電流ピーク値ＩＰ＿ｋである場合の放電電流パルス幅と加工面粗さとの対応関係である。対応関係２４は、放電電流ピーク値が、（ｋ＋１）段目の放電電流ピーク値ＩＰ＿（ｋ＋１）である場合の放電電流パルス幅と加工面粗さとの対応関係である。
　また、図７の下段に示すグラフには、放電電流パルス幅と電極消耗率との対応関係２５，２６が示されている。対応関係２５は、放電電流ピーク値が、ｋ段目の放電電流ピーク値ＩＰ＿ｋである場合の放電電流パルス幅と電極消耗率の対応関係である。対応関係２６は、放電電流ピーク値が、（ｋ＋１）段目の放電電流ピーク値ＩＰ＿（ｋ＋１）である場合の放電電流パルス幅と電極消耗率との対応関係である。ここでのｋは、例えばｋ＝１である。
　ｋ段目の加工条件における、加工面粗さをＲａ＿ｋとし、放電電流ピーク値をＩＰ＿ｋとし、放電電流パルス幅をＯＮ＿ｋとする。演算装置３３は、面粗さデータ４１から、（ｋ＋１）段目にＩＰ＿ｋを適用した場合に（ｋ＋１）段目の加工面粗さＲａ＿（ｋ＋１）となる放電電流パルス幅ｔk+1を検索する。
　次に、演算装置３３は、電極消耗データ４２を参照し、検索した放電電流パルス幅ｔk+1と、放電電流ピーク値ＩＰ＿ｋとの組み合わせに対応する電極消耗率ＥＷ１を算出する。演算装置３３は、電極消耗率ＥＷ１が所望の電極消耗率ＥＷ以下であるか否かを判定する。
　ＥＷ≧ＥＷ１であれば、演算装置３３は、ＩＰ＿ｋ、ｔk+1をそれぞれ（ｋ＋１）段目の放電電流ピーク値ＩＰ＿（ｋ＋１）、放電電流パルス幅ＯＮ＿（ｋ＋１）とする。すなわち、ＥＷ≧ＥＷ１であれば、演算装置３３は、ｋ段目の放電電流ピーク値ＩＰ＿ｋを、（ｋ＋１）段目の放電電流ピーク値ＩＰ＿（ｋ＋１）に適用する。
　一方、ＥＷ１＞ＥＷであれば、演算装置３３は、放電加工装置１に設定可能なＩＰ＿ｋよりも１段階低い放電電流ピーク値ＩＰ＿（ｋ－１）に対して、Ｒａ＿（ｋ＋１）となる放電電流パルス幅ｔk+1を、面粗さデータ４１から検索する。
　演算装置３３は、電極消耗データ４２を参照し、検索した放電電流パルス幅ｔk+1と放電電流ピーク値ＩＰ＿（ｋ－１）との組み合わせに対応する電極消耗率ＥＷ２を算出する。演算装置３３は、電極消耗率ＥＷ２が所望の電極消耗率ＥＷ以下であるか否かを判定する。
　演算装置３３は、所望の電極消耗率ＥＷを満たす放電電流パルス幅と放電電流ピーク値との組み合わせを見つけるまで、放電電流パルス幅を小さくしていく処理と、放電電流ピーク値を小さくしていく処理とを繰り返す。これにより、演算装置３３は、最終段目を除く全ての加工条件における放電電流ピーク値と放電電流パルス幅との組み合わせを決定することができる。
　演算装置３３は、最終段目の加工条件における放電電流ピーク値と放電電流パルス幅との組み合わせを、最終段目の加工面粗さＲａ＿Ｎと、面粗さデータ４１と、加工表面積の基礎データとに基づいて算出する。
　加工表面積の基礎データは、前述したように、放電電流ピーク値と放電電流パルス幅との組み合わせに対応する加工表面積を示すデータである。以下、加工表面積の基礎データを表面積データという。
　演算装置３３は、面粗さデータ４１から、最終段目の加工面粗さＲａ＿Ｎを得ることができる放電電流ピーク値と放電電流パルス幅との組み合わせを検索する。次に、演算装置３３は、表面積データに基づいて、検索した放電電流ピーク値と放電電流パルス幅との組み合わせに対応する加工表面積を読み出す。演算装置３３は、読み出した加工表面積が、所望の加工表面積を満たすか否かを判定する。
　読み出した加工表面積が、所望の加工表面積を満たさない場合、演算装置３３は、所望の加工表面積を満たす放電電流ピーク値と放電電流パルス幅との組み合わせを検索する。すなわち、演算装置３３は、最終段目の加工面粗さＲａ＿Ｎを得ることができ、且つ所望の加工表面積を満たす放電電流ピーク値と放電電流パルス幅との組み合わせを検索する。演算装置３３は、面粗さデータ４１および表面積データに基づいて、最終段目の加工面粗さＲａ＿Ｎを得ることができ、且つ所望の加工表面積を満たす放電電流ピーク値と放電電流パルス幅との組み合わせを全て抽出する。
　演算装置３３は、所望の加工面粗さＲａ＿Ｎおよび加工表面積を満たす組み合わせのうち、放電電流パルス幅が最も長くなる組み合わせを最終段目の加工条件に決定する。すなわち、演算装置３３は、最終段目の加工条件として、放電電流ピーク値ＩＰ＿Ｎおよび放電電流パルス幅ＯＮ＿Ｎを算出する（ステップＳ７０）。このように、演算装置３３は、放電電流パルス幅が長い加工条件を選択することで、電極消耗率を極力小さくすることが可能となる。
　演算装置３３は、ステップＳ２０からＳ７０の処理で得られた加工条件を、多段の加工条件列に決定する（ステップＳ８０）。加工電源３４は、演算装置３３によって算出された多段の加工条件列に従って、放電電流パルスを生成し、加工極間３６に放電エネルギーを印加する。
