1.本发明涉及对加工条件进行探索的加工条件探索装置及加工条件探索方法。
背景技术：2.通常来说，通过在加工机设定的加工条件而得到不同的加工结果，另外，即使是同一加工条件，通过表示加工机的状态及工件的状态的加工状态的变化，也会得到不同的加工结果。因此，为了得到满足加工的要求规格的加工结果，需要对与加工状态相对应的适当的加工条件进行探索。
3.与此相对，例如在专利文献1中记载了对通过加工机械得到的工件的加工结果进行预测的控制装置。该控制装置通过使用表示状态变量和判定数据之间的相关关系的学习模型，从而预测状态量的变化会对加工结果造成的影响，该状态变量表示状态量的变化，该状态量表示加工状态，该判定数据表示加工结果。
4.专利文献1：日本特开2019－32649号公报
技术实现要素：5.如果加工状态变化，则即使在加工机设定的加工条件相同，也会成为不同的加工结果，加工条件和通过该加工条件实施的加工的评价值之间的关系性也会发生变化。因此，为了使用在专利文献1中记载的控制装置对满足加工的要求规格的加工条件进行探索，存在需要构建学习模型的课题，该学习模型事先对大量的学习用数据进行收集，能够高精度地预测加工状态的变化对加工结果造成的影响。
6.本发明就是为了解决上述课题而提出的，其目的在于得到不事先对大量的数据进行收集而构建学习模型，就能够对加工条件进行探索的加工条件探索装置及加工条件探索方法。
7.本发明所涉及的加工条件探索装置具有：加工条件生成部，其生成对加工机设定的加工条件；加工状态收集部，其对表示按照加工条件而实施加工的加工机、加工对象的工件及加工机的设置环境的各状态的加工状态进行收集；加工结果收集部，其对按照加工条件而实施的加工的加工结果进行收集；加工结果评价部，其基于由加工结果收集部收集到的加工结果，对按照加工条件而实施的加工的评价值进行计算；评价值预测模型，其基于由加工条件生成部生成的加工条件、由加工状态收集部收集到的加工状态及由加工结果评价部计算出的评价值，对与未试行的加工条件相对应的评价值进行预测；以及模型构建部，其基于加工条件和评价值之间的关系性的变化程度而构建评价值预测模型，针对评价值预测模型而进行与加工状态相对应的加权，加工条件生成部使用由评价值预测模型计算出的评价值的预测值，生成接下来应该试行的加工条件，直至由加工条件生成部判定为结束加工条件的探索为止，重复进行加工状态收集部、加工结果收集部、加工结果评价部、评价值预测模型及模型构建部所涉及的各处理。
8.发明的效果
9.根据本发明，基于在加工机设定的加工条件、加工状态及加工的评价值，对与未试行的加工条件相对应的评价值进行预测，基于加工条件和评价值之间的关系性的变化程度，构建评价值预测模型，针对评价值预测模型而进行与加工状态相对应的加权。即使在通过加工状态的变化而加工条件和评价值之间的关系性发生变化的情况下，也与其变化的程度相应地新构建评价值预测模型，针对评价值预测模型而进行与加工状态相对应的加权。由此，本发明所涉及的加工条件探索装置不事先对大量的数据进行收集而构建学习模型，就能够对加工条件进行探索。
附图说明
10.图1是表示实施方式1所涉及的加工条件探索装置的结构的框图。
11.图2是表示实施方式1所涉及的加工条件探索方法的流程图。
12.图3是表示加工条件、与其相对应的评价值的预测值和表示评价值的预测的不可靠性的指标之间的关系的曲线图。
13.图4a是表示实现实施方式1所涉及的加工条件探索装置的功能的硬件结构的框图，图4b是表示执行实现实施方式1所涉及的加工条件探索装置的功能的软件的硬件结构的框图。
具体实施方式
14.实施方式1.
