[go: up one dir, main page]

WO2025069243A1 - 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム - Google Patents

加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム Download PDF

Info

Publication number
WO2025069243A1
WO2025069243A1 PCT/JP2023/035118 JP2023035118W WO2025069243A1 WO 2025069243 A1 WO2025069243 A1 WO 2025069243A1 JP 2023035118 W JP2023035118 W JP 2023035118W WO 2025069243 A1 WO2025069243 A1 WO 2025069243A1
Authority
WO
WIPO (PCT)
Prior art keywords
machining
learning
axis direction
dimensional shape
machining axis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/JP2023/035118
Other languages
English (en)
French (fr)
Inventor
敦仁 矢野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2025529710A priority Critical patent/JP7721047B1/ja
Priority to PCT/JP2023/035118 priority patent/WO2025069243A1/ja
Priority to TW113115457A priority patent/TW202513221A/zh
Publication of WO2025069243A1 publication Critical patent/WO2025069243A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4069—Simulating machining process on screen

Definitions

  • This disclosure relates to a processing feasibility determination device, a processing feasibility learning device, a processing feasibility determination method, a processing feasibility learning method, a processing feasibility determination program, and a processing feasibility learning program.
  • cutting processes where a material (workpiece) is cut using cutting tools such as drills, milling cutters, or cutting tools (hereafter abbreviated as "tools")
  • tools such as drills, milling cutters, or cutting tools (hereafter abbreviated as "tools"
  • cutting with the tool can be difficult depending on the design shape.
  • heat generated during processing can cause the material to expand or the tool to deform, and processing defects can occur due to tool vibration or deflection.
  • Patent Document 1 discloses a method for manufacturing electrodes that determines whether they can be manufactured for electrical discharge machining.
  • Non-Patent Document 1 discloses a technology that determines whether cutting is possible using a device that inputs voxel data that represents a three-dimensional shape into a 3D-CNN (three-dimensional convolutional neural network) model and trains it.
  • 3D-CNN three-dimensional convolutional neural network
  • Patent Document 1 extracts all of the ridges that make up the electrode shape from the input three-dimensional electrode data and shape identification information, and then determines whether the electrode contour identified from the extracted ridges can be machined, which creates a problem of a large computational load for extracting the electrode contour from three-dimensional electrode data, etc.
  • the technology described in Non-Patent Document 1 requires a large-scale 3D-CNN model to handle voxel data, which is three-dimensional data, which increases the computational load and the amount of data required for learning.
  • the present disclosure aims to provide a machining feasibility determination device, machining feasibility determination method, and machining feasibility determination program that determine whether cutting processing is possible (whether cutting processing is possible or not), and a machining feasibility learning device, machining feasibility learning method, and machining feasibility learning program that construct the machining feasibility determination device through learning that suppresses the number of learning data and the calculation load.
  • the machining feasibility determination device of the present disclosure is characterized by comprising: a three-dimensional shape extraction unit that extracts a three-dimensional shape from three-dimensional shape data indicating a shape to be machined; a three-dimensional shape rotation unit that rotates the three-dimensional shape so that the machining surface of the three-dimensional shape faces the desired machining axis direction; a depth map conversion unit that generates a depth map by adding depth information of the desired machining axis direction extracted from the three-dimensional shape data to a two-dimensional image obtained by orthogonally projecting the machining surface onto a plane perpendicular to the desired machining axis direction; and an inference unit that is constructed by machine learning using a learning machining axis direction instruction including instruction information for the learning machining axis direction, a learning depth map extracted from the learning three-dimensional shape data according to the learning machining axis direction instruction, and machining feasibility information describing whether or not actual machining performed according to the learning machining axis direction instruction and the learning three-dimensional shape data is possible
  • the machining feasibility determination method of the present disclosure is a machining feasibility determination method executed by a computer, and includes the steps of: extracting a three-dimensional shape from three-dimensional shape data indicating a shape to be machined; rotating the three-dimensional shape so that the machining surface of the three-dimensional shape faces the desired machining axis direction; generating a depth map by adding depth information of the desired machining axis direction extracted from the three-dimensional shape data to a two-dimensional image obtained by orthogonally projecting the machining surface onto a plane perpendicular to the desired machining axis direction; and determining whether the shape to be machined can be machined by inference using the desired machining axis direction and the depth map, which is constructed by machine learning using a learning machining axis direction instruction, a learning depth map extracted from the learning three-dimensional shape data according to the learning machining axis direction instruction, and machining feasibility information indicating whether actual machining can be performed according to the learning machining axis direction instruction and the learning three-dimensional shape data.
  • the machining feasibility determination program of the present disclosure causes a computer to execute the steps of: extracting a three-dimensional shape from three-dimensional shape data indicating a shape to be machined; rotating the three-dimensional shape so that the machining surface of the three-dimensional shape faces the desired machining axis direction; generating a depth map by adding depth information in the desired machining axis direction extracted from the three-dimensional shape data to a two-dimensional image obtained by orthogonally projecting the machining surface onto a plane perpendicular to the desired machining axis direction; and determining whether the shape to be machined can be machined by inference using the desired machining axis direction and the depth map, which is constructed by machine learning using a learning machining axis direction instruction, a learning depth map extracted from the learning three-dimensional shape data according to the learning machining axis direction instruction, and machining feasibility information indicating whether actual machining can be performed according to the learning machining axis direction instruction and the learning three-dimensional shape data.
  • machining feasibility determination device machining feasibility determination method
  • machining feasibility determination program that determine whether cutting processing is possible through learning that reduces the amount of learning data and the computational load by using a depth map from the machining axis direction, as well as a machining feasibility learning device, machining feasibility learning method, and machining feasibility learning program that perform the learning.
  • FIG. 1A is a functional configuration diagram showing a machining feasibility determination device according to a first embodiment
  • FIG. 1B is a functional configuration diagram showing a machining feasibility learning device according to a first embodiment
  • 1 is a hardware configuration diagram showing a processing feasibility determination device and a processing feasibility learning device according to a first embodiment
  • 4A, 4B, and 4C are explanatory diagrams illustrating cutting processing by a cutting machine such as a milling machine or a machining center.
  • 11A, 11B, 11C, 11D, and 11E are explanatory diagrams illustrating examples of cases in which processing is not possible.
  • 13 is a flowchart showing an example of a determination process of a trained machining feasibility determination device according to embodiment 1.
  • FIG. 6A is a schematic diagram showing an example of a three-dimensional shape extracted from three-dimensional CAD data
  • FIG. 6B is an example of a depth map generated from the three-dimensional shape shown in FIG. 6A
  • FIG. 1A is a schematic diagram showing an example of when a tool accesses a material from the machining axis direction
  • FIG. 1B is an explanatory diagram showing that shape information of the machining surface can be represented in a depth map by orthogonal projection.
  • FIG. 11 is a functional configuration diagram showing a machining possibility determination device according to a second embodiment.
  • FIG. 1A is an explanatory diagram illustrating an example of a location that is difficult to cut with the current machining axis direction
  • FIG. 1B is an explanatory diagram showing a case where machining becomes possible by changing the machining axis direction.
  • 13 is a flowchart showing an example of a determination process of a trained machining possibility determination device according to embodiment 2.
  • 13A is a functional configuration diagram showing a machining feasibility determination device according to a third embodiment
  • FIG. 13B is a functional configuration diagram showing a machining feasibility learning device according to the third embodiment.
  • FIG. 13 is a functional configuration diagram showing a processing feasibility learning device according to embodiment 4.
  • 13A is a schematic diagram showing an example of a depth map
  • FIG. 13B is a schematic diagram showing an example of a heat map of areas that are inappropriate for processing, which is processing feasibility information corresponding to the depth map in FIG. 13A.
  • 13 is a functional configuration diagram showing a machining possibility determination device according to a fifth embodiment.
  • 15A is an explanatory diagram showing the planned machining shape for the material shape
  • (b) is an explanatory diagram when the machining surface/machining axis direction recording unit records the machining axis direction in the machining surface list created by the machining surface division unit
  • (c) is an explanatory diagram when the material shape shown in FIG. 15A is rotated 90° to the left in the figure by the three-dimensional shape rotation unit
  • (d) is an explanatory diagram when the machining surface/machining axis direction recording unit records the machining axis direction in the machining surface list with the material shape rotated 90°.
  • 13 is a flowchart showing an example of a judgment process of a trained machining possibility judgment device according to embodiment 5.
  • processing feasibility determination device and processing feasibility learning device will be described with reference to the drawings.
  • the following embodiments are merely examples, and the embodiments can be combined as appropriate and each embodiment can be modified as appropriate.
  • First Embodiment Fig. 1(a) is a functional configuration diagram showing a machining possibility determination device 100 according to embodiment 1.
  • the machining possibility determination device 100 includes a three-dimensional shape extraction unit 10 that extracts shape information (planned machining shape) after machining of a material to be machined from input three-dimensional CAD data, a three-dimensional shape rotation unit 12 that orients a surface to be machined (hereinafter referred to as a "machining surface”) in the extracted shape information in a desired machining axis direction (for example, Z axis direction) based on an input machining axis instruction, a depth map conversion unit 14 that converts shape information in which the machining surface is oriented in the machining axis direction to generate a depth map in the machining axis direction as shown in Fig.
  • the inference model 16 is constructed by training a mathematical model such as a CNN through machine learning using learning machining axis direction instructions, a learning depth map extracted from learning three-dimensional shape data in accordance with the learning machining axis direction instructions, and machining feasibility information indicating whether or not actual machining was possible in accordance with the learning machining axis direction instructions and the learning three-dimensional shape data, each of which is prepared in advance for learning.
  • FIG. 1(b) is a functional configuration diagram showing a machining feasibility learning device 110 according to the first embodiment.
