JPH04135209A - 数値制御装置の加工条件作成機能の学習方法 - Google Patents

Abstract

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

Description

【発明の詳細な説明】 【産業上の利用分野】

本発明は、数値制御装置の加工条件データの自動作成機
能の学習方法に関する。

【従来技術】

従来、例えば、工作物の仕上げ径、取代、剛性係数、部
品種別等の固定条件データから、粗研、精研、機紐等の
研削モード毎の工作物の回転数、研削開始位置、研削送
り速度、研削後送り停止時間等の加工条件を自動決定す
る数値制御装置が知られている。

【発明が解決しようとする課題】

ところが、実際には、自動決定された加工条件データが
、各種の固定条件データに対して、最適データとならな
いことが経験的に知られている。 このような場合に、自動決定された加工条件データを作
業者が見て、適正でない場合には、その値を作業者の経
験や勘に基づいて補正したり、実際にその加工条件デー
タで加工された加工結果を作業者が判断して、経験と勘
によりその加工条件データを補正していた。 固定条件データからどの加工条件データをどのように補
正すれば良いかとか、ある加工条件データで工作物を加
工した場合の加工結果から得られる加工誤差から、どの
加工条件データをどのように補正すれば良いかは、作業
者の経験と勘によるものであり、必ずしも、いつも正し
い補正が行われるとは限らなかった。 このため、修正された加工条件データで工作物を加工し
、その加工結果に応じて、再度、加工条件データを修正
するという作業を何度も行う必要があった。 更に、折角、作業者が加工条件データを正しく補正して
も、その時の加工条件データと固定条件データ又は加工
誤差データとの因果関係が、その後の加工条件データの
補正に反映されないという問題があった。 このため、適正な加工条件データを作成するのに時間が
かかるという聞届がある。 本発明は、上記の課題を解決するために成されたもので
あり、その目的とするところは、作業者による加工条件
の修正状態を以後の加工条件データの自動作成に数値制
御装置に負荷をかけずに効率良く行うようにすることで
ある。

【課題を解決するための手段】

上記課題を解決するための発明の構成は、数値制御装置
における加工状態を制御するだめの加工条件データの自
動作成機能の学習方法において、実際の加工に際し、加
工条件データに影響を与える加工要因に関するデータを
入力し、その加工条件データの補正量をニューラルネッ
トワークを用いて演算し、ニューラルネットワークの出
力である補正量を評価し、その評価の結果、補正量が修
正された時には、その修正値を教師データとして、その
時のニューラルネットワークの入力データと共に記憶装
置に蓄積し、蓄積された入力データと教師データとに従
って、加工制御を行う数値制御装置とは別の装置でオフ
ラインによりニューラルネットワークの結合係数を学習
することである。

【作用】

加工条件データの補正量は、加工条件データに影響を与
える加工要因に関するデータ（例えば、工作物の仕上は
径、取代等の固定条件データや、加工結果から得られる
加工誤差データ）を入力とするニューラルネットワーク
により演算される。 ニューラルネットワークは様々な入力に対して適正な出
力が得られるように学習されるので、理論的な解析の不
可能な因果関係によって生じる加工条件データの補正も
可能となる。 一方、ニューラルネットワークの初期学習を完全に行う
こと１ま不可能であるので、実際の様々な加工が行われ
ると、ニューラルネットワークの出力する補正量が、常
時、適正であるとは限らない。このような場合に、補正
量が修正されるが、その修正値が教師データとして、そ
の時のニューラルネットワークの入力データと共に記憶
装置に蓄積される。これらのデータは様々な加工が行わ
れ、ニューラルネットワークの出力する補正量が適正で
ない毎に累積される。 そして、この蓄積されたデータを用いて、数値制御装置
とは別の装置を用いてオフラインでニューラルネットワ
ークが学習される。 このようにすることで、数値制御に負荷を掛けることな
く、ニューラルネットワークの学習が可能となる。