　以上の図６で説明した手順によって、演算装置３３は、作業者が所望する、加工面粗さ、電極消耗率、および加工表面積を満たす加工条件を自動で算出することが可能となる。また、演算装置３３は、上記手順によって放電電流ピーク値と放電電流パルス幅との組み合わせを選ぶことにより、所望の加工面粗さ、電極消耗率、加工表面積を満たす最速の加工条件列を設定することができる。すなわち、演算装置３３は、作業者が所望する加工結果を満たす範囲内で最も大きな放電電流ピーク値と、最も小さな放電電流パルス幅の組み合わせを選ぶことにより、加工速度を最大速度に設定することができる。
　なお、演算装置３３は、作業者が所望する加工速度を満たしつつ、最小の電極消耗率となるように加工条件を設定してもよい。この場合、演算装置３３は、電極消耗データ４２の代わりに、放電電流ピーク値と放電電流パルス幅との組み合わせに対する加工速度の基礎データを用いる。そして、演算装置３３は、加工条件列の算出処理の際に、電極消耗率の情報の代わりに加工速度の情報を用いて、上述した処理と同様の処理を実行する。
　このように、実施の形態１では、演算装置３３が、複数回に渡る形彫放電加工として第１段目から最終段目までの加工処理が行われる際の加工条件を、入力装置３１が受け付けた加工結果と、記憶装置３２が記憶している基礎データとに基づいて算出している。そして、入力装置３１が受け付けた加工結果には、加工表面積が含まれている。したがって、加工条件設定装置３０は、入力された被加工物の加工表面積に応じた適切な加工条件を生成することが可能となる。
実施の形態２．
　つぎに、図８を用いて実施の形態２について説明する。実施の形態２にかかる加工条件設定装置３０は、実施の形態１にかかる加工条件設定装置３０と同様の構成を有しているので、その説明は省略する。
　実施の形態１の加工条件設定装置３０は、最終段目の加工条件だけ加工表面積に基づいて、放電電流ピーク値と放電電流パルス幅との組み合わせを決定している。このため、最終段目の加工条件だけ電極消耗率が所望の加工条件を満たさないが、仕上げ加工条件における電極消耗はわずかであるので、場合によっては無視することができる。
　ところが、作業者が極めて高精度な加工を所望する場合、電極消耗率を抑える必要がある。そこで、実施の形態２の加工条件設定装置３０は、所望される加工結果を多段の加工条件列それぞれに対して設定できるようにする。これにより、加工条件設定装置３０は、最終段目の加工条件だけ所望された電極消耗率を超える場合であっても、他段の加工条件列の電極消耗率を所望された値よりも小さく設定することで、加工条件全体の電極消耗量の総和を所望された値に設定することができる。より好ましくは、作業者が手動で多段の加工条件列の全ての電極消耗率を設定するのではなく、加工条件設定装置３０が、実施の形態１で説明した手順で加工条件を算出する。この後、加工条件設定装置３０は、再度電極消耗量を計算する。加工条件設定装置３０の演算装置３３へは、実施の形態１で説明した手順で加工条件を算出した後に再度電極消耗量を計算するロジックが組み込まれる。また、実施の形態２では、所望される加工結果に、加工条件全体の電極消耗量の総和が含まれている。
　図８は、実施の形態２にかかる加工条件設定装置による加工条件列の算出処理手順を示すフローチャートである。図８に示す処理のうち、図６で説明した実施の形態１の加工条件設定装置３０が実行する処理と同様の処理については、その説明を省略する。
　実施の形態２の加工条件設定装置３０が実行するステップＳ１０からＳ７０の処理は、実施の形態１の加工条件設定装置３０が実行するステップＳ１０からＳ７０の処理と同じ処理である。
　実施の形態２の演算装置３３は、全段の加工条件を算出した後、すなわちステップＳ７０の処理の後、電極消耗データ４２に基づいて、放電加工の全体における電極消耗量の総和を算出する。
　演算装置３３は、電極消耗量の総和が、所望された電極消耗量よりも大きいか否かを判定する（ステップＳ７５）。電極消耗量の総和が、所望された電極消耗量以下の場合（ステップＳ７５、Ｎｏ）、演算装置３３は、算出した加工条件をそのまま多段の加工条件列に設定する（ステップＳ８０）。
　一方、電極消耗量の総和が、所望された電極消耗量よりも大きい場合（ステップＳ７５、Ｙｅｓ）、演算装置３３は、最終段目を除く全ての加工条件における電極消耗率の基準値（前述の所望の電極消耗率ＥＷ）を所望された値よりも小さい値に再設定する。すなわち、演算装置３３は、入力された電極消耗率よりも低い値を所望の電極消耗率に設定する（ステップＳ７６）。演算装置３３は、再設定した電極消耗率を用いて、実施の形態１で説明した最大放電電流ピーク値に対する放電電流パルス幅を決定する。そして、演算装置３３は、図８のステップＳ３０からＳ７０の処理を再度実行し、全ての加工条件における放電電流ピーク値と放電電流パルス幅との組み合わせを決定する。このようなステップＳ３０からＳ７０の処理が繰り返されることによって、演算装置３３は、最終段の加工条件のみ所望された電極消耗率を満たさなくても、加工全体として所望された電極消耗量を満たす多段の加工条件列を自動で算出することが可能となる。