  • the machining feasibility learning device 110 includes a shape/machining axis direction database (DB) 20, a machining feasibility information DB 24 that stores machining feasibility information, which is teaching data, and a learning device 22 that updates the inference model 16 with the machining feasibility information.
  • DB shape/machining axis direction database
  • machining feasibility information DB 24 that stores machining feasibility information, which is teaching data
  • a learning device 22 that updates the inference model 16 with the machining feasibility information.
  • the shape/machining axis direction DB20 includes a shape information DB20A that stores 3D CAD data, which is 3D shape data for learning, and a machining axis direction instruction DB20B that stores machining axis direction instructions, which are machining axis direction instructions for learning.
  • the data stored in each of the shape information DB 20A, machining axis direction instruction DB 20B, and machining feasibility information DB 24 is past machining case data.
  • the 3D CAD data stored in the shape information DB 20A is data of a learning 3D shape that was actually used in machining
  • the machining axis direction instruction stored in the machining axis direction instruction DB 20B is also data of a learning machining axis direction instruction that was actually used in machining.
  • the machining feasibility information DB 24 stores the feasibility of the machining results using the 3D CAD data stored in the shape information DB 20A and the machining axis direction instruction stored in the machining axis direction instruction DB 20B.
  • the learning machining feasibility information stored in the machining feasibility information DB 24 corresponds to each of the 3D CAD data stored in the shape information DB 20A and the machining axis direction instruction stored in the machining axis direction instruction DB 20B.
  • the learning device 22 evaluates the inference model 16 by comparing the result of the inference model 16 judging the learning depth map obtained using the three-dimensional CAD data and machining axis direction instructions, which are past machining case data, with the machining feasibility information corresponding to the three-dimensional CAD data and machining axis direction instructions used for the judgment by the inference model 16, and updates the inference model 16.
  • FIG. 2 is a hardware configuration diagram showing the processing feasibility determination device 100 and processing feasibility learning device 110 according to the first embodiment.
  • the processing feasibility determination device 100 and the processing feasibility learning device 110 are composed of a computer including a processor 210, a storage device 220, and an input/output interface 230.
  • the processing feasibility determination device 100 may be composed of multiple computers.
  • the processor 210 is an integrated circuit (IC) that performs arithmetic processing. Specific examples of the processor 210 include a central processing unit (CPU), a digital signal processor (DSP), and a graphics processing unit (GPU).
  • the processor 210 can render three-dimensional CAD data, can change the orientation of the imaged three-dimensional CAD data in any machining axis direction, and functions as the three-dimensional shape extraction unit 10, the three-dimensional shape rotation unit 12, and the depth map conversion unit 14 described above by operating a program that generates a depth map from the three-dimensional CAD data.
  • the processor 210 also functions as the learner 22 described above by operating a program that performs machine learning using teacher data, and constructs an inference model 16 that determines whether or not the work can be machined as a result of the machine learning.
  • the processor 210 functions as a learner 22 that updates the three-dimensional shape extraction unit 10, the three-dimensional shape rotation unit 12, the depth map conversion unit 14, and the inference model 16 through the operation of the machine learning manipulability learning program.
  • the processor 210 functions as the three-dimensional shape extraction unit 10, the three-dimensional shape rotation unit 12, the depth map conversion unit 14, and the inference model 16 through the operation of the manipulability determination program.
  • the manipulability determination program and the manipulability learning program are provided, for example, on a recording medium on which they are recorded.
  • the storage device 220 is composed of a volatile storage device such as a RAM (Random Access Memory), a ROM (Read Only Memory), a HDD (Hard Disk Drive), or a non-volatile storage device such as a flash memory.
  • a volatile storage device such as a RAM (Random Access Memory), a ROM (Read Only Memory), a HDD (Hard Disk Drive), or a non-volatile storage device such as a flash memory.
  • the input/output interface 230 is a port to which the input device 300 and the output device 310 are connected. Specific examples of the input/output interface 230 include a USB (Universal Serial Bus) terminal, an IEEE 1394 terminal, or a Thunderbolt terminal, and further includes a communication interface such as Ethernet.
  • the input device 300 is a touch panel, a keyboard, a mouse, etc.
  • the output device 310 is a display or a printer, etc.
  • the shape/machining axis direction DB 20 and the machining feasibility information DB 24 are each connected to the aforementioned input/output interface 230.
  • the shape/machining axis direction DB 20 and the machining feasibility information DB 24 may each be constructed in the storage device 220.
  • Figures 3(a), (b), and (c) are explanatory diagrams illustrating cutting processing using a cutting machine such as a milling machine or a machining center.
  • Figure 3(a) is an explanatory diagram of plane machining in which a planar cutting surface 42 of a material 40 is cut with a tool 30 such as a flat milling cutter. In plane machining, the tool 30 is moved in a direction parallel to the plane of the material 40 perpendicular to the machining axis direction as shown by the arrow to cut the cutting surface 42.
  • FIG. 3(b) is an explanatory diagram of side surface machining, in which a tool 32 such as a corner milling cutter is used to cut the side surface of a blank 40. In side surface cutting, the tool 32 is moved in the direction of the arrow to cut the cutting surface 44.
  • a tool 32 such as a corner milling cutter
  • FIG. 3(c) is an explanatory diagram of drilling and pocket machining in which a tool 34 such as an end mill cuts a blank 40 in the machining axis direction.
  • the tool 34 is sent in the machining axis direction shown by the arrow to cut a cutting surface 46 of the blank 40.
  • the possibility of machining other than the above is also determined.
  • the possibility of forming a three-dimensional shape by electric discharge machining which processes a material by arc discharge between an electrode and the material, may be determined.
  • Figures 4(a), (b), (c), (d), and (e) are explanatory diagrams illustrating examples of cases in which machining is impossible.
  • Figure 4(a) shows a case of tool interference, in which parts of the tool 34 other than the cutting edge interfere with the material 40
  • Figure 4(b) shows a case in which the tool 34 is not suitable for the machining shape of the material 40.
  • the problem can be solved by applying machining rules, such as changing the tool 34 to one that is suitable for the situation, so it is possible to determine whether machining is possible without using the machining feasibility determination device 100 of embodiment 1.
  • Figure 4(c) shows a case where the cutting surface 44 cannot be cut accurately due to vibration of the tool 32
  • Figure 4(d) shows a case where the tool 34 is bent and cannot cut the material 40 correctly
  • Figure 4(e) shows an example where the processed shape of the material 40 is complex and it is difficult to make a judgment based on the processing rules.
  • a solution based on the processing rules such as changing the tool is not possible, so traditionally, a skilled technician has judged whether or not processing is possible based on his or her own experience.
  • the learned processing feasibility judgment device 100 judges whether or not processing is possible in the cases shown in Figures 4(c), (d), and (e) without relying on a skilled technician.
  • FIG. 5 is a flowchart showing an example of the determination process of the trained machining feasibility determination device 100 according to the first embodiment.
  • step S101 three-dimensional CAD data, which is shape information, is input to the three-dimensional shape extraction unit 10.
  • step S102 the three-dimensional shape extraction unit 10 renders the input three-dimensional CAD data to extract a three-dimensional shape.
  • Figure 6(a) is a schematic diagram showing an example of a three-dimensional shape extracted from the three-dimensional CAD data.
  • step S103 the three-dimensional shape rotation unit 12 rotates the three-dimensional shape extracted in step S102 in accordance with the machining axis direction instruction.
  • the machining surface of the material 40 is oriented in the Z axis direction. More specifically, the machining surface of the material 40 is made to face the Z axis direction.
  • the machining axis direction instruction may be set in advance on the Z axis, or may be input at the stage of step S101.
  • step S104 the depth map conversion unit 14 generates a depth map of a three-dimensional shape with the machining surface oriented in the Z-axis direction.
  • FIG. 6(b) is an example of a depth map generated from the three-dimensional shape shown in FIG. 6(a).
  • the depth map is two-dimensional image data generated by orthogonally projecting a three-dimensional shape with the machining surface oriented in the Z-axis direction onto a plane perpendicular to the Z-axis.
  • the depth map includes information on the depth in the Z-axis direction attached to the two-dimensional image data showing the machining surface.
  • the information on the depth in the Z-axis direction is extracted from the three-dimensional CAD data, which is the input shape information.
  • FIG. 6(b) is an example of a depth map generated from the three-dimensional shape shown in FIG. 6(a).
  • the depth map is two-dimensional image data generated by orthogonally projecting a three-dimensional shape with the machining surface oriented in the Z-axis direction onto
  • the depth information is hue or brightness.
  • shallow areas are represented by a bright hue such as yellow, and deep areas are represented by a dark hue such as dark blue.
  • a dark hue such as dark blue.
  • the depth is represented by a single color such as gray, shallow areas are represented by a high brightness, and deep areas are represented by a low brightness.
  • tool 32 approaches and processes material 40 from the machining axis direction (Z-axis direction), so the information required to determine whether machining is possible is shape information of the machining surface as viewed from the Z-axis direction, and shape information of the side or back of material 40 other than the machining surface is not necessary for the time being.
  • shape information of the machining surface can be expressed in a depth map by orthogonal projection, so whether machining is possible can be determined using the depth map, which is two-dimensional data, instead of data showing a three-dimensional shape.
  • step S105 the inference model 16 infers whether machining is possible.
  • the inference model 16 is trained using the three-dimensional CAD data, the machining axis direction instruction, and machining feasibility information corresponding to each of the three-dimensional CAD data and the machining axis direction instruction.
  • the trained inference model 16 performs inference based on the machining feasibility information used for training and outputs the inference result.
  • step S106 the inference model 16 determines whether the inference result output in step S105 can be processed. If the determination result in step S106 is that it can be processed, the procedure proceeds to step S107, and if the determination result is that it cannot be processed, the procedure proceeds to step S108.
  • step S107 the inference model 16 outputs a processing possibility determination to the output device 310 and ends the process.
  • step S108 the inference model 16 outputs a processing impossibility determination to the output device 310 and ends the process.
  • the possibility of processing is determined using a depth map, which is two-dimensional data generated from a three-dimensional shape. Since the data is two-dimensional, the data size is smaller than that of a three-dimensional shape, the number of learning data and the computational load during learning of the inference model 16 can be reduced. In addition, the computational load of determining whether processing is possible in the processing possibility determination device 100 after learning can be reduced.