15.图1是表示实施方式1所涉及的加工条件探索装置1的结构的框图。加工条件探索装置1从能够设置于加工机2的许多加工条件对最佳的加工条件进行探索，将探索结果的加工条件设定于加工机2。最佳的加工条件例如是能够得到满足加工的要求规格的加工结果的加工条件。另外，显示部3对由加工条件探索装置1探索出的加工条件等进行显示。例如，显示部3对在加工机2设定的加工条件和按照该加工条件由加工机2实施的加工的评价值进行显示。
16.加工机2是按照加工条件而实施加工的工业用装置，例如针对由金属构成的加工对象物进行切削或者研磨，或利用电气或者其他能量将不需要的部分去除，由此将加工对象物设为期望的形状。加工对象物并不限于金属，也可以是陶瓷、玻璃或者木材。加工机2例如存在激光加工机、放电加工机、切削加工机、磨削加工机、电解加工机、超声波加工机或者电子束加工机。下面的说明设为加工机2是放电加工机，特别是形雕放电加工机。
17.加工条件由在加工机2的控制中使用的多个控制参数的组合构成。通常来说，如果加工条件不同，则加工结果不同。另外，即使在加工机2设定的加工条件相同，由于表示加工中的加工机2、加工对象的工件及加工机2的设置环境的各状态的加工状态的变化，有时也会得到不同的加工结果。即，为了得到满足加工的要求规格的最佳的加工结果，需要对与加工状态相对应的适当的加工条件进行探索。
18.例如，在形雕放电加工机的加工中能够调整的控制参数存在3个，在能够通过10档对各控制参数的值进行选择的情况下，由各控制参数的组合构成的加工条件存在103＝1000种。与此相对，加工条件探索装置1不是依次对能够设定于加工机2的许多加工条件进行探索，而是与加工状态的变化相应地缩小探索对象的加工条件的数量，因此加工条件的
探索的试行次数减少。
19.在图1中，加工条件探索装置1具有加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16。另外，加工条件探索装置1具有加工状态存储部17a、探索结果存储部17b、模型存储部17c、预测结果存储部17d及不可靠性存储部17e。此外，存储部17a～17e的全部或者其一部分也可以是独立于加工条件探索装置1而设置的外部装置所具有。
20.加工条件生成部11生成加工条件，将生成的加工条件设定于加工机2。加工条件生成部11具有加工条件计算部11a、实际加工指令部11b及探索结束判定部11c。
21.加工条件计算部11a对在加工机2设定的加工条件进行计算。例如，加工条件计算部11a从加工机2的多个控制参数及这些控制参数可取得的值的范围的组合，对与加工内容相对应的组合进行选择，根据选择出的组合对加工条件进行计算。控制参数例如是激光输出、切断速度、光束倍率、焦点位置、气体压力。
22.实际加工指令部11b使加工机2实施基于由加工条件计算部11a计算出的加工条件的加工。例如，实际加工指令部11b基于由加工条件计算部11a计算出的加工条件，生成用于使加工机2动作的指令，将生成的指令向加工机2输出。
23.探索结束判定部11c基于在预测结果存储部17d或者不可靠性存储部17e中存储的数据，判定是否结束加工条件的探索。在由探索结束判定部11c判定为需要追加进行加工条件的探索的情况下，加工条件计算部11a生成接下来应该实施加工的加工条件。另外，在判定为无需追加进行加工条件的探索的情况下，加工条件计算部11a使用在预测结果存储部17d中存储的评价值的预测结果，将预测为最高的评价值的加工条件决定为最佳的加工条件。
24.加工状态收集部12对表示由加工机2实施的加工的加工状态的数据进行收集。在加工状态中包含加工机2的状态、加工对象的工件的状态及加工机2的设置环境的状态。例如，加工状态是如加工机2的温度、工件的温度、工件的厚度及加工机2的设置环境即室内的温度或者湿度这样会对加工结果造成影响，但用户无法控制的状态。表示加工状态的数据是将加工状态所示的各状态进行数值化后的状态量。由加工状态收集部12收集到的数据存储于加工状态存储部17a。
25.加工结果收集部13从加工机2对按照加工条件而实施的加工的加工结果进行收集。例如，加工结果收集部13对与在加工中及加工后得到的加工相关的信息进行收集。在与加工处理相关的信息中，例如存在加工中观测到的声音或者光的检测数据、放电脉冲数或者加工后的工件的表面状态。