【実施例】

以下、本発明を具体的な実施例に基づいて説明する。 （１）研削盤の構成 第１図は本発明に係る加工条件自動決定装置を有した数
値制御研削盤の全体の機械的構成を示した構成図である
。 ５０は研削盤であり、その研削盤５０のベツド５１の上
には、そのベツド５１に対して摺動するテーブル５２が
設けられている。テーブル５２はテーブル送り用モータ
５３が駆動されることにより図面の左右方向に移動され
る。又、テーブル５２の上には主軸台５４と心押台５６
が配設されており、主軸台５４は主軸５５を有し、心押
台５６は心理軸５７を有している。 工作物Ｗは主軸５５及び心理軸５７によって軸支され、
主軸５５の回転によって回転される。この主軸５５の回
転は主軸台５４に配設された主軸モータ５９によって行
われる。 一方、工作物Ｗを研削する砥石車６０は砥石台６１に設
けられた砥石車駆動モータ６２の駆動軸に軸支されてい
る。又、砥石台６１は砥石台送り用モータ６３によって
図面の垂直方向に移動制御される。 テーブル送り用モータ５３、砥石台送り用モータ６３、
主軸モータ５９、砥石車駆動モータ６２などを駆動制御
するために数値制御装置３０が設けられている。 （２）数値制御装置の構成 数値制御装置３０は主として、第２図に示したように、
ＣＰＵ３１とＲＯＭ３２とＲＡＭ３３とＩＦ（インタフ
ェース）３４とから構成されている。 ＲＡＭ３３にはＮＣプログラムを記憶するＮＣデータ領
域３３１と仕上げ径、取代、剛性係数、部品種別、荒仕
上分割、作業者名等の固定条件データを記憶する固定条
件データ領域３３２と工作物回転数、研削開始位置、研
削送り速度、研削後送り停止時間等の加工条件データを
記憶する加工条件データ領域３３３とニューラルネット
ワークの演算プログラムを記憶するニューラルネットワ
ーク領域３３４とニューラルネットワークの結合係数を
記憶する結合係数領域３３５とが設けられている。その
他、ＲＡＭ３３には要求される加工仕様から決定される
加工結果の要求値の記憶された要求値領域３３６と自勉
決定された加工条件データの基準値を記憶する基準値領
域３３７とニューラルネットワークで演算された加工条
件データの補正量を記憶する補正量領域３３８と加工結
果データを記憶する加工結果データ領域３３９と加工誤
差データを記憶する加工誤差データ領域３４０が形成さ
れている。更に、ＲＡＭ３３にはニューラルネットワー
クの出力の補正量を修正した場合には、その修正値、即
ち、教師データを記憶する教師データ領域３４１とその
教師データに対応させてその時のニューラルネットワー
クの入力データを記憶する入力データ領域３４２とが形
成されている。　尚、ＲＡＭ３３はバッテリバックアッ
プされており、学習された結合係数が保存されるように
なっている。 又、ＲＯＭ３２にはＮＣデータに従って数値制御研削盤
を作動させるための制御プログラムを記憶した制御プロ
グラム領域３２１と加工条件データを決定するメイン自
動決定プログラムの記憶された自動決定プログラム領域
３２２とが形成されている。 又、数値制御装置３０にはＩＦ５４を介して操作盤２０
が取り付けられている。その操作盤２０の操作パネル２
１上にはデータの入力を行うキボード２２とデータの表
示を行うＣＲＴ表示装置２３とが設けられている。 更に、数値制御装置３０にはＩＦ５５を介してＦＤ駆動
装置３６が接続されており、記憶媒体であるＦＤ（フレ
キシブルディスク）３７はそのＦＤ駆動装置３６を介し
て読み書きされる。 （３）オフライン学習装置の構成 オフライン学習装置は第３図に示すようにコンピュータ
システムで構成されている。 ＣＰＵ４０にＦＤ駆動装置４１が接続されており、ＦＤ
３７に対する入出力が可能なように構成されている。又
、ＣＰＵ４０には入出力インタフェース４２を介してＣ
ＲＴ４３及びキーボード４４が接続されている。さらに
、ＣＰＵ４０にはＲＯＭ４５とＲＡＭ４６が接続されて
いる。ＲＯＭ４５にはニューラルネットワークを学習さ
せるための学習プログラムを記憶した学習プログラム領
域４５１が形成されてる。又、ＲＡＭ４６にはニューラ