　このように実施の形態２によれば、加工条件設定装置３０が、所望される加工結果を多段の加工条件列それぞれに対して設定可能としているので、加工全体として所望された加工結果を満たす多段の加工条件列を算出することが可能となる。
実施の形態３．
　つぎに、実施の形態３について説明する。実施の形態３では、特定の放電加工装置１が実測した実測値を元に生成された基礎データを、全ての放電加工装置１に記憶させておき、放電加工装置１毎に異なる基礎データは記憶させない。
　放電加工装置１が複数台ある場合、各放電加工装置１の記憶装置３２に記憶させる基礎データは、特定の１台の放電加工装置１で取得された基礎データであることが望ましい。すなわち、ある１台の放電加工装置１にて取得された放電電流ピーク値および放電電流パルス幅の実測値に対応した各加工結果のデータが、全ての放電加工装置１が用いる基礎データであることが望ましい。換言すると、各放電加工装置１が用いる基礎データは、特定の放電加工装置１から得られた基礎データであることが望ましい。
　特定の放電加工装置１に設定された設定値に基づいた基礎データを別の放電加工装置１に記憶させた場合、放電加工装置１ごとの電気回路的なばらつきによって、別の放電加工装置１では、放電電流ピーク値および放電電流パルス幅に差が生じてしまう。すなわち、放電電流ピーク値および放電電流パルス幅は、放電加工装置１毎に誤差を有している。このため、各放電加工装置１では、基礎データと実加工結果との間に誤差が生じてしまう可能性がある。
　実施の形態３では、それぞれの放電加工装置１に対し、特定の放電加工装置１が実測した実測値を元に生成された基礎データを記憶させておく。これにより、放電加工装置１ごとに放電電流ピーク値および放電電流パルス幅に差異が生じたとしても、基礎データに数値的な補正をかけることで、放電加工装置１ごとに適した基礎データへ変換することが可能になる。
　このように実施の形態３によれば、特定の放電加工装置１が実測した実測値を元に生成された基礎データを、他の放電加工装置１に記憶させるので、他の放電加工装置１は、基礎データに数値的な補正をかけることで、自装置に適した基礎データに変換することが可能になる。
実施の形態４．
　つぎに、図９から図１３を用いて実施の形態４について説明する。実施の形態１から３の放電加工装置１は、基礎データに基づいた所望の加工結果を満たす理論的に加工速度が最も速くなる加工条件を自動で設定することができる。ところが、実際には工具電極に使用される材料、加工極間３６の加工屑の状態などによって、最速となる加工条件が変化する可能性が考えられる。そこで、実施の形態４では、加工条件に対する加工中の加工速度を学習する。すなわち、放電加工装置１は、入力された基礎データに基づいて、加工結果が作業者の所望する値を満たす放電電流ピーク値と放電電流パルス幅との組み合わせの中から、加工速度が最速となるものを検索する。実施の形態４において、作業者が所望する加工結果は、電極消耗率、加工面粗さ、および加工表面積である。
＜学習フェーズ＞
　図９は、実施の形態４にかかる学習装置の構成例を示すブロック図である。学習装置５０は、放電加工装置１に、所望された加工結果を満たす範囲内で、加工速度が最大となる放電電流ピーク値および放電電流パルス幅を提供するための学習済モデル７１を学習するコンピュータである。学習装置５０は、データ取得部５１、およびモデル生成部５２を備えている。
　データ取得部５１は、加工軸の位置と、加工軸の位置に対応する放電電流ピーク値と、加工軸の位置に対応する放電電流パルス幅とを学習用データとして取得する。加工軸の位置は、加工速度に対応する情報である。データ取得部５１が学習用データとして取得するデータは、加工の際に実際に用いられたデータである。データ取得部５１が第１のデータ取得部である。
　モデル生成部５２は、放電電流ピーク値、放電電流パルス幅、および加工軸の位置を含む学習用データに基づいて、学習用に設定された放電電流ピーク値および放電電流パルス幅に対する加工速度を学習する。すなわち、モデル生成部５２は、放電加工装置１の加工軸の位置から、学習用に設定された放電電流ピーク値および放電電流パルス幅に対する加工速度を推論する学習済モデル７１を生成する。
　モデル生成部５２は、教師あり学習、教師なし学習、強化学習等の公知の学習アルゴリズムを用いることができる。一例として、モデル生成部５２に強化学習（Reinforcement　Learning）を適用した場合について説明する。強化学習では、ある環境内におけるエージェント（行動主体）が、現在の状態（環境のパラメータ）を観測し、取るべき行動を決定する。エージェントの行動により環境が動的に変化し、エージェントには環境の変化に応じて報酬が与えられる。エージェントはこれを繰り返し、一連の行動を通じて報酬が最も多く得られる行動方針を学習する。強化学習の代表的な手法として、Ｑ学習（Q-learning）やＴＤ学習（TD－learning）が知られている。例えば、Ｑ学習の場合、行動価値関数Ｑ（ｓ，ａ）の一般的な更新式は以下の式（１）で表される。
