生成最佳的加速/减速的机床制造技术

本发明专利技术涉及一种生成最佳的加速/减速的机床。机床具备评价其动作的动作评价部和对其轴的移动量进行机器学习的机器学习器。机器学习器根据包括动作评价部的输出的状态数据来计算回报，机器学习轴的移动量的决定，并根据机器学习结果决定轴的移动量并输出。并且，根据所决定的轴的移动量、所取得的状态数据以及计算出的回报来机器学习轴的移动量的决定。

【技术实现步骤摘要】

本专利技术涉及一种机床，特别涉及生成各轴的控制中的最佳的加速/减速的机床。
技术介绍
目前，生成加工程序，根据该生成的加工程序控制机床来进行部件和金属模型等的加工。进行加工时的加工速度，在加工程序内作为轴的移动速度而进行指示，但这是刀具和加工物之间的相对移动(刀具移动)的最大速度，实际上在开始加工时或在角部、曲线部分等处，将按照各轴的加减速时间常数使轴的移动速度发生变动的移动数据输出给机床。另外，虽然针对加工物有容许误差以及目标加工时间，但这是通过由机床的操作者一边确认加工物的加工面质量，一边变更加减速时间常数，或者变更在程序内进行指示的速度等方法进行调整。另外，在本说明书中，将表示指令位置和实际加工物的形状误差的加工精度、加工物的形状变化顺畅(加工面的伤或条痕不明显)的程度称为加工面质量。作为这种加工中的加减速时间常数或速度等参数调整所关联的现有技术，在日本特开2003-058218号公报中公开一种将在加工中能够调整的多种参数作为参数集来准备并使用的参数的调整方法。另外，在日本特开2006-043836号公报中公开一种使用加工模式一边考虑加工精度一边进行缩短加工时间的加工路径信息的生成和加工条件设定的加工条件设定方法。一般，通过将在加工中控制刀具时的加速度/减速度整体设定得低，能够提高角部和曲线部的加工面质量，但是加工速度整体下降。另一方面，为了提高加工速度，将加速度/减速度整体设定得高即可，但是通过这样的设定，如果在角部、曲线部分附近进行刀具的急剧减速以及加速的话，则机械有可能产生振动并导致加工面质量的恶化(加工面受伤)。图8A以及图8B表示在通过加工程序指示的刀具路径中的角部产生急剧的加速/减速的例子。在图8A所示的车削加工和图8B所示的开孔加工等各种加工中，如果刀具的速度急剧变化，则通过该冲击在机械中产生振动，成为角部和曲线部的加工面质量的恶化的原因。因此会有以下问题，即为了不产生这样的现象，一边考虑与轴移动关联的各个要素，在取得加工面质量的提高和加工时间缩短之间的平衡的同时进行加速度/减速度的调整，需要操作者花费大量的劳力，另外也不一定能够最佳地调整加速度/减速度。针对这样的问题，在上述日本特开2003-058218号公报或日本特开2006-043836号公报所公开的技术中，只能够对应适合于准备好的参数集和加工模式的状况，而不能够灵活地对应各种状况。
技术实现思路
因此，本专利技术的目的在于提供一种生成各轴的控制中的最佳的加速/减速的机床。本专利技术中，得到从某个时间的机床的轴位置到下一个瞬间的轴位置的变化量。这是从数值控制装置输出的被称为指令脉冲的数据。以往，机床厂家的技术者通过设定为各轴加减速时间常数等方法进行了调整，因此有时得不到最佳的变化量。通过将轴的移动量设为最佳，使每一次加工的时间不发生大幅度变化而实现加速度变化少的刀具移动，由此实现高质量的加工。本专利技术的机床根据通过程序指示的刀具的指令路径驱动至少一个轴并进行工件的加工，该机床具备：动作评价部，其评价上述机床的动作并输出评价数据；以及机器学习器，其对上述轴的移动量的决定进行机器学习。并且，上述机器学习器具备：状态观测部，其取得包括上述机床的至少上述轴的轴位置的数据、从上述动作评价部输出的评价数据作为状态数据；回报条件设定部，其设定回报条件；回报计算部，其根据上述状态观测部所取得的上述状态数据来计算回报；移动量调整学习部，其对上述轴的移动量的决定进行机器学习；以及移动量输出部，其根据上述移动量调整学习部的上述轴的移动量的决定的机器学习结果和上述状态数据，以使上述刀具的加速度成为最佳的方式决定上述轴的移动量并输出上述轴的移动量。上述移动量调整学习部，根据所决定的上述轴的移动量、在基于所输出的上述轴的移动量的上述机床的动作后上述状态观测部取得的上述状态数据、和上述回报计算部计算出的上述回报，对上述轴的移动量的决定进行机器学习。上述回报计算部在上述轴的合成速度增大时计算正的回报，另一方面，在上述刀具脱离上述指令路径时、上述刀具速度的N阶时间微分要素(N是任意的自然数)的变化大时、以及上述机床中发生了冲击时可以计算负的回报。上述机床与至少一个其他的机床连接，能够在与上述其它机床之间相互交换或共享机器学习的结果。上述移动量调整学习部，使用调整后的上述轴的移动量和通过自变量表现了通过上述状态观测部取得的上述状态数据的评价函数来进行机器学习，使得上述回报成为最大。本专利技术的仿真装置，对根据通过程序指示的刀具指令路径驱动至少一个轴来进行工件的加工的机床进行仿真，该仿真装置具备：动作评价部，其评价上述机床的仿真动作并输出评价数据；机器学习器，其对上述轴的移动量的决定进行机器学习。并且，上述机器学习器具备：状态观测部，其取得包括上述机床的至少上述轴的轴位置的仿真出的数据、从上述动作评价部输出的评价数据作为状态数据；回报计算部，其根据上述状态观测部所取得的上述状态数据来计算回报；移动量调整学习部，其对上述轴的移动量的决定进行机器学习；以及移动量输出部，其根据上述移动量调整学习部的上述轴的移动量的决定的机器学习结果和上述状态数据，以使上述刀具的加速度成为最佳的方式决定上述轴的移动量并输出上述轴的移动量。上述移动量调整学习部，根据所决定的上述轴的移动量、在基于所输出的上述轴的移动量的上述机床的仿真动作后上述状态观测部取得的上述状态数据、和上述回报计算部计算出的上述回报，对上述轴的移动量的决定进行机器学习。本专利技术的机器学习器，对机床所具备的至少一个轴的移动量的调整进行机器学习，其具备：学习结果存储部，其存储上述轴的移动量的决定的机器学习结果；状态观测部，其取得包括上述机床的至少上述轴的轴位置的状态数据；以及移动量输出部，其根据存储在上述学习结果存储部中的上述机器学习结果和上述状态数据，以使上述机床的刀具加速度成为最佳的方式决定上述轴的移动量并输出上述轴的移动量。本专利技术中，通过在最佳的各轴移动量的决定中采用机器学习，能够通过最佳的加速/减速控制各轴，通过更短的时间实现维持了加工面质量的工件加工。附图说明通过参照附图说明以下实施方式，能够更加明确本专利技术的上述以及其他目的和特征。这些附图中：图1A以及图1B是说明本专利技术的机床通过导入机器学习器而将工件加工时各轴的加速度/减速度最佳化的例子的图，图1A是车削加工中的加减速度调整的例子，图1B是开孔加工中的加减速度调整的例子。图2是说明强化学习算法的基本概念的图。图3是关于本专利技术一个实施方式的机床的机器学习的图像图。图4是说明本实施方式的机床的各轴相关的各个数据的图，其中，刀具的前进方向为(δxt-1，δzt-1)，从刀具路径的脱离量为d，当前的各轴速度为(δxt-1，δzt-1)，当前的各轴加速度为(δxt-1-δxt-2，δzt-1-δzt-2)。图5是本专利技术一个实施方式的机床的功能框图。图6是表示图5的机床的机器学习流程的流程图。图7是本专利技术的仿真装置的功能框图。图8A以及图8B是说明工件加工中的加工面质量下降的图。具体实施方式本专利技术中，对加工工件的机床导入成为人工智能的机器学习器，进行机器学习，该机器学习与将基于加工程序的工件加工中的机床各轴的加速度/减速度的调整为目的的移动量决定相关，由此如本文档来自技高网...