ルネットワークの構造に関するデータを記憶するニュー
ラルネットワーク領域４６１とその結合係数データを記
憶する結合係数領域４６２と教師データを記憶する教師
データ領域４６３と入力データを記憶する入力データ領
域４６４とが形成されている。 （４）作動 次に、本実施例装置で使用されているＣＰＵ３１の処理
手順を、フローチャートに基づいて説明する。 １本装置の全体の概要的作動 本装置の全体の概要的作動を第１３図を参照して説明す
る。 ステップＳ１では多数の加工種類に対応したニューラル
ネットワークの演算プログラムとその学習済の結合係数
データとを記憶したＦＤ３７　ａから、実際に加工条件
データを求めるのに使用する第１のニューラルネットワ
ークの演算プログラムとその結合係数データがＲＡＭ３
３に読み込まれる。以下、第１のニューラルネットワー
クの演算プログラムを条件適合エンジンとも言う。 ステップＳ２では、固定条件データがＲＡＭ３３に入力
される。 ステップＳ３では、固定条件データから加工条件データ
の基準値が自動決定される。 ステップＳ４では、固定条件データを入力とする第１の
ニューラルネットワークの演算プログラム（条件適合エ
ンジン）により加工条件データの補正量が演算される。 ステップＳ５では、補正量子基準値により補正された加
工条件データがＣＲＴ２３に表示される。 ステップＳ６では、その加工条件データを作業者の経験
と勘により判断して、適正かどうかが判断される。 適正でない場合には、ステップＳ７で、加工条件データ
が修正される。ステップＳ８では、この時の補正量の修
正値は教師データとして、その時の第１のニューラルネ
ットワークの入力である固定条件データ（入力データ）
と共に保存される。 ステップＳ６で、加工条件データは適正と判断された場
合には、ステップＳ９において、その加工条件データを
用いて工作物が実際に加工される。 ステップＳＩＯでは、工作物の仕上寸法等の加工結果が
測定され、その要求値との誤差を示す加工誤差データが
演算される。 ステップＳｌｌでは、加工誤差データに対して評価が行
われ、適正であれば、ステップＳ１２で加工完了となる
。 又、加工結果が適正でない場合には、加工条件データを
修正する必要がある。 ステップＳ１３では、上記の加工誤差データがＲＡＭ３
３に入力される。 ステップＳ１４では、ＦＤ３７ｂから加工種類に対応し
た第２のニューラルネットワークの演算プログラムとそ
の学習済の結合係数がＲＡＭ３３に入力される。その第
２のニューラルネットワークの演算プログラムは加工診
断エンジンともいう。 ステップＳ１５では、加工誤差データを入力データとす
る第２ｏニユーラルネツトワークが起動されて、加工条
件データの補正量が演算される。 ステップＳ１．６では、凹加工条件データ＋補正量にて
新加工条件データが演算され、新加工条件データによる
加工結果に対する影響が予測される。 ステップＳ６に移行して、加工結果の予測結果から修正
された加工条件データが評価される。 加工条件データが適正でない場合には、ステップＳ７で
、適正な補正量により加工条件データが修正される。 そして、ステップＳ８では、その適性な補正量を第２の
ニューラルネットワークに対する教師データとして、そ
の時の加工誤差データ（入力データ）と共に記憶する。 上記のように、実際の加工に際し、第１及び第２のニュ
ーラルネットワークが起動され、出力である補正量が適
性でない状態が生じる毎に、その時の教師データと入力
データ（これらのデータを以下「学習データ」とういう
）が蓄積される。 このよなうな学習データは、ステップＳ１？において、
オフライン学習装置に出力される。 オフライン学習装置では、実際の加工に際し、蓄積され
たそれぞれの学習データに基づいて、ステップ３１８で
条件適合エンジン、ステップＳ１９で加工診断エンジン
に対するそれぞれの学習が行われる。又、ステップＳ２
０．　Ｓ２１において、ユーザとの対話により、入力デ
ータと教示データを指定しての学習も行われる。 このように学習された結合係数データはＦＤにニューラ