Figure JPOXMLDOC01-appb-M000001
　式（１）において、ｓtは時刻ｔにおける環境の状態を表し、ａtは時刻ｔにおける行動を表す。行動ａtにより、状態はｓt+1に変わる。ｒt+1はその状態の変化によってもらえる報酬を表し、γは割引率を表し、αは学習係数を表す。なお、γは０＜γ≦１、αは０＜α≦１の範囲とする。加工軸の位置に対応する放電電流ピーク値および放電電流パルス幅が行動ａtとなり、加工軸の位置が状態ｓtとなり、モデル生成部５２は、時刻ｔの状態ｓtにおける最良の行動ａtを学習する。
　式（１）で表される更新式は、時刻ｔ＋１における最もＱ値の高い行動ａの行動価値Ｑが、時刻ｔにおいて実行された行動ａの行動価値Ｑよりも大きければ、行動価値Ｑを大きくし、逆の場合は、行動価値Ｑを小さくする。換言すれば、時刻ｔにおける行動ａの行動価値Ｑを、時刻ｔ＋１における最良の行動価値に近づけるように、行動価値関数Ｑ（ｓ，ａ）を更新する。それにより、或る環境における最良の行動価値が、それ以前の環境における行動価値に順次伝播していくようになる。
　上記のように、強化学習によって学習済モデル７１を生成する場合、モデル生成部５２は、報酬計算部５３と、関数更新部５４と、を備えている。
　報酬計算部５３は、放電電流ピーク値、放電電流パルス幅、および加工軸の位置に基づいて報酬を計算する。報酬計算部５３は、加工速度基準に基づいて、報酬ｒを計算する。報酬計算部５３は、例えば、加工速度が増加する場合（報酬増大基準を満たす場合）には報酬ｒを増大させ（例えば「１」の報酬を与える）、他方、加工速度が減少する場合（報酬減少基準を満たす場合）には報酬ｒを低減する（例えば「－１」の報酬を与える）。
　関数更新部５４は、報酬計算部５３によって計算される報酬に従って、加工速度を決定するための関数を更新し、学習装置５０の外部に配置された学習済モデル記憶部７０に出力する。例えばＱ学習の場合、関数更新部５４は、式（１）で表される行動価値関数Ｑ（ｓt，ａt）を、学習用に設定された放電電流ピーク値および放電電流パルス幅に対する加工速度を算出するための関数として用いる。
　関数更新部５４は、以上のような学習を繰り返し実行する。学習済モデル記憶部７０は、関数更新部５４によって更新された行動価値関数Ｑ（ｓt，ａt）、すなわち、学習済モデル７１を記憶する。
　次に、図１０を用いて、学習装置５０による学習処理の処理手順について説明する。図１０は、実施の形態４にかかる学習装置による学習処理の処理手順を示すフローチャートである。データ取得部５１は、放電電流ピーク値、放電電流パルス幅、および加工軸の位置を学習用データとして取得する（ステップＳ１１０）。
　モデル生成部５２は、放電電流ピーク値、放電電流パルス幅、および加工軸の位置に基づいて、報酬を計算する（ステップＳ１２０）。具体的には、報酬計算部５３は、放電電流ピーク値、放電電流パルス幅、および加工軸の位置を取得し、加工軸の位置から加工速度を算出し、予め定められた加工速度基準（報酬基準）に基づいて報酬を増やすか、または報酬を減らすかを判断する。加工速度基準は、加工速度が大きくなったか小さくなったかである。
　報酬計算部５３は、報酬を増やすと判断した場合に報酬を増やし、報酬を減らすと判断した場合に報酬を減らす。すなわち、報酬計算部５３は、加工軸の位置から算出した加工速度が増加した場合に報酬を増やす（ステップＳ１３０）。一方、報酬計算部５３は、加工軸の位置から算出した加工速度が減少した場合に報酬を減らす（ステップＳ１４０）。なお、報酬計算部５３は、加工速度に変化が無かった場合は、報酬を増減させなくてもよい。
　関数更新部５４は、報酬計算部５３によって計算された報酬に基づいて、学習済モデル記憶部７０が記憶する式（１）で表される行動価値関数Ｑ（ｓt，ａt）を更新する（ステップＳ１５０）。これにより、放電電流ピーク値および放電電流パルス幅に対応する加工速度が学習される。
　学習装置５０は、以上のステップＳ１１０からＳ１５０までのステップを繰り返し実行し、生成された行動価値関数Ｑ（ｓt，ａt）を、学習済モデル７１として学習済モデル記憶部７０に記憶させる。
　実施の形態４にかかる学習装置５０は、学習済モデル７１を学習装置５０の外部に設けられた学習済モデル記憶部７０に記憶するものとしたが、学習済モデル記憶部７０を学習装置５０の内部に備えていてもよい。
＜活用フェーズ＞
　図１１は、実施の形態４にかかる推論装置の構成例を示すブロック図である。推論装置６０は、データ取得部６１と、推論部６２とを備えている。データ取得部６１が第２のデータ取得部である。
　データ取得部６１は、加工速度を推論するためのデータとして放電電流ピーク値および放電電流パルス幅を取得する。データ取得部６１は、例えば、図４および図５で説明した放電電流ピーク値および放電電流パルス幅を取得する。