26.加工结果评价部14基于由加工结果收集部13收集到的加工结果，对由加工机2按照加工条件而实施的加工的评价值进行计算。评价值是加工的合格与否的评价值，例如是0至1的值。评价值越大，则表示加工结果越好。在进行了最好的加工的情况下评价值成为1，进行了最差的加工的情况下的评价值成为0。另外，加工结果评价部14将加工条件和评价值的组合作为探索结果而存储于探索结果存储部17b。探索结果存储部17b对探索结果进行存储。
27.模型构建部15基于加工条件和评价值之间的关系性的变化程度而构建评价值预测模型16，针对评价值预测模型16而进行与加工状态相对应的加权。例如，模型构建部15基
于在加工状态存储部17a中存储的表示加工状态的信息和在探索结果存储部17b中存储的评价值，对加工条件和评价值之间的关系性的变化程度进行计算。模型构建部15在加工条件和评价值之间的关系性的变化程度大于或等于阈值的情况下，判断为发生了应该新构建评价值预测模型的加工状态的变化，构建评价值预测模型。
28.另外，模型构建部15与加工状态相应地针对评价值预测模型16而实施加权。例如，由多个评价值预测模型16得到的各评价值的预测值，通过与将评价值预测模型16所对应的加工状态进行数值化后的状态量的大小相对应的加权而合并。在合并后的评价值的预测值中，加权越大的评价值预测模型16，则其预测结果越被重视。
29.评价值预测模型16基于由加工条件生成部11生成的加工条件、由加工状态收集部12收集到的加工状态及由加工结果评价部14计算出的评价值，对与未试行的加工条件相对应的评价值进行预测。在图1中，评价值预测模型16具有评价值预测部16a及不可靠性评价部16b。
30.评价值预测部16a基于在探索结果存储部17b中存储的加工条件和与其相对应的评价值，对与未试行(没有实施加工)的加工条件相对应的评价值进行预测。另外，评价值预测部16a将加工条件及与其相对应的评价值的预测值存储于预测结果存储部17d。在预测结果存储部17d中，将未试行的加工条件和与其相对应的评价值的预测值相关联而存储。
31.不可靠性评价部16b对表示通过评价值预测部16a进行的评价值的预测的不可靠性的指标进行计算。例如，不可靠性评价部16b使用在探索结果存储部17b中存储的探索结果，对评价值相对于预测值的不可靠性，即，表示预测的偏离容易度的指标进行计算。不可靠性评价部16b将包含计算出的指标的值及加工条件在内的不可靠性信息存储于不可靠性存储部17e。在不可靠性存储部17e中，将未试行的加工条件和表示与其相对应的评价值的预测的不可靠性的指标值相关联而进行存储。
32.图2是表示实施方式1所涉及的加工条件探索方法的流程图，示出了直至通过加工条件探索装置1对最佳的加工条件进行探索为止的一系列的处理。如果最佳的加工条件的探索处理开始，则加工条件生成部11生成初始加工条件(步骤st1)。加工条件计算部11a从能够设定于加工机2的全部控制参数的组合中，对一定数量的组合进行选择而作为初始加工条件。作为初始加工条件的选择方法，存在实验计划法、最佳计划法或者随机采样。另外，在用户从加工机2的过去的利用实绩找到最佳的加工条件的情况下，可以将由用户指定出的加工条件用作初始加工条件。
33.例如，构成加工条件的控制参数为3个，在针对每个控制参数从10档的值对设定于加工机2的值进行选择的情况下，加工条件的总组合数存在1000种。加工条件计算部11a从1000种加工条件中对一定数量的加工条件进行选择。在下面的说明中，一定数量例如为5，加工条件计算部11a从1000种加工条件中对5种加工条件进行选择。
34.接下来，加工条件生成部11将初始加工条件设定于加工机2，按照初始加工条件使加工机2实施加工(步骤st2)。例如，加工条件计算部11a从5种初始加工条件中对1个初始加工条件进行选择，将选择出的初始加工条件输出至实际加工指令部11b。实际加工指令部11b生成用于按照从加工条件计算部11a输出的初始加工条件使加工机2动作的指令，将生成的指令输出至加工机2。加工机2实施按照初始加工条件的加工。在下面的说明中，按照初始加工条件的加工也记载为“初始加工”。
35.加工状态收集部12对表示按照初始加工条件由加工机2实施的加工的加工状态的数据进行收集(步骤st3)。加工状态收集部12将从加工机2收集到的表示加工状态的数据存储于加工状态存储部17a。由此，在加工状态存储部17a中，使初始加工条件和加工状态相关联而进行存储。
36.加工结果收集部13对表示按照初始加工条件由加工机2实施的加工的加工结果的数据进行收集(步骤st4)。由加工结果收集部13收集到的数据输出至加工结果评价部14。