ルネットワークの演算プログラムと共に更新して記憶さ
れる。 尚、上記の第１のニューラルネットワークの学習におい
ては、補正された加工条件データにおいて、第２のニュ
ーラルネットワークによる補正量も考慮した学習が行わ
れる。即ち、第２のニューラルネットワークにより修正
された加工条件データの基準値に対する偏差を教師デー
タとして、第１のニューラルネットワークの結合係数も
学習される。従って、第１のニューラルネットワークの
結合係数には第２のニューラルネットワークによる補正
量も加味されるので、学習が進行した状態では、第１の
ニューラルネットワークだけで、最適な加工条件データ
を求めることが可能となる。 即ち、加工誤差データは次第に小さくなって行き、第２
のニューラルネットワークによる補正量も次第に減少し
ていく。 尚、実際の加工に際して上記のように学習された第１及
び第２のニューラルネットワークの結合係数データはＦ
Ｄ３７に出力されて、ＦＤ３７に記憶されている対応す
る結合係数データが更新される。 上記のように本実施例では、条件適合エンジンと加工診
断エンジンとにより加工条件データが補正される。 第４図は、記憶媒体のＦＤ３７から所定のニューラルネ
ットワークの演算プログラム及び結合係数データを入力
してＲＡＭ３３に記憶するプログラムのフローチャート
を示している。 ＦＤ３７には加工種類（例えば、エンジンのカムシャフ
トの研削等）に応じた第１及び第２のニューラルネット
ワークの演算プログラム及びそれらの学習済の結合係数
が多数記憶されている。 ステップ７００では、全てのニューラルネットワーク名
称のリストがＣＲＴ２３に表示される。 ステップ７０２において、そのリストを見て、作業者は
これから加工しようとする加工種類に対応する第１及び
第２のニューラルネットワーク（条件適合エンジン及び
加工診断エンジン）を選択する。 次に、ステップ７０４において、選択された２つのニュ
ーラルネットワークの演算プログラム及びそれらの結合
係数データが、それぞれ、ＦＤ３７からＲＡＭ３３のニ
ューラルネットワーク領域３３４と結合係数領域３３５
の所定領域に記憶される。 ３、固定条件データの入力 第５図は、固定条件データから加工条件データを自動生
成するメインプログラムのフローチャートである。 ステップ１００では、キーボード２２から入力される固
定条件データが読み取られ、ＲＡＭ３３の固定条件デー
タ領域３３２に記憶される。本実施例では、固定条件デ
ータとしては、仕上げ径データロ５．取代データＤａ、
剛性係数データＯｓ、部品種別データロ１．荒仕上分割
データＤｓ、　Ａ作業者名データＤ、、　Ｂ作業者名デ
ータＤ、、　Ｃ作業者名データＤ、である。 ４、加工条件データの基準値の演算 法のステップ１０２では上記の固定条件データ（０〜Ｄ
、）及び他の固定条件データから加工条件データの基準
値ｖ１〜Ｖ、が演算される。 本実施例では、加工条件データとしては、粗研回転数デ
ータに１．精研回転数データに２．機器回転数データＫ
ｓ、粗研開始径データに１．精研開始径データに２．機
器開始径データＫｓ、粗研送り速度データに？、精研送
り速度データに８．機器送り速度データに９．粗研後送
り停止時間データＫｌ（１＋微研後送り停止時間データ
Ｋ１１とで構成されている。 この基準値の演算は次のようにして行われる。 各研削モード毎の回転数データについては、ある研削時
の砥石の周速に対して、工作物の周速が、要求される工
作物の表面あらさの関数で予め決定されている。指令さ
れた工作物の表面あらさから、工作物の周速が演算され
、この工作物の周速と工作物の直径とにより工作物の回
転数データが演算される。 各研削モードの送り速度データについては、砥石車の工
作物の１回転当たりの切込量が寸法公差の関数として予
め決定されている。各研削モードの指令された寸法公差
から切込量が演算され、回転数データとから研削送り速
度データが演算される。 各研削モードの研削開始径データは、各研削モード毎に
標準の送り量が設定されており、指令された仕上げ径と