  • the machining possibility determination device 120 according to the second embodiment shown in FIG. 8 includes a machining axis direction adjustment unit 26 that adjusts the machining axis direction according to the machining possibility determination output by the inference model 16, and the three-dimensional shape rotation unit 28 differs from the first embodiment in that it rotates the three-dimensional shape in the machining axis direction adjusted by the machining axis direction adjustment unit 26.
  • the same configurations as those of the first embodiment are given the same reference numerals as those of the first embodiment, and detailed descriptions thereof will be omitted.
  • the processor 210 functions as the three-dimensional shape extraction unit 10, the three-dimensional shape rotation unit 28, the depth map conversion unit 14, and the inference model 16, and also functions as the machining axis direction adjustment unit 26.
  • the machining axis is set to the Z axis to determine whether machining is possible.
  • the machining axis direction (the orientation of the material 40) is automatically changed while repeatedly determining whether machining is possible, thereby verifying all machining axis directions. For example, as shown in FIG.
  • the machining axis direction is changed by rotating the material 40 in the vertical direction 50 or the horizontal direction 52.
  • Some cutting machines are capable of changing the machining axis while the material 40 is fixed, but even with such machines, it is easier and faster to control machining by rotating the material 40 to change the machining surface than by changing the machining axis.
  • the actual machining axis on which the tool is set is fixed, for example, in the Z axis direction, and the three-dimensional shape is rotated so that the machining surface is the same as when the machining axis is changed from the Z axis.
  • FIG. 10 is a flowchart showing an example of the judgment process of the learned machining feasibility judgment device 120 according to the second embodiment.
  • the flowchart shown in FIG. 10 differs from the flowchart of the first embodiment shown in FIG. 5 in that it includes step S203 instead of step S103 in the first embodiment, step S204 for judging whether the machining axis direction has been changed in all directions, and step S205 for changing the machining axis direction instruction.
  • step S203 instead of step S103 in the first embodiment
  • step S204 for judging whether the machining axis direction has been changed in all directions
  • step S205 for changing the machining axis direction instruction.
  • the same steps as those in the first embodiment are denoted by the same reference numerals as those in the first embodiment, and detailed explanations will be omitted.
  • step S203 the three-dimensional shape rotation unit 28 rotates the three-dimensional shape extracted in step S102 according to the machining axis direction instruction.
  • the machining axis direction instruction is preset to the Z axis.
  • the machining axis direction instruction may be input at the stage of step S101.
  • the machining axis direction adjustment unit 26 changes the machining axis direction instruction, and in step S203, the three-dimensional shape is rotated according to the changed machining axis direction instruction.
  • the machining axis direction adjustment unit 26 determines in step S204 whether machining feasibility has been considered in all machining axis directions. If the material 40 is considered to be a rectangular parallelepiped, there are a total of six machining axis direction instructions. Of these six machining axis direction instructions, the machining axis direction adjustment unit 26 registers in the storage device 220 the Z axis set in the initial determination and the machining axis direction instruction changed in the subsequent step S205. In step S204, the machining axis direction adjustment unit 26 determines whether machining feasibility has been considered in all machining axis directions by referring to the storage device 220.
  • step S204 If it is determined in step S204 that machining feasibility has been examined in all machining axis directions, the procedure proceeds to step S108.
  • step S108 as in embodiment 1, a machining impossibility determination is output to the output device 310, and the process ends.
  • step S204 If it is determined in step S204 that the feasibility of machining has not been considered in all machining axis directions, the procedure proceeds to step S205.
  • step S205 the machining axis direction adjustment unit 26 changes the machining axis direction instruction and inputs the changed machining axis direction instruction to the 3D shape rotation unit 28.
  • step S203 the three-dimensional shape is rotated according to the changed machining axis direction instruction. Specifically, the three-dimensional shape is rotated so that the new machining surface when machining the three-dimensional shape in the machining axis direction indicated by the machining axis direction instruction input from the machining axis direction adjustment unit 26 faces the desired machining axis direction (the Z-axis direction in the second embodiment).
  • the depth map conversion unit 14 orthogonally projects the new machining surface onto a plane perpendicular to the Z-axis direction to generate a new depth map, and the inference model 16 uses the new depth map to determine whether the shape to be machined can be machined. If the determination result in step S106 is that machining is possible, a machining possibility determination is output to the output device 310 in step S107, and the process ends.
  • the machining axis direction is automatically changed while repeatedly judging whether machining is possible, thereby verifying all machining axis directions.
  • the shape is one in which machining ability changes depending on the machining axis direction, by making a judgment about all machining axis directions, it is possible to determine at what angle the part shape indicated by the design data is not machineable.
  • the machining feasibility learning device 140 according to the third embodiment shown in Fig. 11(b) is different from the first embodiment in that the learning device 22 evaluates the inference model 58 by comparing the results of the inference model 58, which are the depth map obtained using the three-dimensional CAD data and the machining axis direction instruction, which are past machining case data, the machining axis direction indicated by the machining axis direction instruction, and the information on the material of the material 40 stored in the machining information DB 20C included in the shape, machining axis direction, and machining information DB 48, the tool information (tool type, tool material, tool diameter, tool length, etc.) and the cutting parameters (tool feed rate, tool rotation speed, etc.), with the machining feasibility information stored in the machining feasibility information DB 24, and updates the inference model 58.
  • the learning device 22 evaluates the inference model 58 by comparing the results of the inference model 58, which are the depth map obtained using the three-dimensional CAD data and the machining axis direction instruction
  • 11A according to the third embodiment differs from the first embodiment in that the inference model 58 after learning determines the depth map obtained by using the three-dimensional CAD data and the machining axis direction instruction, the machining axis direction indicated by the machining axis direction instruction, and the machining information including the material information of the material 40, the tool information, and the cutting parameters.
  • the same reference numerals as those of the first embodiment are used for the same configurations as those of the first embodiment, and detailed descriptions thereof will be omitted.
  • the hardware configuration of the third embodiment is the same as that of the first embodiment, detailed descriptions thereof will be omitted.
  • the material quality of the material 40, the tool information, and the cutting parameters each greatly affect the judgment of whether machining is possible. For example, if an appropriate tool is not used for a difficult-to-cut material such as stainless steel, or if the feed rate or rotation speed of the tool is not appropriate for the difficult-to-cut material, the cutting surface 44 may not be cut accurately due to vibrations of the tool 32, as shown in Figure 4(c), or the tool 34 may bend and not cut the material 40 correctly, as shown in Figure 4(d).
  • the feasibility of cutting processing varies depending on the information on the material of the material 40, the tool information, and the cutting parameters.
  • the machining feasibility determination device 130 and machining feasibility learning device 140 according to the third embodiment, at least one of the information on the material of the material 40, the tool information, and the cutting parameters is added to the input to the inference model 58 to determine whether machining is possible.
  • the processing possibility learning device 150 according to the fourth embodiment shown in FIG. 12 differs from the first embodiment in that a heat map showing the processing improper parts is stored in the processing possibility information DB 56, and the learning device 54 updates the model of the inference model 16 using the heat map as teacher data.
  • the same configurations as those of the first embodiment are given the same symbols as those of the first embodiment, and detailed descriptions thereof will be omitted.
  • the processing possibility determination device constructed by the processing possibility learning device 150 has the same configuration as the processing possibility determination device 100 according to the first embodiment, except that the inference model 16 outputs a determination result in which the inference model 16 identifies the processing improper parts by learning to update the inference model 16 using the heat map showing the processing improper parts as processing possibility information, so detailed descriptions will be omitted.
  • the hardware configuration of the fourth embodiment is the same as that of the first embodiment, so detailed descriptions will be omitted.
  • FIG. 13(a) is a schematic diagram showing an example of a depth map
  • FIG. 13(b) is a schematic diagram showing an example of a heat map of unsuitable processing locations, which is processing feasibility information corresponding to the depth map in FIG. 13(a).
  • a heat map corresponding to the depth map is used as training data for training the inference model 16.
  • the heat map is obtained by dividing the range corresponding to the depth map as shown in FIG. 13(a) into a grid of a predetermined cell size, and linking each cell to a numerical value indicating the possibility of machining.
  • the cells shown in white are machineable parts 62 linked to numerical values close to 0, and the cells shown in black are unmachinable parts 66 linked to numerical values close to 1.
  • the cells shown in gray are intermediate parts 64 that are somewhat difficult to machine, linked to numerical values between 0 and 1.
  • the numerical values linked to each cell of the heat map which is information on whether machining is possible, are determined based on the results of an actual manual verification of whether machining is possible.
  • Figure 15(d) is an explanatory diagram of the case where the machining surface/machining axis direction recording unit 74 records the machining axis direction in the machining surface list when the material shape 80 is rotated 90 degrees.
  • Figure 15(c) when the material shape 80 is rotated 90 degrees, machining of machining surfaces (5) to (7) is possible, so the machining axis direction in the machining surface list is recorded as +90°, which is the rotation angle with respect to the Z axis.
  • step S302 the three-dimensional shape rotation unit 72 rotates the three-dimensional shape extracted in step S102 according to the machining axis direction instruction.
  • the machining axis direction instruction in the first judgment process, is preset to the Z axis.
  • the machining axis direction instruction may be input at the stage of step S101.
  • the machining axis direction adjustment unit 78 changes the machining axis direction instruction, and in step S302, the three-dimensional shape is rotated according to the changed machining axis direction instruction.
  • step S304 based on the machining feasibility judgment output by the inference model 16 in step S105, the machining surface/machining axis direction recording unit 74 records the machining surfaces and machining axis directions that are judged to be machineable in the machining surface list.
  • step S307 If it is determined in step S307 that the machining axis direction has not been changed in all directions, the procedure proceeds to step S308.
  • step S308 the machining axis direction adjustment unit 78 changes the machining axis direction instruction and inputs the changed machining axis direction instruction to the 3D shape rotation unit 72.