37.加工结果评价部14基于由加工结果收集部13收集到的加工结果，对由加工机2按照初始加工条件而实施的加工的评价值进行计算(步骤st5)。加工结果评价部14将由加工结果收集部13收集到的加工结果进行数值化，对加工的合格与否的评价值进行计算。例如，加工结果评价部14对在按照初始加工条件的加工中观测到的声音或者光的检测数据或者放电脉冲数进行测量，将该测量值变换为表示加工的合格与否的连续值或者多档的离散值(例如10档)的评价值。探索结果存储部17b对加工条件和评价值的组合进行存储。
38.加工条件计算部11a关于作为初始加工条件而选择出的全部加工条件，对初始加工是否结束进行确认(步骤st6)。在存在初始加工没有结束的初始加工条件的情况下(步骤st6；no)，关于初始加工没有结束的初始加工条件，依次实施步骤st1至步骤st5为止的处理。由此，在加工状态存储部17a中，使全部初始加工条件(例如5种初始加工条件)和表示加工状态的数据相关联而进行存储。并且，在探索结果存储部17b中，使全部初始加工条件和评价值相关联而进行存储。
39.在全部初始加工条件的初始加工结束的情况下(步骤st6；yes)，加工条件计算部11a对按照探索出的最佳的加工条件的加工是否结束进行确认(步骤st7)。在按照最佳的加工条件而加工机2结束加工的情况下(步骤st7；yes)，图2的一系列的处理结束。
40.在按照最佳的加工条件的加工没有结束的情况下(步骤st7；no)，模型构建部15使用在加工状态存储部17a中存储的表示加工状态的数据，对表示加工条件和评价值之间的关系性的变化程度的指标的值是否大于或等于阈值进行判定(步骤st8)。在求出上述变化程度的方法中，存在变化点检测。在变化点检测中，作为表示上述变化程度的指标而使用异常度。异常度例如是对加工状态的预测值和在加工状态存储部17a中存储的加工状态的实测值的差进行平方而得到的值。
41.在加工状态的预测值的计算时，例如使用自回归模型。在自回归模型中，1个时间步长之前的时刻t的加工状态的预测值帽y(t)使用下述式(1)进行计算。在下述式(1)中，y(t－1)是当前时刻t－1的加工状态的实测值，y(t－2)是过去的时刻t－2的加工状态的实测值，y(t－3)是过去的时刻t－3的加工状态的实测值。系数α1是相对于实测值y(t－1)的系数，系数α2是相对于实测值y(t－2)的系数，系数α3是相对于实测值y(t－3)的系数。此外，模型构建部15除了自回归模型以外，可以使用重回归模型、决策树或者神经网络这样的有教师学习对加工条件和评价值之间的关系性的变化程度进行评价。
[0042][0043]
模型构建部15在判定为表示加工条件和评价值之间的关系性的变化程度的指标的值大于或等于阈值的情况下(步骤st8；yes)，判断为发生了应该新构建评价值预测模型16的加工状态的变化，构建与变化后的加工状态相对应的评价值预测模型16(步骤st9)。在评价值预测模型16的构建时，例如能够使用自回归模型、重回归模型、决策树或者神经网络
这样的有教师学习。
[0044]
在判定为表示加工条件和评价值之间的关系性的变化程度的指标的值小于上述阈值的情况下(步骤st8；no)或者如果步骤st9完成，则模型构建部15针对已经构建的各个评价值预测模型16，与在加工状态存储部17a中存储的加工状态相应地进行加权(步骤st10)。在加权的方法中存在线性插补或者提升方法。另外，模型构建部15可以不对多个评价值预测模型16进行加权，而是对1个评价值预测模型16进行选择而进行加权。
[0045]
例如，模型构建部15使用线性插补，针对评价值预测模型16进行加权。模型构建部15使用在加工状态存储部17a中存储的过去的时刻t－2的加工状态s1、过去的时刻t－3的加工状态s2及由加工状态收集部12收集到的当前t－1的加工状态s，按照下述式(2)对针对由与加工状态s1相对应的评价值预测模型16确定的函数f1的加权β1(s)和针对由与加工状态s2相对应的评价值预测模型16确定的函数f2的加权β2(s)进行计算。使用该加权，按照下述式(3)对针对加工条件x、加工状态s的评价值预测模型16的输出f(x，s)进行计算。此外，针对2个评价值预测模型16而决定加权的值，但模型构建部15也可以针对大于或等于3个评价值预测模型16对加权的值进行计算。
[0046]