　推論部６２は、学習済モデル記憶部７０が記憶している学習済モデル７１を利用して、放電電流ピーク値および放電電流パルス幅に対応する加工速度を推論する。すなわち、推論部６２は、この学習済モデル７１にデータ取得部６１が取得した、放電電流ピーク値および放電電流パルス幅を入力することで、放電電流ピーク値および放電電流パルス幅に適した加工速度を推論することができる。推論部６２は、得られた加工速度を放電加工装置１の記憶装置３２に出力する。
　なお、本実施の形態では、推論装置６０が、学習装置５０のモデル生成部５２で学習した学習済モデル７１を用いる場合について説明したが、推論装置６０は、他の学習装置５０から取得した学習済モデル７１を用いてもよい。この場合も、推論装置６０は、他の学習装置５０から取得した学習済モデル７１に基づいて、加工速度を出力する。他の学習装置５０は、放電加工装置１とは異なる他の放電加工装置から学習済モデル７１を学習する装置である。すなわち、推論装置６０は、他の放電加工装置で学習された学習済モデル７１を用いて、放電電流ピーク値および放電電流パルス幅に適した加工速度を推論してもよい。
　次に、図１２を用いて、推論装置６０による推論処理の処理手順について説明する。図１２は、実施の形態４にかかる推論装置による推論処理の処理手順を示すフローチャートである。データ取得部６１は、加工速度を推論するためのデータである推論用データを取得する（ステップＳ２１０）。具体的には、データ取得部６１は、推論用に設定された放電電流ピーク値および放電電流パルス幅を取得する。
　推論部６２は、学習済モデル記憶部７０が記憶している学習済モデル７１に、放電電流ピーク値および放電電流パルス幅を入力し（ステップＳ２２０）、放電電流ピーク値および放電電流パルス幅に対する加工速度を得る。
　推論部６２は、得られたデータ、すなわち放電電流ピーク値および放電電流パルス幅に対する加工速度を放電加工装置１に出力する（ステップＳ２３０）。
　放電加工装置１の記憶装置３２は、出力された、放電電流ピーク値および放電電流パルス幅に対する加工速度を学習結果として記憶する（ステップＳ２４０）。推論部６２は、所望された加工結果を満たす放電電流ピーク値と放電電流パルス幅との組み合わせのうち、データ未取得の組み合わせがあるか否かを判定する（ステップＳ２５０）。
　データ未取得の組み合わせがある場合（ステップＳ２５０、Ｙｅｓ）、推論部６２は、加工速度の推論に用いる放電電流ピーク値および放電電流パルス幅の組み合わせを変更する（ステップＳ２６０）。すなわち、推論部６２は、放電電流ピーク値および放電電流パルス幅の組み合わせを、データ未取得の放電電流ピーク値と放電電流パルス幅との組み合わせに変更し、推論用データに設定する。
　推論装置６０は、データ未取得の組み合わせが無くなるまで、ステップＳ２１０からＳ２６０までの処理を繰り返す。データ未取得の組み合わせが無くなると（ステップＳ２５０、Ｎｏ）、推論部６２は、学習結果として記憶しておいた加工速度の中から、加工速度が最大となる放電電流ピーク値と放電電流パルス幅との組み合わせを検索する。すなわち、推論部６２は、所望された加工結果を満たす範囲内で加工速度が最大となる放電電流ピーク値と放電電流パルス幅との組み合わせを検索する。
　推論部６２は、検索した放電電流ピーク値と放電電流パルス幅との組み合わせを放電加工装置１の記憶装置３２に送る。記憶装置３２は、所望された加工結果を満たす範囲内で加工速度が最大となる放電電流ピーク値と放電電流パルス幅との組み合わせを記憶する。これにより、放電加工装置１は、推論装置６０から送られてきた放電電流ピーク値と放電電流パルス幅との組み合わせを、放電加工時に用いるパラメータに設定する（ステップＳ２７０）。放電加工装置１は、記憶装置３２が記憶している、加工速度が最大となる放電電流ピーク値と放電電流パルス幅との組み合わせを用いて放電加工を実行する。
　なお、実施の形態４では、推論部６２が用いる学習アルゴリズムに強化学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、強化学習以外にも、教師あり学習、教師なし学習、又は半教師あり学習等を適用することも可能である。
　また、モデル生成部５２に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep　Learning）を用いることもできる。モデル生成部５２は、他の公知の方法、例えばニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。
　なお、学習装置５０および推論装置６０は、例えば、ネットワークを介して放電加工装置１に接続された、この放電加工装置１とは別個の装置であってもよい。また、学習装置５０および推論装置６０の少なくとも一方は、放電加工装置１に内蔵されていてもよい。さらに、学習装置５０および推論装置６０は、クラウドサーバ上に存在していてもよい。