この送り量との関係により演算される。 研削後送り停止時間データについては、定寸研削か否か
により、又、工程を分割して研削するか否かにより、送
りを停止させる工作物の回転数が決定される。固定条件
データから、送り停止回転数が決定され、回転数データ
を用いて、研削後送り停止時間が演算される。 次に、第５図のステップ１０４において、第１のニュー
ラルネットワークを起動して、固定条件データＤ１〜Ｄ
８を入力して、各加工条件データ（Ｋ、〜に、、）の各
補正量６１〜δ、が演算される。 第１のニューラルネットワークは第６図に示す構成のも
のである。本実施例では、ニューラルネットワークは、
入力層と中間層と出力層との３層構造である。 ニューラルネットワークは良く知られたように、第２層
の中間層と第３層の出力層との各素子が次式の演算を行
う素子として定義される。 第１層の第３番目の素子の出力０．は、次式で計算され
る。但し、Ｉ≧２である。 ０、＝ｆ　（１、） ｆ　（ｘ）　＝１／　（１＋ｅｘｐ　（−Ｘ）　）　　
　　　　　　　　　　　　　　−（３）但し、Ｖ、は第
１層の第ｊ番目の演算素子のバ第１層の第ｊ番目の素子
間の結合係数、０．は第１層の第」番目の素子の出力値
を表す。即ち、第１層であるから演算を行うことなく、
そのまま入力を出力するので、入力層（第１層）の第ｊ
番目の素子の入力値でもある。従って、 ０　、＝　Ｄ　、　　　　　　　　　　　　　　　　　
−（４）但し、Ｄ、は入力層の３番目の素子に入力され
る固定条件データである。 ニューラルネットワークの具体的な演算は第７図に示す
手順で実行される。 ステップ２００において、中間層（第２層）の各素子に
は、入力層（第１層）の各素子からの出力値り、〜Ｄ、
を入力して、次式の積和演算が行われる入力値となる。 次に、ステップ２０４において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 次に、ステップ２０６において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの補正量δ、となる
。 即ち、補正量δ、は次式で求められる。 第２層の第３番目の素子に関しては次式で演算される。 本実施例ではバイアスは零である。 次に、ステップ２０２において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 この出力値０．は出力層（第３層）の各素子の第５図の
ステップ１０６に戻り、ステップ１０２で求められた加
工条件データの基準値ｖ１〜Ｖｌ＋とステップ１０４で
求められた補正量δ、〜δ１１との和により、加工条件
データに、−に、、が求められる。 その加工条件データに１〜Ｋｌｌは、ＲＡＭ３３の加工
条件データ領域３３３に記憶される。 次に、ステップ１０８で、その加工条件データに〜Ｋｌ
ｌがＣＲＴ２３に表示される。 ステップ１１０において、作業者はその表示結果をみて
、データの修正が必要と判断すれば、ステップ１１２に
おいて、修正値がキーボード２２から入力され、その修
正された加工条件データは加工条件データ領域３３３に
記憶される。 次に、ステップ１１４において、修正値に基づく適正な
補正量が求められ、その補正量は教師データとして教師
データ領域３４１に記憶される。 次に、ステップ１１６において、その時の教師データに
対応する第１のニューラルネットワークの入力である固
定条件データが入力データ領域３４２に教師データと対
応されて記憶される。 次に、ステップ１１８において、その加工条件データに
１〜Ｋ１１を用いてＮＣデータが演算され、演算された
ＮＣデータはＲＡＭ３３のＮＣデータ領域３３１に記憶
される。 ７、加工誤差データの生成 次に、このＮＣデータに従って、工作物が試し加工され
る。工作物の加工結果が測定され、加工結果データが得
られる。加工結果データは、例えば、全研削時間、仕上
表面粗さ、仕上寸法精度。 仕上真円度、焼は又は割れの程度、びびりの程度等であ
る。 次に、これらの測定された加工結果データがら加工条件
データを修正する手順について説明する第８図のステッ