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

加工可否判定装置（１００）は、加工予定形状を示す３次元形状データから３次元形状を抽出する３次元形状抽出部（１０）と、３次元形状における加工面が所望の加工軸方向と正対するように、３次元形状を回転させる３次元形状回転部（１２）と、加工面を、所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、３次元形状データから抽出した所望の加工軸方向の深さの情報を付加した深度マップを生成する深度マップ変換部（１４）と、学習用加工軸方向指示と、学習用３次元形状データから抽出された学習用深度マップと、学習用加工軸方向指示及び学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報と、を用いた機械学習によって構築され、所望の加工軸及び深度マップ変換部（１４）で生成した深度マップを用いた推論により、加工予定形状の加工の可否を判定する推論モデル（１６）と、を備える。

Description

加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム
　本開示は、加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラムに関する。
　ドリル、フライス又はバイト等の切削工具（以下、「工具」と略記）により素材（工作対象物）を切削する切削加工は、設計上の形状によっては、工具による切削が困難な場合がある。また、加工時に発生する熱による素材の膨張又は工具の変形、さらには工具の振動又たわみによる加工不良が生じ得る。
　特許文献１には、放電加工の電極製作の可否を判定する電極製作方法が開示されている。また、非特許文献１には、３Ｄ－ＣＮＮ（３次元畳み込みニューラルネットワーク）モデルに、３次元形状を表すＶｏｘｅｌデータを入力して学習させた装置で切削可能の可否を判定する技術が開示されている。
特開２０１０－１０５０８０号公報
Ｃｏｍｐｕｔｅｒ　Ａｉｄｅｄ　Ｇｅｏｍｅｔｒｉｃ　Ｄｅｓｉｇｎ　６２（２０１８）２６３－２７５
　しかしながら、特許文献１に記載の技術は、入力された３次元電極データと形状識別情報とから電極形状を構成する稜線をすべて抽出し、抽出した稜線から特定された電極の輪郭に対して加工の可否の判定を行うので、３次元電極データ等から電極の輪郭を抽出する演算負荷が大きくなる問題点があった。また、非特許文献１に記載の技術は、３次元データであるＶｏｘｅｌデータを扱うために大規模な３Ｄ－ＣＮＮモデルを要するので、演算負荷及び学習に必要なデータ数が増大するという問題点があった。
　本開示は、切削加工の可否（切削加工が可能であるか不可能であるか）を判定する加工可否判定装置、加工可否判定方法、及び加工可否判定プログラムと、学習データ数及び演算負荷を抑制した学習によって当該加工可否判定装置を構築する加工可否学習装置、加工可否学習方法、及び加工可否学習プログラムとを提供することを目的とする。
　本開示の加工可否判定装置は、加工予定形状を示す３次元形状データから３次元形状を抽出する３次元形状抽出部と、前記３次元形状における加工面が所望の加工軸方向と正対するように、前記３次元形状を回転させる３次元形状回転部と、前記加工面を、前記所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記３次元形状データから抽出した前記所望の加工軸方向の深さの情報を付加した深度マップを生成する深度マップ変換部と、学習用の加工軸方向の指示情報を含む学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報と、を用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップ変換部で生成した深度マップを用いた推論により、前記加工予定形状の加工の可否を判定する推論部と、を備えることを特徴とする。
　本開示の加工可否判定方法は、コンピュータによって実行される加工可否判定方法であって、加工予定形状を示す３次元形状データから３次元形状を抽出するステップと、前記３次元形状における加工面が所望の加工軸方向と正対するように、前記３次元形状を回転させるステップと、前記加工面を、前記所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記３次元形状データから抽出した前記所望の加工軸方向の深さの情報を付加した深度マップを生成するステップと、学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップを用いた推論により、前記加工予定形状の加工の可否を判定するステップと、を有する。
　本開示の加工可否判定プログラムは、加工予定形状を示す３次元形状データから３次元形状を抽出するステップと、前記３次元形状における加工面が所望の加工軸方向と正対するように、前記３次元形状を回転させるステップと、前記加工面を、前記所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記３次元形状データから抽出した前記所望の加工軸方向の深さの情報を付加した深度マップを生成するステップと、学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップを用いた推論により、前記加工予定形状の加工の可否を判定するステップと、をコンピュータに実行させる。
　本開示によれば、加工軸方向からの深度マップを用いることにより学習データ数及び演算負荷を抑制した学習によって切削加工の可否を判定する加工可否判定装置、加工可否判定方法、及び加工可否判定プログラムを提供すると共に、当該学習を実行する加工可否学習装置、加工可否学習方法、及び加工可否学習プログラムを提供することが可能となる。
（ａ）は、実施の形態１に係る加工可否判定装置を示す機能構成図であり、（ｂ）は、実施の形態１に係る加工可否学習装置を示す機能構成図である。 実施の形態１に係る加工可否判定装置及び加工可否学習装置を示すハードウェア構成図である。 （ａ）、（ｂ）、（ｃ）は、フライス盤又はマシニングセンタ等の切削加工機による切削加工を例示した説明図である。 （ａ）、（ｂ）、（ｃ）、（ｄ）、（ｅ）は、加工不可となる場合を例示した説明図である。 実施の形態１に係る学習済みの加工可否判定装置の判定処理の一例を示したフローチャートである。 （ａ）は、３次元ＣＡＤデータから抽出した３次元形状の一例を示した概略図であり、（ｂ）は、図６（ａ）に示した３次元形状から生成した深度マップの一例である。 （ａ）は、加工軸方向から素材に工具がアクセスする場合の一例を示した概略図であり、（ｂ）は、正射投影によって加工面の形状情報を深度マップで表現可能なことを示す説明図である。 実施の形態２に係る加工可否判定装置を示した機能構成図である。 （ａ）は、現在の加工軸方向では切削が困難な箇所を例示した説明図であり、（ｂ）は、加工軸方向の変更によって加工が可能になった場合を示した説明図である。 実施の形態２に係る学習済みの加工可否判定装置の判定処理の一例を示したフローチャートである。 （ａ）は、実施の形態３に係る加工可否判定装置を示す機能構成図であり、（ｂ）は、実施の形態３に係る加工可否学習装置を示す機能構成図である。 実施の形態４に係る加工可否学習装置を示す機能構成図である。 （ａ）は、深度マップの一例を示した概略図であり、（ｂ）は、図１３（ａ）の深度マップに対応した加工可否情報である加工不適箇所のヒートマップの一例を示した概略図である。 実施の形態５に係る加工可否判定装置を示す機能構成図である。 （ａ）は、素材形状に対する加工予定形状を示した説明図であり、（ｂ）は、加工面分割部が作成した加工面リストに、加工面・加工軸方向記録部が加工軸方向を記録した場合の説明図であり、（ｃ）は、図１５（ａ）に示した素材形状を、３次元形状回転部により図上の左方向に９０°回転させた場合の説明図であり、（ｄ）は、素材形状を９０°回転させた状態で、加工面・加工軸方向記録部が加工軸方向を加工面リストに記録した場合の説明図である。 実施の形態５に係る学習済みの加工可否判定装置の判定処理の一例を示したフローチャートである。
　以下に、実施の形態に係る加工可否判定装置、及び加工可否学習装置を、図面を参照しながら説明する。以下の実施の形態は、例にすぎず、実施の形態を適宜組み合わせること及び各実施の形態を適宜変更することが可能である。
《実施の形態１》
　図１（ａ）は、実施の形態１に係る加工可否判定装置１００を示す機能構成図である。加工可否判定装置１００は、入力された３次元ＣＡＤデータから加工対象である素材の加工後の形状情報（加工予定形状）を抽出する３次元形状抽出部１０と、入力された加工軸指示に基づいて、抽出した形状情報における加工する面（以下、「加工面」と称する）を所望の加工軸方向（例えばＺ軸方向）に向ける３次元形状回転部１２と、加工面を加工軸方向に向けた形状情報を変換して図６（ｂ）に示したような加工軸方向の深度マップを生成する深度マップ変換部１４と、生成した深度マップの加工可否判定を行い、判定結果を出力する推論モデル１６と、を含む。推論モデル１６は、後述するように、学習用に予め各々用意された、学習用加工軸方向指示と、学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、学習用加工軸方向指示及び学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習でＣＮＮ等の数理モデルを学習させることによって構築される。
　図１（ｂ）は、実施の形態１に係る加工可否学習装置１１０を示す機能構成図である。加工可否学習装置１１０は、前述の３次元形状抽出部１０、３次元形状回転部１２、深度マップ変換部１４、及び推論モデル１６に加えて、形状・加工軸方向データベース（ＤＢ）２０と、教師データである加工可否情報を格納した加工可否情報ＤＢ２４と、加工可否情報で推論モデル１６を更新する学習器２２と、を含む。
　形状・加工軸方向ＤＢ２０は、学習用３次元形状データである３次元ＣＡＤデータを格納した形状情報ＤＢ２０Ａと、学習用加工軸方向指示である加工軸方向の指示を格納した加工軸方向指示ＤＢ２０Ｂとを含む。
　形状情報ＤＢ２０Ａ、加工軸方向指示ＤＢ２０Ｂ、及び加工可否情報ＤＢ２４の各々に格納されているデータは、過去の加工事例データである。例えば、形状情報ＤＢ２０Ａに格納された３次元ＣＡＤデータは、実際に加工で用いた学習用３次元形状のデータであり、加工軸方向指示ＤＢ２０Ｂに格納された加工軸方向の指示もまた、実際に加工で用いた学習用加工軸方向指示のデータである。そして、加工可否情報ＤＢ２４には、形状情報ＤＢ２０Ａに格納された３次元ＣＡＤデータと、加工軸方向指示ＤＢ２０Ｂに格納された加工軸方向の指示とを用いた加工の結果の可否が格納されている。また、加工可否情報ＤＢ２４に格納されている学習用の加工可否情報は、形状情報ＤＢ２０Ａに格納された３次元ＣＡＤデータと、加工軸方向指示ＤＢ２０Ｂに格納された加工軸方向指示との各々に対応している。実施の形態１では、過去の加工事例データである３次元ＣＡＤデータ及び加工軸方向指示を各々用いて得た学習用深度マップを推論モデル１６で判定した結果を、学習器２２が、推論モデル１６が判定に供した３次元ＣＡＤデータ及び加工軸方向指示に対応した加工可否情報と比較することにより推論モデル１６を評価し、推論モデル１６を更新する。
　図２は、実施の形態１に係る加工可否判定装置１００及び加工可否学習装置１１０を示すハードウェア構成図である。加工可否判定装置１００及び加工可否学習装置１１０は、プロセッサ２１０、記憶装置２２０、及び入出力インタフェース２３０を含むコンピュータから成る。加工可否判定装置１００は複数のコンピュータから成っていてもよい。
　プロセッサ２１０は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）である。プロセッサ２１０は、具体例として、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、又はＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等である。プロセッサ２１０は、３次元ＣＡＤデータをレンダリング可能で、画像化された３次元ＣＡＤデータを任意の加工軸方向に向きを変えることができ、３次元ＣＡＤデータから深度マップを生成するプログラムを動作させることにより、前述の３次元形状抽出部１０、３次元形状回転部１２及び深度マップ変換部１４として機能する。また、プロセッサ２１０は、教師データを用いた機械学習を行うプログラムの動作によって前述の学習器２２として機能し、当該機械学習の結果、加工可否を判定する推論モデル１６を構築する。実施の形態１では、機械学習に係る加工可否学習プログラムの動作により、プロセッサ２１０は、３次元形状抽出部１０、３次元形状回転部１２、深度マップ変換部１４、及び推論モデル１６を更新する学習器２２として機能する。また、実施の形態１では、機械学習後は、加工可否判定プログラムの動作により、プロセッサ２１０は、３次元形状抽出部１０、３次元形状回転部１２、深度マップ変換部１４、及び推論モデル１６として機能する。また、加工可否判定プログラム及び加工可否学習プログラムは、例えば、これらを記録した記録媒体で提供される。