β1(s)＝(s2－s)/(s2－s1)
[0047]
β2(s)＝(s－s1)/(s2－s1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
· · · (2)
[0048]
f(x、s)＝β1(s)f1(x)+β2(s)f2(x)
ꢀꢀꢀꢀꢀꢀꢀ
· · · (3)
[0049]
评价值预测模型16中的评价值预测部16a，例如如果按照5种初始加工条件的加工结束，则使用在探索结果存储部17b中存储的加工条件及与其相对应的评价值，对针对前述全部1000种加工条件的评价值进行预测(步骤st11)。由评价值预测部16a预测的评价值存储于预测结果存储部17d(步骤st12)。
[0050]
作为评价值预测部16a所涉及的评价值的预测方法，例如存在高斯过程回归。在高斯过程回归中，评价值预测部16a是假定为与加工条件相对应的评价值为概率变量而构建出的与评价值相对应的加工条件的概率模型。评价值预测部16a在将在探索结果存储部17b中存储的各加工条件和与它们相对应的内核的值排列的矢量设为k，将在探索结果存储部17b中存储的评价值排列的矢量设为t的情况下，评价值预测部16a能够按照下述式(4)对针对加工条件x的评价值的预测值m(x)进行计算。在下述式(4)中，cn为格拉姆矩阵。此外，评价值预测部16a可以不使用高斯过程回归，而是使用决策树、线性回归、提升方法或者神经网络这样的有教师学习对评价值进行预测。
[0051]
m(x)＝k
t
·
(c
n－1
)
·
t
···
(4)
[0052]
评价值预测模型16中的不可靠性评价部16b，例如如果按照5种初始加工条件的加工结束，则使用在探索结果存储部17b中存储的加工条件及与其相对应的评价值，对表示针对前述全部1000种加工条件的评价值的预测的不可靠性的指标进行计算(步骤st13)。由不可靠性评价部16b计算出的上述指标的值存储于不可靠性存储部17e(步骤st14)。
[0053]
作为不可靠性评价部16b所涉及的上述指标的计算方法，例如存在高斯过程回归。在高斯过程回归中，在将在探索结果存储部17b中存储的各加工条件及与其相对应的内核的值排列的矢量设为k，将在加工条件x间的内核的值加上评价值预测部16a的精度参数而得到的无向量值设为c的情况下，不可靠性评价部16b能够按照下述式(5)对表示针对未试行的加工条件x的评价值的预测的不可靠性的指标σ2(x)进行计算。在下述式(5)中，cn为格
拉姆矩阵。不可靠性评价部16b可以不通过高斯过程回归，而是通过使用密度推定、混合密度网络、kl散度的回归对上述指标进行计算。
[0054]
σ2(x)＝c－k
t
·
(c
n－1
)
·k···
(5)
[0055]
图3是表示加工条件、与其相对应的评价值的预测值和表示评价值的预测的不可靠性的指标之间的关系的曲线图。评价值预测模型16例如使用高斯过程回归，设为评价值按照高斯分布而进行预测。图3所示的黑色标绘点是在探索结果存储部17b中存储的加工条件及评价值。在图3中，在将评价值的预测值设为高斯分布的平均m(x)，将表示评价值的预测的不可靠性的指标设为高斯分布的标准偏差σ(x)的情况下，即使评价值的预测偏离，黑色标绘点也会统计性地示出以大约95％的概率，进入小于或等于m(x)+2σ(x)且大于或等于m(x)―2σ(x)的范围。
[0056]
加工条件生成部11所具有的探索结束判定部11c使用在预测结果存储部17d中存储的加工条件的评价值的预测值及在不可靠性存储部17e中存储的表示评价值的预测的不可靠性的指标，对是否结束加工条件的探索进行判定(步骤st15)。例如，探索结束判定部11c将在不可靠性存储部17e中存储的表示至此为止探索出的全部加工条件的评价值的预测的不可靠性的指标的值与阈值相比较，在该指标的值小于或等于阈值的情况下，判断为探索出最佳的加工条件，结束加工条件的探索。
[0057]
另外，探索结束判定部11c通过将表示全部加工条件的评价值的预测的不可靠性的指标与阈值相比较，从而在有可能大幅偏离评价值的预测的加工条件的数量小于或等于指定数的情况下，结束加工条件的探索。其原因在于，如果存在评价值的实测值和评价值的预测值大幅不同的加工条件，则在加工条件的探索空间的大范围中预测值会大幅改变。
[0058]