プ５００において、上記の測定された加工結果データが
作業者によりキーボード２２から入力され、その人力値
はＲＡＭ３３の加工結果データ領域３３９に記憶される
。 次に、ステップ５０２において、加工結果の要求値が同
様に入力され、その値はＲＡＭ３３の要求値領域３３６
に記憶される。 次に、ステップ５０４において、加工結果データの要求
値に対する偏差である加工誤差データが演算され、これ
らのデータはＲＡＭ３３の加工誤差データ領域３４０に
記憶される。 加工誤差データは、全研削時間誤差Ｈ１，仕上仕上粗さ
誤差Ｈ２，仕上仕上誤差Ｈ５，仕上真円度誤差Ｈ４，焼
は又は割れの程度誤差Ｈｓ、びびりの程度誤差Ｈ６等で
ある。 ８第２ニユーラルネツトワーク　（加工診断エンジン） 次に、ステップ５０６において、第２のニューラルネッ
トワークの入力層の対応する各素子に加工誤差データ領
域３４０に記憶されている加工誤差データ（ＩＩ、〜Ｈ
，）を入力させて、第２のニューラルネットワークを起
動する。 そして、ステップ５０８において、第２のニューラルネ
ットワークの出力である加工条件データの補正量（δ、
〜δＩＩ）は、ＲＡＭ３３の補正量領域３３８に記憶さ
れる。 この第２のニューラルネットワークは第９図に示す構成
のも−のである。本実施例では、第２のニューラルネッ
トワークは、入力層と中間層と出力層との３層構造であ
る。 この第２のニューラルネットワークの各素子の演算機能
は、上記の第１のニューラルネットワークの演算機能と
完全に同一である。 次に、ステップ５１０において、第１のニューラルネッ
トワークで求められた各凹加工条件データ（Ｋ、〜ｋｚ
）に補正量（δ１−δ１１）が加算されて修正された新
加工条件データ（Ｋ、〜に１１）が求められる。それら
のデータはＲＡＭ３３の加工条件データ領域３３３の内
容を書き換えて記憶される。 又、その加工条件データはＣＲＴ２３に表示される。 ステップ５１２において、作業者はその表示結果をみて
、データの修正が必要と判断すれば、ステップ５１４に
おいて、修正値がキーボード２２から入力され、その修
正された加工条件データは加工条件データ領域３３３に
記憶される。 次に、ステップ５１６において、修正値に基づく第２の
ニューラルネットワークの適正な出力（補正量）が求め
られ、その出力は教師データとして教師データ領域３４
１に記憶される。 次に、ステップ５１８において、その時の教師ブタに対
応する第２のニューラルネットワークの入力である加工
誤差データが入力データ領域３４２に教師データと対応
されて記憶される。 次に、ステップ５２０において、補正された加工条件デ
ータに、−に、、を用いてＮＣデータが演算され、演算
されたＮＣデータはＲＡＭ３３のＮＣデータ領域３３１
に記憶される。 以上のように、本実施例では、加工条件データの基準値
が第１のニューラルネットワークにより補正され、更に
、第２のニューラルネットワークを用いて、加工誤差の
考慮された補正が行われる。従って、より正確な加工条
件データが求められる。 ９９．学習データの学習装置への出力 第１０図のステップ８００で示すように、ＲＡＭ３３に
記憶されている学習データがＦＤ３７に出力される。 即ち、教師データ領域３４１に記憶されている第１及び
第２のニューラルネットワークに対する蓄積された教師
データがＦＤ３７に出力される。 又、入力データ領域に記憶されている第１のニューラル
ネットワークの入力データである蓄積された固定条件デ
ータと、第２のニューラルネットワークの入力データで
ある蓄積された加工誤差データとがＦＤ３７に出力され
る。 尚、このＦＤ３７には、ＲＡＭ３３の結合係数領域３３
５に記憶されている第１及び第２のニューラルネットワ
ークの結合係数データが記憶されている。 学習装置のＣＰＵ４０は、第１１図に示すように、ステ
ップ８５０でＦＤ３７から第１及び第２のニューラルネ
ットワークの学習済の結合係数データを入力し、ＲＡＭ
４６の結合係数領域４６２にそのデータを記憶する。 又、ステップ８５２において、ＦＤ３７から第１及び第