　記憶装置２２０は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等の揮発性の記憶装置、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、又はフラッシュメモリなどの不揮発性の記憶装置により構成される。
　入出力インタフェース２３０は、入力装置３００及び出力装置３１０が接続されるポートである。入出力インタフェース２３０は、具体例として、ＵＳＢ(Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ)端子、ＩＥＥＥ　１３９４端子、又はＴｈｕｎｄｅｒｂｏｌｔ端子等であり、さらにイーサネット等の通信インタフェースを含む。入力装置３００は、タッチパネル、キーボード、マウス等である。出力装置３１０は、ディスプレイ又はプリンタ等である。また、学習時には、前述の入出力インタフェース２３０には、形状・加工軸方向ＤＢ２０及び加工可否情報ＤＢ２４の各々が接続される。形状・加工軸方向ＤＢ２０及び加工可否情報ＤＢ２４の各々は、記憶装置２２０内に構築されていてもよい。
　図３（ａ）、（ｂ）、（ｃ）は、フライス盤又はマシニングセンタ等の切削加工機による切削加工を例示した説明図である。図３（ａ）は、平フライス等の工具３０で素材４０の平面状の切削面４２を切削する平面加工の説明図である。平面加工では、工具３０を、加工軸方向に直交する素材４０の平面上で、矢印で示したように当該平面に対して平行方向に移動させながら切削面４２を切削する。
　図３（ｂ）は、角フライス等の工具３２で素材４０の側面を切削する側面加工の説明図である。側面切削では、工具３２を、矢印方向に移動させながら切削面４４を切削する。
　図３（ｃ）は、エンドミル等の工具３４で素材４０を加工軸方向に切削する穴あけ・ポケット加工の説明図である。穴あけ・ポケット加工では、工具３４を、矢印で示した加工軸方向に送り出して素材４０の切削面４６を切削する。
　実施の形態１では、上記以外の加工の可否も判定する。例えば、電極と素材との間のアーク放電で素材を加工する放電加工による立体形状の形成について、当該加工の可否について判定してもよい。
　図４（ａ）、（ｂ）、（ｃ）、（ｄ）、（ｅ）は、加工不可となる場合を例示した説明図である。図４（ａ）は、工具３４の切刃以外の部分が素材４０と干渉する工具干渉の場合を示し、図４（ｂ）は、工具３４が、素材４０の加工形状に適していない場合を示している。図４（ａ）、（ｂ）に示した場合は、工具３４を状況に適したものに変更する等の、加工におけるルールによって問題を解決できるので、実施の形態１に係る加工可否判定装置１００によらずとも加工可否の判断は可能である。
　図４（ｃ）は、工具３２の振動等により切削面４４を正確に切削できなくなる場合を示し、図４（ｄ）は、工具３４がたわんで素材４０を正しく切削できない場合を示している。図４（ｅ）は、素材４０の加工形状が複雑で、加工におけるルールに基づいた判断が困難な例を示している。図４（ｃ）、（ｄ）、（ｅ）に示した場合は、工具の変更等の加工のルールに基づいた解決は不可能なので、従来は、熟練技術者が自らの経験に基づいて加工の可否を判断してきた。実施の形態１では、熟練者に頼らず、学習済みの加工可否判定装置１００によって、図４（ｃ）、（ｄ）、（ｅ）に示した場合等での加工の可否を判定する。
　図５は、実施の形態１に係る学習済みの加工可否判定装置１００の判定処理の一例を示したフローチャートである。ステップＳ１０１では、３次元形状抽出部１０に、形状情報である３次元ＣＡＤデータを入力する。
　ステップＳ１０２では、３次元形状抽出部１０が、入力された３次元ＣＡＤデータをレンダリングして、３次元形状を抽出する。図６（ａ）は、３次元ＣＡＤデータから抽出した３次元形状の一例を示した概略図である。
　ステップＳ１０３では、３次元形状回転部１２が、ステップＳ１０２で抽出した３次元形状を、加工軸方向指示に従って回転させる。実施の形態１では、一例として、素材４０の加工面をＺ軸方向に向ける。より具体的には、素材４０の加工面をＺ軸方向に正対させる。加工軸方向指示は予めＺ軸に設定されていてもよいし、ステップＳ１０１の段階で入力してもよい。
　ステップＳ１０４では、深度マップ変換部１４が、加工面をＺ軸方向に向けた３次元形状の深度マップを生成する。図６（ｂ）は、図６（ａ）に示した３次元形状から生成した深度マップの一例である。深度マップは、加工面をＺ軸方向に向けた３次元形状を、Ｚ軸と直交する平面への正射投影で生成される２次元の画像データである。深度マップは、加工面を示した２次元画像のデータにＺ軸方向の深さの情報が付随する。Ｚ軸方向の深さの情報は、入力された形状情報である３次元ＣＡＤデータから抽出する。図６（ｂ）において深さの情報は色相又は明度である。深度マップにおいて、浅い部位は黄色等の明るい色相で表現し、深い部位は濃い青色等の暗い色相で表現する。深さをグレー等の一色で表現する場合は、浅い部位は高い明度で表現し、深い部位は低い明度で表現する。
　フライス盤等の切削加工機では図７（ａ）に示したように素材４０に対し、加工軸方向（Ｚ軸方向）から工具３２がアプローチして加工を行うため、加工可否の判断に必要な情報はＺ軸方向から見た加工面の形状情報が重要で、加工面以外の素材４０の側面又は背面の形状情報はひとまず不要となる。図７（ｂ）に矢印で示したように、正射投影によって加工面の形状情報は深度マップで表現可能なので、３次元形状を示すデータの代わりに２次元のデータである深度マップを使って加工可否が判断できる。
　ステップＳ１０５では、推論モデル１６が、加工可否を推論する。前述のように、実施の形態１では、３次元ＣＡＤデータと、加工軸方向指示と、３次元ＣＡＤデータ及び加工軸方向指示の各々に対応した加工可否情報とによって推論モデル１６を学習させている。学習済みの推論モデル１６は、学習に供した加工可否情報における加工の可否に基づいた推論を行い、推論結果を出力する。
　ステップＳ１０６では、推論モデル１６は、ステップＳ１０５で出力された推論結果が加工可能であるか否かを判定する。ステップＳ１０６で、判定結果が加工可能な場合は手順をステップＳ１０７に移行し、判定結果が加工可能でない場合は、手順をステップＳ１０８に移行する。
　ステップＳ１０７では、推論モデル１６は、加工可能判定を出力装置３１０に出力して処理を終了する。ステップＳ１０８では、推論モデル１６は、加工不可判定を出力装置３１０に出力して処理を終了する。
　以上説明したように、実施の形態１では、３次元形状から生成した２次元のデータである深度マップを用いて加工の可否の判定をする。データが２次元になれば３次元形状よりもデータサイズは小さくなるので、推論モデル１６の学習時における学習データ数及び演算負荷を抑制できる。また、学習後の加工可否判定装置１００における加工可否の判定の演算負荷を抑制できる。
　切削加工の加工可否判定の推論モデル１６を実現するに際して、従来のようにＶｏｘｅｌデータを入力するモデルでは３次元形状を示すデータを扱うことで多くの計算量と学習データを必要とする。しかしながら、実施の形態１では、２次元データである深度マップを入力することで計算量と学習データを低減できる。また学習データが同数であれば、ニューラルネットワークのパラメータ数が少ない分、従来よりも高い判定精度が実現できるようになる。
《実施の形態２》
　続いて実施の形態２に係る加工可否判定装置１２０について説明する。図８に示した実施の形態２に係る加工可否判定装置１２０は、推論モデル１６が出力した加工可否判定に応じて加工軸方向を調整する加工軸方向調整部２６を備え、３次元形状回転部２８は、加工軸方向調整部２６で調整した加工軸方向に３次元形状を回転させる点で実施の形態１と相違する。しかしながら、その他の構成は実施の形態１と同じなので、実施の形態１と同じ構成については、実施の形態１と同じ符号を付して、その詳細な説明は省略する。また、実施の形態２のハードウェア構成は、実施の形態１のハードウェア構成と同じなので、詳細な説明は省略するが、実施の形態２では、プロセッサ２１０は、３次元形状抽出部１０、３次元形状回転部２８、深度マップ変換部１４及び推論モデル１６として機能すると共に、加工軸方向調整部２６としても機能する。
　実施の形態１では、加工軸をＺ軸として加工可否の判定を行った。しかしながら、加工可否を判断する際、図９（ａ）に示したようなアンダーカット形状３８等の、現在の加工軸方向では切削が困難な箇所が存在する場合がある。図９（ａ）に示した場合であっても、図９（ｂ）に示したように、加工軸方向によっては加工が可能になる。実施の形態２では、設計データが与えられた際に、加工軸方向（素材４０の向き）を自動的に変えつつ加工可否の判定を繰り返すことで、あらゆる加工軸方向について検証する。例えば、図８に示したように、素材４０を垂直方向５０又は水平方向５２に回転させることにより、加工軸方向を変更する。切削加工機の一部には、素材４０を固定した状態で、加工軸を変更できる機種が存在するが、かかる機種でも加工軸を変更するよりも、素材４０を回転させて加工面を変更する方が加工の制御が簡易迅速に行える。実施の形態２及び後述する実施の形態５では、工具がセットされた実際の加工軸は、例えばＺ軸方向に固定し、加工軸をＺ軸から変更した場合と加工面が同じになるように、３次元形状を回転させる。
　図１０は、実施の形態２に係る学習済みの加工可否判定装置１２０の判定処理の一例を示したフローチャートである。図１０に示したフローチャートは、実施の形態１のステップＳ１０３に代えてステップＳ２０３を備え、加工軸方向の変更が全方向について行われたか否かを判定するステップＳ２０４と、加工軸方向指示を変更するステップＳ２０５と、を有する点で図５に示した実施の形態１のフローチャートと相違する。しかしながら、その他の手順は実施の形態１と同じなので、実施の形態１と同じ手順には実施の形態１と同じ符号を付して詳細な説明は省略する。
　ステップＳ２０３では、３次元形状回転部２８が、ステップＳ１０２で抽出した３次元形状を、加工軸方向指示に従って回転させる。実施の形態２では、最初の判定処理では、加工軸方向指示は予めＺ軸に設定されている。加工軸方向指示は、ステップＳ１０１の段階で入力してもよい。後述するように、実施の形態２では、判定結果が現在の加工軸方向指示では加工可能でない場合は、加工軸方向調整部２６が加工軸方向指示を変更し、ステップＳ２０３では、変更後の加工軸方向指示に従って３次元形状を回転させる。
　ステップＳ１０６で判定結果が加工可能でない場合（加工不可の場合）は、加工軸方向調整部２６は、ステップＳ２０４において全ての加工軸方向で加工可否を検討したか否かを判定する。素材４０を直方体とみなすと、加工軸方向指示は、全部で６通りとなる。加工軸方向調整部２６は、これら６通りの加工軸方向指示のうち、最初の判定で設定したＺ軸、及び後段のステップＳ２０５で変更した加工軸方向指示を記憶装置２２０に登録する。加工軸方向調整部２６は、ステップＳ２０４において、記憶装置２２０を参照することにより、全ての加工軸方向で加工可否を検討したか否かを判定する。
　ステップＳ２０４で、全ての加工軸方向で加工可否を検討したと判定した場合は手順をステップＳ１０８に移行する。ステップＳ１０８では、実施の形態１と同様に、加工不可判定を出力装置３１０に出力して処理を終了する。
　ステップＳ２０４で、全ての加工軸方向で加工可否を検討していないと判定した場合は手順をステップＳ２０５に移行する。ステップＳ２０５では、加工軸方向調整部２６が、加工軸方向指示を変更し、変更した加工軸方向指示を３次元形状回転部２８に入力する。
　ステップＳ２０３では、変更した加工軸方向指示に従って３次元形状を回転させる。具体的には、加工軸方向調整部２６から入力された加工軸方向指示が示す加工軸方向で３次元形状を加工する際の新たな加工面が、所望の加工軸方向（実施の形態２ではＺ軸方向）と正対するように３次元形状を回転させる。以降の手順で、深度マップ変換部１４は、新たな加工面をＺ軸方向と直交する平面へ正射投影して新たな深度マップを生成し、推論モデル１６は、新たな深度マップを用いて加工予定形状の加工の可否を判定する、ステップＳ１０６での判定結果が加工可能な場合は、ステップＳ１０７で加工可能判定を出力装置３１０に出力して処理を終了する。
　以上説明したように、実施の形態２では、設計データが与えられた際に、加工軸方向を自動的に変えつつ加工可否の判定を繰り返すことで、あらゆる加工軸方向について検証する。その結果、加工軸方向によって加工可否が変化する形状であった場合でも、あらゆる加工軸方向について判定を行うようにしたことで、設計データが示す部品形状がどのような角度で加工不可能か否かを判定できる。また、実施の形態２では、３次元形状を深度マップに変換した際に情報として失われる側面及び背面の形状についても加工可否判定ができるようになる。
《実施の形態３》
　続いて実施の形態３に係る加工可否判定装置１３０及び加工可否学習装置１４０について説明する。図１１（ｂ）に示した実施の形態３に係る加工可否学習装置１４０は、過去の加工事例データである３次元ＣＡＤデータ及び加工軸方向指示を各々用いて得た深度マップと、当該加工軸方向指示が示す加工軸方向と、形状・加工軸方向・加工情報ＤＢ４８が含む加工情報ＤＢ２０Ｃに格納された素材４０の材質の情報、工具情報（工具種、工具材質、工具径、及び工具長等）及び切削パラメータ（工具の送り速度、及び工具の回転数等）とを推論モデル５８で判定した結果を、学習器２２が加工可否情報ＤＢ２４に格納された加工可否情報と比較することにより推論モデル５８を評価し、推論モデル５８を更新する点で実施の形態１と相違する。また、図１１（ａ）に示した実施の形態３に係る加工可否判定装置１３０は、学習後の推論モデル５８が３次元ＣＡＤデータ及び加工軸方向指示を各々用いて得た深度マップと、当該加工軸方向指示が示す加工軸方向と、素材４０の材質の情報、工具情報及び切削パラメータを含む加工情報とを推論モデル５８で判定する点で実施の形態１と相違する。しかしながら、その他の構成は実施の形態１と同じなので、実施の形態１と同じ構成については、実施の形態１と同じ符号を付して、その詳細な説明は省略する。また、実施の形態３のハードウェア構成は、実施の形態１のハードウェア構成と同じなので、詳細な説明は省略する。