　また、モデル生成部５２は、複数の放電加工装置１から取得される学習用データを用いて、放電電流ピーク値と放電電流パルス幅との組み合わせに対する加工速度を学習するようにしてもよい。なお、モデル生成部５２は、同一のエリアで使用される複数の放電加工装置１から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の放電加工装置１から収集される学習用データを利用して放電電流ピーク値および放電電流パルス幅に対する加工速度を学習してもよい。また、学習用データを収集する放電加工装置１を途中で対象に追加すること、または対象から除去することも可能である。さらに、ある放電加工装置に関して、放電電流ピーク値および放電電流パルス幅に対する加工速度を学習した学習装置を、これとは別の放電加工装置１に適用し、当該別の放電加工装置１に関して放電電流ピーク値および放電電流パルス幅に対する加工速度を再学習して更新するようにしてもよい。
　ここで、学習装置５０および推論装置６０のハードウェア構成について説明する。学習装置５０および推論装置６０は、同様のハードウェア構成を有しているので、以下では、学習装置５０のハードウェア構成について説明する。
　図１３は、実施の形態４にかかる学習装置を実現するハードウェア構成例を示す図である。学習装置５０は、プロセッサ９１、メモリ９２、出力装置９３、および入力装置９４により実現することができる。
　プロセッサ９１の例は、ＣＰＵ（Central　Processing　Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital　Signal　Processor）ともいう）またはシステムＬＳＩ（Large　Scale　Integration）である。メモリ９２の例は、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）である。
　学習装置５０は、プロセッサ９１が、メモリ９２で記憶されている学習装置５０の動作を実行するための、コンピュータで実行可能な、学習プログラムを読み出して実行することにより実現される。学習装置５０の動作を実行するための学習プログラムは、学習装置５０の手順または方法をコンピュータに実行させるものであるともいえる。学習装置５０の動作を実行するための学習プログラムには、加工速度を学習するためのプログラムなどが含まれている。
　学習装置５０で実行される学習プログラムは、モデル生成部５２を含むモジュール構成となっており、これらが主記憶装置上にロードされ、これらが主記憶装置上に生成される。
　入力装置９４は、放電電流ピーク値、放電電流パルス幅、および加工軸の位置などを受け付けてプロセッサ９１に送る。メモリ９２は、面粗さデータ４１、電極消耗データ４２といった基礎データなどを記憶する。また、メモリ９２は、プロセッサ９１が各種処理を実行する際の一時メモリに使用される。出力装置９３は、プロセッサ９１が生成した加工速度を加工電源３４に出力する。
　学習プログラムは、インストール可能な形式または実行可能な形式のファイルで、コンピュータが読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されてもよい。また、学習プログラムは、インターネットなどのネットワーク経由で学習装置５０に提供されてもよい。なお、学習装置５０の機能について、一部を専用回路などの専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。なお、加工条件設定装置３０も、学習装置５０と同様のハードウェア構成を有している。
　このように実施の形態４では、学習装置５０が、放電加工装置１の加工軸の位置、設定された放電電流ピーク値および放電電流パルス幅に基づいて、加工速度を推論する学習済モデル７１を生成している。また、推論装置６０が、学習済モデル７１を用いて、放電加工装置１の加工軸の位置、設定された放電電流ピーク値および放電電流パルス幅から、加工速度を推論している。これにより、放電加工装置１の加工軸の位置に応じた、設定された放電電流ピーク値および放電電流パルス幅に対する加工速度を取得することが可能となる。推論装置６０は、加工速度が最大となる放電電流ピーク値と放電電流パルス幅との組み合わせを放電加工に適用することで、所望された加工結果を満たしつつ短時間で放電加工を実行することが可能となる。
　以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
　１　放電加工装置、１１，１２　放電電流波形、１３，１４　加工面、２１，２２　加工面質、２３～２６　対応関係、３０　加工条件設定装置、３１，９４　入力装置、３２　記憶装置、３３　演算装置、３４　加工電源、３５　加工機構、３６　加工極間、４１　面粗さデータ、４２　電極消耗データ、５０　学習装置、５１，６１　データ取得部、５２　モデル生成部、５３　報酬計算部、５４　関数更新部、６０　推論装置、６２　推論部、７０　学習済モデル記憶部、７１　学習済モデル、９１　プロセッサ、９２　メモリ、９３　出力装置。