例如，探索结束判定部11c使用加工条件x、针对该加工条件x的评价值的预测值m(x)及表示该评价值的预测的不可靠性的指标(标准偏差)σ(x)，由此m(x)+κσ(x)的值变得越大，则能够判断为对加工条件进行探索的价值越高。此外，κ是在对加工条件进行探索前决定的参数。κ的值越小，则对评价值的预测值越高的加工条件进行选择，κ的值越大，则对大幅偏离评价值的预测的可能性越高的加工条件进行选择。κ的值可以继续使用相同的值，也可以在中途改变值。
[0059]
在判定为结束加工条件的探索的情况下(步骤st15；yes)，探索结束判定部11c从在预测结果存储部17d中存储的全部加工条件的评价值的预测值中，提取预测为评价值最高的加工条件，将提取出的加工条件输出至实际加工指令部11b。实际加工指令部11b将包含从探索结束判定部11c输出的加工条件在内的指令输出至加工机2，将该加工条件设定于加工机2(步骤st16)。
[0060]
在判定为需要追加进行加工条件的探索的情况下(步骤st15；no)，探索结束判定部11c将继续探索输出至加工条件计算部11a。加工条件计算部11a在从探索结束判定部11c被指示继续探索的情况下，使用在预测结果存储部17d中存储的加工条件的评价值的预测值，生成接下来应该试行的加工条件(步骤st17)。由加工条件计算部11a计算出的接下来应该试行的加工条件输出至实际加工指令部11b。实际加工指令部11b将包含接下来应该试行的加工条件在内的指令输出至加工机2，将该加工条件设定于加工机2
[0061]
在步骤st16中设定最佳的加工条件，或在步骤st17中设定了接下来应该试行的加工条件的情况下，加工机2实施加工(步骤st18)。在通过加工机2进行的加工中，加工状态收
集部12通过对表示其加工状态的数据进行收集，从而在加工状态存储部17a中使加工条件和加工状态相关联而进行存储。加工结果收集部13对表示其加工结果的数据进行收集而输出至加工结果评价部14。加工结果评价部14基于由加工结果收集部13收集到的加工结果，对由加工机2实施的加工的评价值进行计算(步骤st19)。接下来，转入步骤st7的处理，执行前述的处理。
[0062]
显示部3对在通过加工条件探索装置1进行的加工条件的探索中得到的加工条件及该与加工条件相对应的评价值进行显示。另外，显示部3对加工条件及与该加工条件相对应的评价值的预测值或者探索结果的最佳的加工条件进行显示。即，显示部3对从探索结果存储部17b读出的加工条件及与该加工条件相对应的评价值、从预测结果存储部17d读出的加工条件及与该加工条件相对应的评价值的预测值、或者从加工条件计算部11a输出的探索结果的最佳的加工条件之中的至少一个进行显示。由此，加工作业者通过参照在显示部3显示出的信息，从而能够对加工条件的探索状况及探索结果进行识别。
[0063]
实现加工条件探索装置1的功能的硬件结构如下所述。
[0064]
加工条件探索装置1中的加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16的功能通过处理电路而实现。即，加工条件探索装置1具有执行图2的步骤st1至步骤st19为止的处理的处理电路。处理电路可以是专用的硬件，也可以是执行在存储器中存储的程序的cpu(central processing unit)。
[0065]
图4a是表示实现加工条件探索装置1的功能的硬件结构的框图。并且，图4b是表示执行实现加工条件探索装置1的功能的软件的硬件结构的框图。在图4a及图4b中，输入接口100对从加工机2向加工条件探索装置1输出的表示加工状态及加工结果的数据进行中继，对从各存储部17a～17e向加工条件探索装置1输出的存储数据进行中继。输出接口101对从加工条件探索装置1向显示部3输出的信息，或者从加工条件探索装置1向各存储部17a～17e输出的数据进行中继。
[0066]
在处理电路为图4a所示的专用硬件的处理电路102的情况下，处理电路102例如为单一电路、复合电路、被程序化的处理器、被并行程序化的处理器、asic(application specific integrated circuit)、fpga(field－programmable gate array)或者它们的组合。加工条件探索装置1中的加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16的功能可以通过不同的处理电路实现，也可以将这些功能汇总而通过1个处理电路实现。
[0067]