２のニューラルネットワークの教師データを入力し、Ｒ
ＡＭ４６の教師データ領域４６３にそのデータを記憶す
る。 又、ステップ８５４において、ＦＤ３７から第１及び第
２のニューラルネットワークの入力データを入力し、Ｒ
ＡＭ４６の入力データ領域４６４にそのデータを記憶す
る。 又、ステップ８５６において、ＦＤ３７から第１及び第
２のニューラルネットワークの演算プログラムをニュー
ラルネットワーク領域４６１に記憶する。 次に、上記の第１のニューラルネットワークの結合係数
の学習手順について説明する。 結合係数は第６図に示すニューラルネットワークにつき
、良く知られたバックプロパーゲーション法により実行
される。 第１２図のステップ６００において、次式により出力層
の各素子の学習信号が演算される。 但し、Ｔ、は出力である補正量δ、に対する教師データ
であり、外部から付与される。ｆ’　（Ｘ）はシグモイ
ド関数の導関数である。 次に、ステップ６０２において、中間層の学習信号が次
式で演算される。 次に、ステップ６０４において、出力層の各素子の結合
係数が補正される。 補正量は次式で求められる。 子と中間層の第１＃目の素子との間の結合係数の第を回
目演算の変化量である。 又、△ω＋、　ｉ　（ｔ−１）は、その結合係数の前回
の補正量である。Ｐ、０は比例定数である。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ６０６へ移行して、中間層の容素の結合
係数が補正される。 その結合係数の補正量は出力層の場合と同様に、次式で
求められる。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ６０８において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。 結合係数が収束していなければ、ステップ６００に戻り
、新たに補正された結合係数を用いて、同様な演算が繰
り返され、結合係数が再度補正される。 更に、この結合係数を用いて、その教師データに対応す
る入力データ（固定条件データ）を入力して、第１のニ
ューラルネットワークを起動して、その出力（補正量）
を求める。その出力とその教師データとを用いて、第１
２図のプログラムを実行して、学習が行われる。そして
、ある入力データに対して、出力と教師データとの偏差
が許容範囲にはいるまで、上記の学習が繰り返し実行さ
れる。 さらに、上記の学習が他の教師データとそれに対応する
入力データとに応じて実行される。 そして、蓄積された全ての入力データに対する出力が全
ての教師データに収束するまで、上記の学習が繰り返し
実行される。 尚、第１のニューラルネットワークの教師データは、第
２のニューラルネットワークの補正量を考慮して補正さ
れた加工条件データに対するものである。 従って、学習が進行するにつれて、第１のニューラルネ
ットワークだけで、適正な加工条件データの補正量を求
めることができる。 即ち、第２のニューラルネットワークの出力である補正
量は第１のニューラルネットワークの学習が進行するに
つれて、零に収束して行く。 １１、第２のニューラルネットワークの学習第２のニュ
ーラルネットワークの学習も、実際の使用に際して蓄積
された教師データを用いて、第１のニューラルネットワ
ークの学習と全く同様に行われる。 このようにして、数値制御装置で実際の使用に際し、蓄
積された教師データを用いて、オフライン学習装置の高
速演算能力により、結合係数を学習させることができる
。この結果、数値制御装置の加工制御に負担をかけるこ
となく、精巧な学習が可能となる。 上記の実施例では、加工に必要なニューラルネットワー
クの演算プログラム及びその結合係数データをＦＤ３７
から入力し、学習データをＦＤ３７に出力するようにし
ている。しかし、通信回線を介してメインコンピュータ
から二、　−ラルネットワークの演算プログラム及びそ
の結合係数データを入力したり、学習データをメインコ
ンピュータに出力して、メインコンピュータで結合係数
を学習させるようにしても良い。