　素材４０の材質、工具情報及び切削パラメータの各々は、加工の可否の判定に大きく影響する。例えば、ステンレスのような難削材に、適切な工具を用いなかった場合、又は難削材に対する工具の送り速度若しくは回転数が適切でなかった場合、図４（ｃ）に示したように、工具３２の振動等により切削面４４を正確に切削できないおそれがあり、又は図４（ｄ）に示したように工具３４がたわんで素材４０を正しく切削できないおそれがある。
　このように切削加工の可否は、設計データが同一であっても素材４０の材質の情報、工具情報及び切削パラメータに依存して変化する。実施の形態３に係る加工可否判定装置１３０及び加工可否学習装置１４０では、推論モデル５８への入力に素材４０の材質の情報、工具情報及び切削パラメータの少なくともいずれか１つの情報を加えて、加工可否判定を行う。
　以上説明したように、実施の形態３によれば、設計データだけでなく素材４０の材質、工具、切削パラメータによって加工可否が変化する場合であっても正確な可否判定ができる。
《実施の形態４》
　続いて実施の形態４に係る加工可否学習装置１５０について説明する。図１２に示した実施の形態４に係る加工可否学習装置１５０は、加工可否情報ＤＢ５６に加工不適箇所を表したヒートマップ格納し、学習器５４は、当該ヒートマップを教師データとして推論モデル１６のモデル更新を行う点で実施の形態１と相違する。しかしながら、その他の構成は実施の形態１と同じなので、実施の形態１と同じ構成については、実施の形態１と同じ符号を付して、その詳細な説明は省略する。また、加工可否学習装置１５０によって構築される加工可否判定装置は、加工不適箇所を表したヒートマップを加工可否情報として推論モデル１６を更新する学習により、推論モデル１６が加工不適箇所を特定した判定結果を出力する点を除いて、実施の形態１に係る加工可否判定装置１００と同一の構成なので、詳細な説明は省略する。また、実施の形態４のハードウェア構成は、実施の形態１のハードウェア構成と同じなので、詳細な説明は省略する。
　図１３（ａ）は、深度マップの一例を示した概略図であり、図１３（ｂ）は、図１３（ａ）の深度マップに対応した加工可否情報である加工不適箇所のヒートマップの一例を示した概略図である。
　図１３（ａ）に示した深度マップには、凹部に相当する箇所に、いわゆるピン角と称される鋭利なエッジ６０が記されている。切削加工において凹部はエンドミル等の工具で切削するが、エンドミル等の工具は回転しながら切削するので、素材４０を削り出した隅が丸くなることが避けられず、エッジ６０のようなピン角を再現することができない。
　実施の形態４では、推論モデル１６を学習させる教師データとして、深度マップに対応したヒートマップを用いる。ヒートマップは、図１３（ａ）のような深度マップに対応した範囲を所定のセルサイズで格子状に分割し、セルの各々に加工の可能性を示す数値を紐づけたものである。例えば、図１３（ｂ）で、白色で表現したセルは０に近い数値が紐づけられた加工可能箇所６２であり、黒色で表現したセルは１に近い数値が紐づけられた加工不可箇所６６である。そして、図１３（ｂ）で、グレーで表現したセルは０から１の間の数値が紐づけられた加工にやや難がある中間箇所６４である。加工可否情報であるヒートマップの各々のセルに紐づけられた数値は、実際に人手で工作の可否を検証した結果に基づいて決定される。
　実施の形態４では、過去の加工事例データである３次元ＣＡＤデータ及び加工軸方向指示を各々用いて得た深度マップを推論モデル１６で判定した結果を、学習器５４が、推論モデル１６が判定に供した３次元ＣＡＤデータ及び加工軸方向指示に対応した加工可否情報であるヒートマップと比較することにより推論モデル１６を評価し、推論モデル１６を更新する。
　上記の学習により構築された加工可否判定装置は、加工可否の判定結果として、加工不適箇所の程度がセル単位で数値化されたヒートマップを出力する。その結果、実施の形態４によれば、３次元形状、又は深度マップにおけるどの箇所が加工不適箇所であるかを精密に示すことができる。
《実施の形態５》
　続いて実施の形態５に係る加工可否判定装置１６０について説明する。図１４に示した実施の形態５に係る加工可否判定装置１６０は、３次元形状抽出部１０が抽出した３次元形状から素材４０のすべての加工面をリストアップして加工面リストを作成する加工面分割部７０と、加工面分割部７０が作成した加工面リストが入力され、推論モデル１６が出力した加工可否判定で加工可能と判断された加工面の加工軸方向を加工面リストに記録する加工面・加工軸方向記録部７４と、加工面リストに記載のすべての加工面について加工可能判定がなされた場合、又はすべての加工軸方向での加工可否が検証済みの場合に終了判定を行うと共に、３次元形状についての加工可否判定及び各加工面の加工軸方向を出力する終了判定部７６と、終了判定部７６が、すべての加工軸方向を検証していないと判定した場合に、加工可否が検証済みの加工軸方向以外の加工軸方向の指示を出力する加工軸方向調整部７８と、を備え、３次元形状回転部７２は、加工軸方向調整部７８で調整した加工軸方向に３次元形状を回転させる点で実施の形態１と相違する。しかしながら、その他の構成は実施の形態１と同じなので、実施の形態１と同じ構成については、実施の形態１と同じ符号を付して、その詳細な説明は省略する。また、実施の形態５のハードウェア構成は、実施の形態１のハードウェア構成と同じなので、詳細な説明は省略するが、実施の形態５では、プロセッサ２１０は、３次元形状抽出部１０、３次元形状回転部７２、深度マップ変換部１４及び推論モデル１６として機能すると共に、加工面分割部７０、加工面・加工軸方向記録部７４、終了判定部７６及び加工軸方向調整部７８としても機能する。
　図１５（ａ）は、素材形状８０に対する加工予定形状８２を示した説明図である。加工予定形状８２には、加工面（１）、（２）、（３）、（４）、（５）、（６）、（７）が設定されているが、図１５（ａ）に示した状態では、工具３４で加工可能な面は、加工可能面８４となり、加工面（５）、（６）、（７）を加工することはできない。
　図１５（ｂ）は、加工面分割部７０が作成した加工面リストに、加工面・加工軸方向記録部７４が加工軸方向を記録した場合の説明図である。図１５（ａ）に示した場合では、加工面（１）～（４）の加工は可能なので、加工面リストの加工軸方向は、例えばＺ軸方向を示す０°が記載される。しかしながら、図１５（ａ）に示した場合では、加工面（５）～（７）の加工は不可能なので、加工面リストの加工軸方向は空欄となる。
　図１５（ｃ）は、図１５（ａ）に示した素材形状８０を、３次元形状回転部７２により図上の左方向に９０°回転させた場合の説明図である。素材形状８０を９０°回転させたことにより、回転前は加工が不可能だった加工面（５）～（７）の加工が可能となる。
　図１５（ｄ）は、素材形状８０を９０°回転させた状態で、加工面・加工軸方向記録部７４が加工軸方向を加工面リストに記録した場合の説明図である。図１５（ｃ）に示したように、素材形状８０を９０°回転させた状態では、加工面（５）～（７）の加工が可能なので、加工面リストの加工軸方向は、Ｚ軸に対する回転角度である＋９０°が記載される。
　図１６は、実施の形態５に係る学習済みの加工可否判定装置１６０の判定処理の一例を示したフローチャートである。図１６に示したフローチャートは、実施の形態１のステップＳ１０３に代えてステップＳ３０２を備え、３次元形状抽出部１０が抽出した３次元形状から加工面を抽出して加工面リストを作成するステップＳ３０１と、加工面・加工軸方向記録部７４が加工可能と判断された加工面と加工軸方向を加工面リストに記録するステップＳ３０４と、終了判定部７６がすべての加工面が加工可能と判定されたか否かを判断するステップＳ３０５と、加工可能判定と各加工面の加工軸方向を出力するステップＳ３０６と、加工軸方向の変更が全方向について行われたか否かを判定するステップＳ３０７と、加工軸方向指示を変更するステップＳ３０８と、を有する点で図５に示した実施の形態１のフローチャートと相違する。しかしながら、その他の手順は実施の形態１と同じなので、実施の形態１と同じ手順には実施の形態１と同じ符号を付して詳細な説明は省略する。
　ステップＳ３０１では、ステップＳ１０２で３次元形状抽出部１０が抽出した３次元形状から加工面分割部７０が加工面を抽出して、図１５（ｂ）及び図１５（ｄ）に示したような加工面リストを作成する。
　ステップＳ３０２では、３次元形状回転部７２が、ステップＳ１０２で抽出した３次元形状を、加工軸方向指示に従って回転させる。実施の形態５では、最初の判定処理では、加工軸方向指示は予めＺ軸に設定されている。加工軸方向指示は、ステップＳ１０１の段階で入力してもよい。後述するように、実施の形態５では、判定結果が現在の加工軸方向指示では加工可能でない場合は、加工軸方向調整部７８が加工軸方向指示を変更し、ステップＳ３０２では、変更後の加工軸方向指示に従って３次元形状を回転させる。
　ステップＳ３０４では、ステップＳ１０５で推論モデル１６が出力した加工可否判定に基づいて、加工面・加工軸方向記録部７４が加工可能と判断された加工面と加工軸方向を加工面リストに記録する。
　ステップＳ３０５では、終了判定部７６が、すべての加工面が加工可能と判定されたか否かを判断する。終了判定部７６は、例えば、図１５（ｄ）に示したように、加工面リストの加工軸方向のすべての欄が、０°又は＋９０°等の有意な角度の情報で満たされている場合に、すべての加工面が加工可能と判定されたと判断する。ステップＳ３０５では、すべての加工面が加工可能と判定されたと判断した場合は手順をステップＳ３０６に移行し、すべての加工面が加工可能と判定されていないと判断した場合は手順をステップＳ３０７に移行する。
　ステップＳ３０６では、３次元形状の最終的な加工可能判定及び各加工面の加工軸方向を出力装置３１０に出力して処理を終了する。ステップＳ３０６で出力する加工可能判定及び各加工面の加工軸方向の情報は、例えば、図１５（ｄ）に示したような、各々の加工面に対応する加工軸方向を記載した加工面リストである。
　ステップＳ３０５ですべての加工面が加工可能と判定されていないと判断した場合、終了判定部７６は、ステップＳ３０７において加工軸方向の変更が全方向について行われたか否かを判定する。素材４０を直方体とみなすと、加工軸方向指示は、全部で６通りとなる。加工軸方向調整部７８は、実施の形態２と同様に、これら６通りの加工軸方向指示のうち、最初の判定で設定したＺ軸、及び後段のステップＳ３０８で変更した加工軸方向指示を記憶装置２２０に登録する。終了判定部７６は、ステップＳ３０７において、記憶装置２２０を参照することにより、全ての加工軸方向で加工可否を検討したか否かを判定する。又は、加工面リストに、加工軸変更の履歴の欄を別途設け、終了判定部７６は、当該欄を参照することにより、全ての加工軸方向で加工可否を検討したか否かを判定してもよい。
　ステップＳ３０７で、加工軸方向の変更が全方向について行われたと判定した場合は手順をステップＳ１０８に移行する。ステップＳ１０８では、実施の形態１と同様に、加工不可判定を出力装置３１０に出力して処理を終了する。
　ステップＳ３０７で、加工軸方向の変更が全方向について行われていないと判定した場合は手順をステップＳ３０８に移行する。ステップＳ３０８では、加工軸方向調整部７８が、加工軸方向指示を変更し、変更した加工軸方向指示を３次元形状回転部７２に入力する。
　ステップＳ３０２では、３次元形状回転部７２が、変更した加工軸方向指示に従って３次元形状を回転させ、以降の手順で、深度マップの変換、及び加工可否の推論が行われ、ステップＳ３０５ですべての加工面が加工可能と判定された場合は、ステップＳ３０６で加工可能判定及び各加工面の加工軸方向を出力装置３１０に出力して処理を終了する。
　以上説明したように、実施の形態５では、実施の形態２と同様に、加工軸方向によって加工可否が変化する形状であった場合でも、あらゆる加工軸方向について判定を行うようにしたことで、設計データが示す部品形状がどのような角度で加工不可能か否かを判定できる。また、加工可否だけでなく、各加工面がどの方向から加工可能かを明らかにすることで、実際の加工時の段取りを容易にすることができる。
　なお、請求の範囲における推論部は、発明の詳細な説明に記載の推論モデル１６、５８に相当する。
　１０　３次元形状抽出部、１２　３次元形状回転部、１４　深度マップ変換部、１６　推論モデル、２０Ａ　形状情報ＤＢ、２０Ｂ　加工軸方向指示ＤＢ、２０Ｃ　加工情報ＤＢ、２２　学習器、　２４　加工可否情報ＤＢ、２６　加工軸方向調整部、３０、３２、３４　工具、４０　素材、５４　学習器、５６　加工可否情報ＤＢ、５８　推論モデル、７０　加工面分割部、７２　３次元形状回転部、７４　加工面・加工軸方向記録部、７６　終了判定部、７８　加工軸方向調整部、１００　加工可否判定装置、１１０　加工可否学習装置、１２０　加工可否判定装置、１３０　加工可否判定装置、１４０加工可否学習装置、１５０　加工可否学習装置、１６０　加工可否判定装置
 