在处理电路为图4b所示的处理器103的情况下，加工条件探索装置1中的加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16的功能通过软件、固件或者软件和固件的组合而实现。此外，软件或者固件作为程序被记述而存储于存储器104。
[0068]
处理器103将在存储器104中存储的程序读出而执行，由此实现加工条件探索装置1中的加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16的功能。例如，加工条件探索装置1具有存储器104，该存储器104用于在由处理器103执行时，对图2所示的流程图中的步骤st1至步骤st19为止的处理最终得以执行的程序进行存储。这些程序使计算机执行加工条件生成部11、加工状态收集部
12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16的顺序或者方法。存储器104可以是存储有程序的计算机可读存储介质，该程序用于使计算机作为加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16起作用。
[0069]
存储器104例如是ram(random access memory)、rom(read only memory)、闪存、eprom(erasable programmable read only memory)、eeprom(electrically－eprom)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘、dvd等。
[0070]
加工条件探索装置1中的加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14、模型构建部15及评价值预测模型16的功能的一部分可以通过专用硬件而实现，一部分可以通过软件或者固件而实现。例如，加工条件生成部11、加工状态收集部12、加工结果收集部13、加工结果评价部14及模型构建部15通过专用的硬件即处理电路102而实现其功能，评价值预测模型16通过由处理器103将在存储器104中存储的程序读出并执行而实现其功能。如上所述，处理电路能够通过硬件、软件、固件或者它们的组合而实现上述功能。
[0071]
如以上所述，在实施方式1所涉及的加工条件探索装置1中，基于在加工机2设定的加工条件、加工状态及加工的评价值，对与未试行的加工条件相对应的评价值进行预测，基于加工条件和评价值之间的关系性的变化程度而构建评价值预测模型16，针对评价值预测模型16而进行与加工状态相对应的加权。即使在由于加工状态的变化而加工条件和评价值之间的关系性发生变化的情况下，也与其变化的程度相应地新构建评价值预测模型16，针对评价值预测模型16而进行与加工状态相对应的加权。由此，加工条件探索装置1在与加工状态的变化相应地加工条件和其评价值之间的关系性发生变化的情况下，不事先对大量的数据进行收集而构建学习模型，就能够对加工条件进行探索。另外，加工条件探索装置1不依次对能够设定于加工机2的许多加工条件进行探索，而是与加工状态的变化相应地缩小探索对象的加工条件的数量，因此加工条件的探索的试行次数减少。
[0072]
此外，能够进行实施方式的任意的结构要素的变形或者实施方式的任意的结构要素的省略。
[0073]
本发明所涉及的加工条件探索装置，例如能够利用于放电加工机的加工条件的探索。
[0074]
标号的说明
[0075]
1加工条件探索装置，2加工机，3显示部，11加工条件生成部，11a加工条件计算部，11b实际加工指令部，11c探索结束判定部，12加工状态收集部，13加工结果收集部，14加工结果评价部，15模型构建部，16评价值预测模型，16a评价值预测部，16b不可靠性评价部，17a加工状态存储部，17b探索结果存储部，17c模型存储部，17d预测结果存储部，17e不可靠性存储部，100输入接口，101输出接口，102处理电路，103处理器，104存储器。