Claims (10)

  1. 　形彫放電加工に対して所望される加工結果として、工具電極の消耗率である電極消耗率、加工速度、被加工物の加工面の粗さである加工面粗さ、および前記被加工物の加工面内の特定領域の面積に対する実際の加工面の表面積比を受け付ける入力装置と、
    　予め取得された前記形彫放電加工の放電電流ピーク値と放電電流パルス幅との組み合わせに対する、前記加工結果の理論的な相関を示す基礎データを記憶する記憶装置と、
    　複数回に渡る前記形彫放電加工として第１段目から最終段目までの加工処理が行われる際の前記第１段目から前記最終段目までの加工条件を、前記入力装置が受け付けた前記加工結果と、前記記憶装置が記憶している前記基礎データとに基づいて算出する演算装置と、
    　を備える、
    　ことを特徴とする加工条件設定装置。
  2. 　前記加工結果は、物理量を示す情報である、
    　ことを特徴とする請求項１に記載の加工条件設定装置。
  3. 　前記入力装置は、前記形彫放電加工毎に前記加工結果を受け付ける、
    　ことを特徴とする請求項１または２に記載の加工条件設定装置。
  4. 　前記演算装置は、複数回に渡る前記形彫放電加工のうちの前記最終段目の加工処理において前記電極消耗率が前記加工結果を満たさない場合、前記最終段目よりも前段の加工処理に対して前記電極消耗率を下げたうえで前記第１段目から前記最終段目までの加工条件を算出する、
    　ことを特徴とする請求項３に記載の加工条件設定装置。
  5. 　前記加工結果は、前記形彫放電加工における前記工具電極の消耗量の総和を含み、
    　前記演算装置は、前記第１段目から前記最終段目までの電極消耗量の総和が、前記加工結果を満たす前記加工条件を算出する、
    　ことを特徴とする請求項４に記載の加工条件設定装置。
  6. 　前記基礎データは、予め前記形彫放電加工が実行された際の実測値に基づいて生成されたデータである、
    　ことを特徴とする請求項１から５の何れか１つに記載の加工条件設定装置。
  7. 　前記形彫放電加工の加工速度を学習する学習装置をさらに備え、
    　前記学習装置は、
    　前記加工条件を用いて前記形彫放電加工を行う形彫放電加工装置の加工軸の位置と、前記加工軸の位置における前記放電電流ピーク値および前記放電電流パルス幅とを含む学習用データを取得する第１のデータ取得部と、
    　前記学習用データを用いて、前記放電電流ピーク値および前記放電電流パルス幅から、前記放電電流ピーク値および前記放電電流パルス幅に対応する加工速度を推論するための学習済モデルを生成するモデル生成部と、
    　を有する、
    　ことを特徴とする請求項１から６の何れか１つに記載の加工条件設定装置。
  8. 　前記学習済モデルを用いて前記加工速度を推論する推論装置をさらに備え、
    　前記推論装置は、
    　前記加工軸の位置における前記放電電流ピーク値および前記放電電流パルス幅を取得する第２のデータ取得部と、
    　前記学習済モデルを用いて、前記第２のデータ取得部が取得した前記放電電流ピーク値および前記放電電流パルス幅に対応する前記加工速度を推論して出力する推論部と、
    　を有する、
    　ことを特徴とする請求項７に記載の加工条件設定装置。
  9. 　記憶装置が、予め取得された形彫放電加工の放電電流ピーク値と放電電流パルス幅との組み合わせに対する、前記形彫放電加工の加工結果の理論的な相関を示す基礎データを記憶する記憶ステップと、
    　入力装置が、形彫放電加工に対して所望される加工結果として、工具電極の消耗率である電極消耗率、加工速度、被加工物の加工面の粗さである加工面粗さ、および前記被加工物の加工面内の特定領域の面積に対する実際の加工面の表面積比を受け付ける入力ステップと、
    　演算装置が、複数回に渡る前記形彫放電加工として第１段目から最終段目までの加工処理が行われる際の前記第１段目から前記最終段目までの加工条件を、前記入力装置が受け付けた前記加工結果と、前記記憶装置が記憶している前記基礎データとに基づいて算出する演算ステップと、
    　を含む、
    　ことを特徴とする加工条件設定方法。
  10. 　形彫放電加工を行う加工機構と、
    　前記加工機構が用いる加工条件を設定する加工条件設定装置と、
    　を有し、
    　前記加工条件設定装置は、
    　形彫放電加工に対して所望される加工結果として、工具電極の消耗率である電極消耗率、加工速度、被加工物の加工面の粗さである加工面粗さ、および前記被加工物の加工面内の特定領域の面積に対する実際の加工面の表面積比を受け付ける入力装置と、
    　予め取得された前記形彫放電加工の放電電流ピーク値と放電電流パルス幅との組み合わせに対する、前記加工結果の理論的な相関を示す基礎データを記憶する記憶装置と、
    　複数回に渡る前記形彫放電加工として第１段目から最終段目までの加工処理が行われる際の前記第１段目から前記最終段目までの前記加工条件を、前記入力装置が受け付けた前記加工結果と、前記記憶装置が記憶している前記基礎データとに基づいて算出する演算装置と、
    　を備える、
    　ことを特徴とする放電加工装置。
PCT/JP2021/015133 2021-04-12 2021-04-12 加工条件設定装置、加工条件設定方法、および放電加工装置 WO2022219670A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202180072650.5A CN116438028B (zh) 2021-04-12 2021-04-12 加工条件设定装置、加工条件设定方法及放电加工装置
PCT/JP2021/015133 WO2022219670A1 (ja) 2021-04-12 2021-04-12 加工条件設定装置、加工条件設定方法、および放電加工装置
JP2021541440A JP6952941B1 (ja) 2021-04-12 2021-04-12 加工条件設定装置、加工条件設定方法、および放電加工装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/015133 WO2022219670A1 (ja) 2021-04-12 2021-04-12 加工条件設定装置、加工条件設定方法、および放電加工装置