Claims (12)

  1. 　加工予定形状を示す３次元形状データから３次元形状を抽出する３次元形状抽出部と、
    　前記３次元形状における加工面が所望の加工軸方向と正対するように、前記３次元形状を回転させる３次元形状回転部と、
    　前記加工面を、前記所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記３次元形状データから抽出した前記所望の加工軸方向の深さの情報を付加した深度マップを生成する深度マップ変換部と、
    　学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップ変換部で生成した深度マップを用いた推論により、前記加工予定形状の加工の可否を判定する推論部と、
    　を備えた加工可否判定装置。
  2. 　前記所望の加工軸方向に正対する加工面についての推論で、前記推論部が加工不可の判定を出力した場合に、前記所望の加工軸方向と異なる加工軸方向の指示を出力する加工軸方向調整部をさらに備え、
    　前記３次元形状回転部は、前記加工軸方向調整部から入力された加工軸方向指示が示す加工軸方向で前記３次元形状を加工する際の新たな加工面が、前記所望の加工軸方向と正対するように前記３次元形状を回転させ、
    　前記深度マップ変換部は、前記新たな加工面を前記所望の加工軸方向と直交する平面へ正射投影して新たな深度マップを生成し、
    　前記推論部は、前記新たな深度マップを用いて前記加工予定形状の加工の可否を判定する請求項１に記載の加工可否判定装置。
  3. 　前記推論部は、前記学習用加工軸方向指示と、前記学習用加工軸方向指示に従って前記学習用３次元形状データから抽出された学習用深度マップと、工具種、工具材質、工具径、及び工具長を含む工具情報、加工対象の材質の情報、並びに工具の送り速度、及び工具の回転数を含む切削パラメータからなる学習用加工情報と、前記学習用加工軸方向指示、前記学習用３次元形状データ及び前記学習用加工情報に従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習によって構築され、前記所望の加工軸方向と、前記深度マップ変換部で生成した深度マップと、工具種、工具材質、工具径、及び工具長を含む工具情報、加工対象の材質の情報、並びに工具の送り速度、及び工具の回転数を含む切削パラメータからなる新たに入力された加工情報と、を用いた推論により、前記加工予定形状の加工の可否を判定する請求項１に記載の加工可否判定装置。
  4. 　前記加工可否情報は、前記加工面における加工不適箇所を表したヒートマップであり、
    　前記推論部は、学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した前記ヒートマップとを用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップ変換部で生成した深度マップを用いた推論により、前記加工予定形状における加工不適箇所を特定した判定結果を出力する請求項１に記載の加工可否判定装置。
  5. 　前記３次元形状抽出部が抽出した３次元形状から加工対象のすべての加工面をリストアップして加工面リストを作成する加工面分割部と、
    　前記推論部が出力した加工可否判定で加工可能と判断された加工面の加工軸方向を前記加工面リストに記録する加工面・加工軸方向記録部と、
    　前記加工面リストに記載のすべての加工面について加工可能判定がなされた場合、及びすべての加工軸方向での加工可否が検証済みの場合のいずれかで終了判定を行うと共に、前記３次元形状についての加工可否判定、及び各々の加工面の加工軸方向を出力する終了判定部と、
    　前記終了判定部が、すべての加工軸方向での加工可否を検証していないと判定した場合に、加工可否が検証済みの加工軸方向以外の加工軸方向の指示を出力する加工軸方向調整部と
    　をさらに備え、
    　前記３次元形状回転部は、前記加工軸方向調整部から入力された加工軸方向指示が示す加工軸方向で前記３次元形状を加工する際の新たな加工面が、前記所望の加工軸方向と正対するように前記３次元形状を回転させ、
    　前記深度マップ変換部は、前記新たな加工面を前記所望の加工軸方向と直交する平面へ正射投影して新たな深度マップを生成し、
    　前記推論部は、前記新たな深度マップを用いて前記加工予定形状の加工の可否を判定する請求項１に記載の加工可否判定装置。
  6. 　入力された学習用３次元形状データから学習用３次元形状を抽出する３次元形状抽出部と、
    　前記３次元形状における加工面が、入力された学習用加工軸方向指示が示す学習用加工軸方向と正対するように、前記３次元形状を回転させる３次元形状回転部と、
    　前記加工面を、前記学習用加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記学習用３次元形状データから抽出した前記学習用加工軸方向の深さの情報を付加した学習用深度マップを生成する深度マップ変換部と、
    　前記学習用加工軸方向指示と、前記学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習を行う学習器により更新される推論部と、
    　を備え、
    　前記機械学習により請求項１に記載の加工可否判定装置を構築する加工可否学習装置。
  7. 　入力された学習用３次元形状データから学習用３次元形状を抽出する３次元形状抽出部と、
    　前記３次元形状における加工面が、入力された学習用加工軸方向指示が示す学習用加工軸方向と正対するように、前記３次元形状を回転させる３次元形状回転部と、
    　前記加工面を、前記学習用加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記学習用３次元形状データから抽出した前記学習用加工軸方向の深さの情報を付加した学習用深度マップを生成する深度マップ変換部と、
    　前記学習用加工軸方向指示と、前記学習用深度マップと、工具種、工具材質、工具径、及び工具長を含む工具情報、加工対象の材質の情報、並びに工具の送り速度、及び工具の回転数を含む切削パラメータからなる学習用加工情報と、前記学習用加工軸方向指示、前記学習用３次元形状データ及び前記学習用加工情報に従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習を行う学習器により更新される推論部と、
    　を備え、
    　前記機械学習により請求項３に記載の加工可否判定装置を構築する加工可否学習装置。
  8. 　入力された学習用３次元形状データから学習用３次元形状を抽出する３次元形状抽出部と、
    　前記３次元形状における加工面が、入力された学習用加工軸方向指示が示す学習用加工軸方向と正対するように、前記３次元形状を回転させる３次元形状回転部と、
    　前記加工面を、前記学習用加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記学習用３次元形状データから抽出した前記学習用加工軸方向の深さの情報を付加した学習用深度マップを生成する深度マップ変換部と、
    　前記学習用加工軸方向指示と、前記学習用深度マップと、前記学習用加工軸方向指示、及び前記学習用３次元形状データに従って行われた実際の加工における加工不適箇所を表したヒートマップを用いた機械学習を行う学習器により更新される推論部と、
    　を備え、
    　前記機械学習により請求項４に記載の加工可否判定装置を構築する加工可否学習装置。
  9. 　コンピュータによって実行される加工可否判定方法であって、
    　加工予定形状を示す３次元形状データから３次元形状を抽出するステップと、
    　前記３次元形状における加工面が所望の加工軸方向と正対するように、前記３次元形状を回転させるステップと、
    　前記加工面を、前記所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記３次元形状データから抽出した前記所望の加工軸方向の深さの情報を付加した深度マップを生成するステップと、
    　学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップを用いた推論により、前記加工予定形状の加工の可否を判定するステップと、
    　を有する加工可否判定方法。
  10. 　加工予定形状を示す３次元形状データから３次元形状を抽出するステップと、
    　前記３次元形状における加工面が所望の加工軸方向と正対するように、前記３次元形状を回転させるステップと、
    　前記加工面を、前記所望の加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記３次元形状データから抽出した前記所望の加工軸方向の深さの情報を付加した深度マップを生成するステップと、
    　学習用加工軸方向指示と、前記学習用加工軸方向指示に従って学習用３次元形状データから抽出された学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習によって構築され、前記所望の加工軸方向及び前記深度マップを用いた推論により、前記加工予定形状の加工の可否を判定するステップと、
    　をコンピュータに実行させる加工可否判定プログラム。
  11. 　コンピュータによって実行される加工可否学習方法であって、
    　入力された学習用３次元形状データから学習用３次元形状を抽出するステップと、
    　前記３次元形状における加工面が、入力された学習用加工軸方向指示が示す学習用加工軸方向と正対するように、前記３次元形状を回転させるステップと、
    　前記加工面を、前記学習用加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記学習用３次元形状データから抽出した前記学習用加工軸方向の深さの情報を付加した学習用深度マップを生成するステップと、
    　前記学習用加工軸方向指示と、前記学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習を行う学習器により、加工予定形状の加工の可否を判定する推論部を更新するステップと、
    　を備え、
    　前記機械学習により請求項１に記載の加工可否判定装置を構築する加工可否学習方法。
  12. 　入力された学習用３次元形状データから学習用３次元形状を抽出するステップと、
    　前記３次元形状における加工面が、入力された学習用加工軸方向指示が示す学習用加工軸方向と正対するように、前記３次元形状を回転させるステップと、
    　前記加工面を、前記学習用加工軸方向と直交する平面へ正射投影して得た２次元画像に、前記学習用３次元形状データから抽出した前記学習用加工軸方向の深さの情報を付加した学習用深度マップを生成するステップと、
    　前記学習用加工軸方向指示と、前記学習用深度マップと、前記学習用加工軸方向指示及び前記学習用３次元形状データに従って行われた実際の加工の可否を記した加工可否情報とを用いた機械学習を行う学習器により、加工予定形状の加工の可否を判定する推論部を更新するステップと、
    　をコンピュータに実行させることにより請求項１に記載の加工可否判定装置を構築する加工可否学習プログラム。
PCT/JP2023/035118 2023-09-27 2023-09-27 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム Pending WO2025069243A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2025529710A JP7721047B1 (ja) 2023-09-27 2023-09-27 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム
PCT/JP2023/035118 WO2025069243A1 (ja) 2023-09-27 2023-09-27 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム
TW113115457A TW202513221A (zh) 2023-09-27 2024-04-25 可否加工判定裝置、可否加工學習裝置、可否加工判定方法、可否加工學習方法、記錄了可否加工判定程式的記錄媒體以及記錄了可否加工學習程式的記錄媒體