【発明の効果】

本発明は、数値制御装置において、実際にニューラルネ
ットワークを用いて加工条件データの補正量を求める一
時に、その修正が生じた場合に、その時の適正な補正量
を教師データとして蓄積しておき、オフライン学習装置
にその教師データを出力して、オフライン学習装置で精
巧な学習を実行し、その学習されたニューラルネットワ
ークを数値制御に再入力するようにしている。 この結果、数値制御装置の加工制御に負荷をかけて、加
工制御を中断させることなく、精巧な学習が可能となる
。

【図面の簡単な説明】

第１図は本発明の具体的な一実施例に係る加工条件自動
決定装置を有した数値制御研削盤の全体の機械的構成を
示した構成図。第２図は同実施例装置に係る数値制御装
置及び操作盤の電気的構成を示したブロックダイヤグラ
ム。第３図はオフライン学習装置の構成を示したブロッ
クダイヤグラム。第４図は加工条件自動決定装置で使用
されているＣＰＵによるニューラルネットワークの演算
プログラム及びその結合係数データを入力する手順を示
したフローチャート。第５図は同加工条件自動決定装置
で使用されているＣＰＩＪによる加工条件データの演算
手順を示したフローチャート。 第６図は第１のニューラルネットワークの構造を示した
構造図。第７図はその第１のニューラルネットワークに
よる演算手順を示したフローチャート。第８図は同加工
条件自動決定装置で使用されているＣＰＵによる加工誤
差データに基づく加工条件データの補正手順を示したフ
ローチャート。 第９図は第２のニューラルネットワークの構造を示した
構造図。第１０図は同加工条件自動決定装置で使用され
ているＣＰＬＪによる学習された結合係数データを記憶
媒体に保存する手順を示したフローチャート。第１１図
はオフライン学習装置のＣＰＵによる学習データの入力
手順を示したフローチャート。第１２図はオフラン学習
装置による第１のニューラルネットワークの学習手順を
示したフローチャート。第１３図はシステム全体の作動
概念を示したフローチャートである。 操作盤　２１　操作パネル キーボード　２３　　ＣＲＴ表示装置 数値制御装置　３１　　ＣＰ　Ｕ ＲＯＭ　　３３−ＲＡＭ　　５０　　・研削盤ベツド　
５２　テーブル テーブル送り用モータ　５４　主軸台 主軸　５６　心押台　５７　心押軸 主軸モータ　６０−砥石車　６１　砥石台砥石車駆動モ
ータ 砥石台送り用モータ 工作物

Claims (1)

1. 【特許請求の範囲】 数値制御装置における加工状態を制御するための加工条
   件データの自動作成機能の学習方法において、 実際の加工に際し、加工条件データに影響を与える加工
   要因に関するデータを入力し、その加工条件データの補
   正量をニューラルネットワークを用いて演算し、 前記ニューラルネットワークの出力である前記補正量を
   評価し、その評価の結果、前記補正量が修正された時に
   は、その修正値を教師データとして、その時のニューラ
   ルネットワークの入力データと共に記憶装置に蓄積し、 前記蓄積された入力データと教師データとに従って、加
   工制御を行う前記数値制御装置とは別の装置でオフライ
   ンにより前記ニューラルネットワークの結合係数を学習
   する 数値制御装置の加工条件作成機能の学習方法。