技术特征：1.一种加工条件探索装置，其特征在于，具有：加工条件生成部，其生成对加工机设定的加工条件；加工状态收集部，其对表示按照所述加工条件而实施加工的所述加工机、加工对象的工件及所述加工机的设置环境的各状态的加工状态进行收集；加工结果收集部，其对按照所述加工条件而实施的加工的加工结果进行收集；加工结果评价部，其基于由所述加工结果收集部收集到的所述加工结果，对按照所述加工条件而实施的加工的评价值进行计算；评价值预测模型，其基于由所述加工条件生成部生成的所述加工条件、由所述加工状态收集部收集到的所述加工状态及由所述加工结果评价部计算出的所述评价值，对与未试行的所述加工条件相对应的所述评价值进行预测；以及模型构建部，其基于所述加工条件和所述评价值之间的关系性的变化程度而构建所述评价值预测模型，针对所述评价值预测模型而进行与所述加工状态相对应的加权，所述加工条件生成部使用由所述评价值预测模型计算出的所述评价值的预测值，生成接下来应该试行的所述加工条件，直至由所述加工条件生成部判定为结束所述加工条件的探索为止，重复进行所述加工状态收集部、所述加工结果收集部、所述加工结果评价部、所述评价值预测模型及所述模型构建部所涉及的各处理。2.根据权利要求1所述的加工条件探索装置，其特征在于，所述评价值预测模型与所述加工条件及所述加工状态相应地，对表示所述评价值的预测的不可靠性的指标进行计算，所述加工条件生成部基于所述评价值的预测值和表示该评价值的预测的不可靠性的指标，生成接下来应该试行的所述加工条件。3.根据权利要求2所述的加工条件探索装置，其特征在于，所述加工条件生成部使用所述评价值的预测值及表示所述评价值的预测的不可靠性的指标对是否结束探索进行判定，在判定为结束探索的情况下，不考虑所述评价值的预测的不可靠性，而是仅基于所述评价值的预测值对最佳的所述加工条件进行预测。4.根据权利要求2所述的加工条件探索装置，其特征在于，所述评价值预测模型是假定与所述加工条件相对应的所述评价值为概率变量而构建出的与所述评价值相对应的所述加工条件的概率模型，对所述评价值的预测值和表示所述评价值的预测的不可靠性的指标进行计算。5.根据权利要求1所述的加工条件探索装置，其特征在于，具有显示部，该显示部对所述加工条件及与该加工条件相对应的所述评价值、所述加工条件及与该加工条件相对应的所述评价值的预测值或者探索结果的所述加工条件之中的至少一个进行显示。6.一种加工条件探索方法，其特征在于，具有下述步骤：加工条件生成部生成对加工机设定的加工条件；加工状态收集部对表示按照所述加工条件而实施加工的所述加工机、加工对象的工件及所述加工机的设置环境的各状态的加工状态进行收集；
加工结果收集部对按照所述加工条件而实施的加工的加工结果进行收集；加工结果评价部基于由所述加工结果收集部收集到的所述加工结果，对按照所述加工条件而实施的加工的评价值进行计算；评价值预测模型基于由所述加工条件生成部生成的所述加工条件、由所述加工状态收集部收集到的所述加工状态及由所述加工结果评价部计算出的所述评价值，对与未试行的所述加工条件相对应的所述评价值进行预测；以及模型构建部基于所述加工条件和所述评价值之间的关系性的变化程度而构建所述评价值预测模型，针对所述评价值预测模型而进行与所述加工状态相对应的加权，所述加工条件生成部使用由所述评价值预测模型计算出的所述评价值的预测值，生成接下来应该试行的所述加工条件，直至由所述加工条件生成部判定为结束所述加工条件的探索为止，重复进行所述加工状态收集部、所述加工结果收集部、所述加工结果评价部、所述评价值预测模型及所述模型构建部所涉及的各处理。
技术总结加工条件探索装置(1)具有：加工条件生成部(11)，其生成对加工机(2)设定的加工条件；加工状态收集部(12)，其对加工状态进行收集；加工结果收集部(13)，其对按照加工条件而实施的加工的加工结果进行收集；加工结果评价部(14)，其基于加工结果对加工的评价值进行计算；评价值预测模型(16)，其基于加工条件、加工状态及评价值，对与未试行的加工条件相对应的评价值进行预测；以及模型构建部(15)，其基于加工条件和评价值之间的关系性的变化程度而构建评价值预测模型(16)，针对评价值预测模型(16)而进行与加工状态相对应的加权，加工条件生成部(11)使用评价值的预测值，生成接下来应该试行的加工条件，直至判定为结束探索为止，重复进行加工状态收集部(12)、加工结果收集部(13)、加工结果评价部(14)、评价值预测模型(16)及模型构建部(15)所涉及的各处理。(16)及模型构建部(15)所涉及的各处理。(16)及模型构建部(15)所涉及的各处理。
技术研发人员：増井秀之 吉川宽史 丸田润 中根滉稀 中川孝幸
受保护的技术使用者：三菱电机株式会社
技术研发日：2020.03.17
技术公布日：2022/11/1