Publications (1)

Publication Number Publication Date
WO2022219670A1 true WO2022219670A1 (ja) 2022-10-20

Family

ID=78150257

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/015133 WO2022219670A1 (ja) 2021-04-12 2021-04-12 加工条件設定装置、加工条件設定方法、および放電加工装置

Country Status (3)

Country Link
JP (1) JP6952941B1 (ja)
CN (1) CN116438028B (ja)
WO (1) WO2022219670A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05233044A (ja) * 1992-02-18 1993-09-10 Mitsubishi Electric Corp 加工条件生成装置並びに加工条件生成方式
JP2013158862A (ja) * 2012-02-02 2013-08-19 Sodick Co Ltd 形彫放電加工における加工条件設定支援装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2892028B2 (ja) * 1989-02-20 1999-05-17 日立精工株式会社 放電加工装置
JP3542233B2 (ja) * 1996-05-16 2004-07-14 株式会社ソディック 形彫放電加工方法及び装置
JP3807189B2 (ja) * 2000-03-28 2006-08-09 三菱電機株式会社 放電による追加工方法及び装置
JP4498722B2 (ja) * 2003-11-19 2010-07-07 株式会社ソディック 放電加工方法および放電加工装置
JPWO2009101688A1 (ja) * 2008-02-14 2011-06-02 三菱電機株式会社 放電加工装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05233044A (ja) * 1992-02-18 1993-09-10 Mitsubishi Electric Corp 加工条件生成装置並びに加工条件生成方式
JP2013158862A (ja) * 2012-02-02 2013-08-19 Sodick Co Ltd 形彫放電加工における加工条件設定支援装置

Also Published As

Publication number Publication date
CN116438028B (zh) 2024-02-20
JP6952941B1 (ja) 2021-10-27
CN116438028A (zh) 2023-07-14
JPWO2022219670A1 (ja) 2022-10-20

Similar Documents

Publication Publication Date Title
CN108227482B (zh) 控制***以及机器学习装置
JP6063013B1 (ja) びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
JP6457563B2 (ja) 数値制御装置及び機械学習装置
JP6348098B2 (ja) 機械学習を使った中子の溶着位置決定機能を備えたワイヤ放電加工機のシミュレーション装置
JP2017042882A (ja) 加工条件を調整しながら加工を行うワイヤ放電加工機
JP3743247B2 (ja) ニューラルネットワークによる予測装置
CN110376965B (zh) 机器学习装置、控制装置以及机器学习方法
CN111857052B (zh) 机器学习装置、数值控制***以及机器学习方法
JP2017030067A (ja) 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
JP7158604B1 (ja) 数値制御装置、学習装置、推論装置、および数値制御方法
JP2018073097A (ja) 工具経路生成装置、工具経路生成方法及び工具経路生成プログラム
CN116500986A (zh) 一种分布式作业车间的优先调度规则生成方法及***
JP2018130798A (ja) 数値制御装置
WO2022219670A1 (ja) 加工条件設定装置、加工条件設定方法、および放電加工装置
CN107491036B (zh) 机床加工能耗控制方法及加工机床
JP7171538B2 (ja) 工具条件決定装置、学習装置、および方法
WO2020255370A1 (ja) 加工条件探索装置およびワイヤ放電加工機
JP6880350B1 (ja) 学習装置、放電加工機および学習方法
WO2022153936A1 (ja) 機械学習装置
CN112394640B (zh) 参数整定方法、装置、存储介质及参数整定单元
JP6739690B1 (ja) 制御装置、放電加工機、および機械学習装置
Tomislav et al. GPU implementation of the feedforward neural network with modified Levenberg-Marquardt algorithm
JP7204952B1 (ja) 加工条件探索装置および加工条件探索方法
WO2023203933A1 (ja) 情報処理方法、情報最適化方法、情報処理装置、及びプログラム
CN110209133B (zh) 带恶化维护时长的单机生产调度方法及***

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021541440

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21936874

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21936874

Country of ref document: EP

Kind code of ref document: A1