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/035118 WO2025069243A1 (ja) 2023-09-27 2023-09-27 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム

Publications (1)

Publication Number Publication Date
WO2025069243A1 true WO2025069243A1 (ja) 2025-04-03

Family

ID=95202533

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/035118 Pending WO2025069243A1 (ja) 2023-09-27 2023-09-27 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム

Country Status (3)

Country Link
JP (1) JP7721047B1 (ja)
TW (1) TW202513221A (ja)
WO (1) WO2025069243A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1994008751A1 (fr) * 1992-10-09 1994-04-28 Omron Corporation Systeme et procede de determination d'informations d'usinage, et systeme et procede de determination d'informations de processus d'usinage
JP2007007759A (ja) * 2005-06-29 2007-01-18 Mazda Motor Corp 加工条件設定方法および加工条件設定プログラムを記録した記録媒体
JP2009285755A (ja) * 2008-05-28 2009-12-10 Mazda Motor Corp 機械加工検証支援方法および装置、機械加工検証支援用プログラムおよび記憶媒体
JP2014115991A (ja) * 2012-12-10 2014-06-26 Palo Alto Research Center Inc 機械加工される部品の加工性の分析および工程計画の実行

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1994008751A1 (fr) * 1992-10-09 1994-04-28 Omron Corporation Systeme et procede de determination d'informations d'usinage, et systeme et procede de determination d'informations de processus d'usinage
JP2007007759A (ja) * 2005-06-29 2007-01-18 Mazda Motor Corp 加工条件設定方法および加工条件設定プログラムを記録した記録媒体
JP2009285755A (ja) * 2008-05-28 2009-12-10 Mazda Motor Corp 機械加工検証支援方法および装置、機械加工検証支援用プログラムおよび記憶媒体
JP2014115991A (ja) * 2012-12-10 2014-06-26 Palo Alto Research Center Inc 機械加工される部品の加工性の分析および工程計画の実行

Also Published As

Publication number Publication date
JP7721047B1 (ja) 2025-08-08
TW202513221A (zh) 2025-04-01
JPWO2025069243A1 (ja) 2025-04-03

Similar Documents

Publication Publication Date Title
JP5436731B1 (ja) 数値制御加工プログラム作成装置
JP5436733B1 (ja) 数値制御加工プログラム作成装置
JP4545171B2 (ja) 切削加工のシミュレーション方法、切削加工のシミュレーション方法のプログラム、切削加工のシミュレーション方法のプログラムを記録した記録媒体、モデリング方法、モデリング方法のプログラム及びモデリング方法のプログラムを記録した記録媒体
US20110320023A1 (en) System and Method for Identifying Defects of Surfaces Due to Machining Processes
JP2002189510A (ja) 加工関連情報生成装置、及びこれを備えた数値制御装置
CN103733223B (zh) 用于确定对象模型的表面缺陷的方法和系统
US20110245954A1 (en) System and Method for Optimizing Machining Simulation
CN110161963A (zh) 铣刀切削加工误差形成过程的仿真模型与验证方法
US11250184B2 (en) 3D tolerance analysis system and methods
CN117452881A (zh) 一种叶轮的计算辅助制造方法、装置及介质
JP7721047B1 (ja) 加工可否判定装置、加工可否学習装置、加工可否判定方法、加工可否学習方法、加工可否判定プログラム及び加工可否学習プログラム
CN117666464A (zh) 基于Dexel模型的自由曲面恒负载铣削轨迹规划方法
Qiu et al. An efficient online geometric simulation algorithm for real-time CNC machining process based on look-ahead method
EP4141728A1 (en) Curve fitting method, apparatus and device based on a drawing tool
JPH03166039A (ja) 数値制御情報作成機能における内径加工方法の決定方法及び装置
WO2023062756A1 (ja) シミュレーション装置、及びコンピュータが読み取り可能な記録媒体
JP7748491B2 (ja) モデリング装置、プログラム及びモデリング方法
CN116894557A (zh) 零件工艺信息处理方法、装置、电子设备及存储介质
JP4237180B2 (ja) 加工残し形状抽出装置、および抽出方法
JP5241573B2 (ja) ３次元形状データの穴削除方法
EP4592885A1 (en) Recovering a 2d wall center line from a 3d wall
WO2026023021A1 (ja) ロボットプログラミング装置
CN112025004B (zh) 一种铣削内螺纹方法、设备、存储介质及装置
KR100390859B1 (ko) 젯트-맵의 회전을 이용한 절삭 가공방법
CN117555286A (zh) 一种用于智慧加工中心的自动编程方法及系统

Legal Events

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

Ref document number: 23954219

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025529710

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025529710

Country of ref document: JP