【技术保护点】
一种机床，根据通过程序指示的刀具的指令路径驱动至少一个轴来进行工件的加工，其特征在于，该机床具备：动作评价部，其评价上述机床的动作并输出评价数据；以及机器学习器，其对上述轴的移动量的决定进行机器学习，上述机器学习器具有：状态观测部，其取得包括上述机床的至少上述轴的轴位置的数据、从上述动作评价部输出的评价数据作为状态数据；回报条件设定部，其设定回报条件；回报计算部，其根据上述状态观测部所取得的上述状态数据来计算回报；移动量调整学习部，其对上述轴的移动量的决定进行机器学习；以及移动量输出部，其根据上述移动量调整学习部的上述轴的移动量的决定的机器学习结果和上述状态数据，以使上述刀具的加速度成为最佳的方式决定上述轴的移动量并输出上述轴的移动量，上述移动量调整学习部根据所决定的上述轴的移动量、在基于所输出的上述轴的移动量的上述机床的动作后由上述状态观测部取得的上述状态数据和上述回报计算部计算出的上述回报，对上述轴的移动量的决定进行机器学习。

【技术特征摘要】
2015.09.28 JP 2015-1895421.一种机床，根据通过程序指示的刀具的指令路径驱动至少一个轴来进行工件的加工，其特征在于，该机床具备：动作评价部，其评价上述机床的动作并输出评价数据；以及机器学习器，其对上述轴的移动量的决定进行机器学习，上述机器学习器具有：状态观测部，其取得包括上述机床的至少上述轴的轴位置的数据、从上述动作评价部输出的评价数据作为状态数据；回报条件设定部，其设定回报条件；回报计算部，其根据上述状态观测部所取得的上述状态数据来计算回报；移动量调整学习部，其对上述轴的移动量的决定进行机器学习；以及移动量输出部，其根据上述移动量调整学习部的上述轴的移动量的决定的机器学习结果和上述状态数据，以使上述刀具的加速度成为最佳的方式决定上述轴的移动量并输出上述轴的移动量，上述移动量调整学习部根据所决定的上述轴的移动量、在基于所输出的上述轴的移动量的上述机床的动作后由上述状态观测部取得的上述状态数据和上述回报计算部计算出的上述回报，对上述轴的移动量的决定进行机器学习。2.根据权利要求1所述的机床，其特征在于，上述回报计算部在上述轴的合成速度增大时计算正的回报，另一方面，在上述刀具脱离上述指令路径时、上述刀具速度的N阶时间微分要素的变化大时、以及上述机床中发生了冲击时计算负的回报，其中，N是任意的自然数。3.根据权利要求1或2所述的机床，其特征在于，上述机床与至少一个其他的机床连接，在与上述其它机床之间相互交换或共享机器学习的结果。4.根据权利要求1所述的机床，其特征在于，上述移动量调...

【专利技术属性】
技术研发人员：古贺大二朗，
申请(专利权)人：发那科株式会社，
类型：发明
国别省市：日本;JP