机器学习装置、加工程序生成装置及机器学习方法与流程

本发明涉及一种为了自动创建用于对工作机械进行数控的加工程序而使用的机器学习装置、加工程序生成装置及机器学习方法。

背景技术：

近年来，在通过数控装置进行控制的工作机械的领域中，工作机械的构造变得复杂，工作机械的控制对象轴数增多，以使得能够精密地加工出复杂的形状，因此数控对象的处理增加(例如，专利文献1)。因此，加工程序也复杂化。

专利文献1：日本特开2013－210926号公报

技术实现要素：

如上述所示，由于加工程序复杂化，因此在生成加工程序时必须调整的参数变得多种多样，为了生成加工程序而花费工作量和时间。

本发明就是鉴于上述情况而提出的，其目的在于，得到能够容易地生成用于对工作机械进行数控的加工程序的机器学习装置。

为了解决上述的课题，达到目的，本发明所涉及的机器学习装置的特征在于，具有：数据提取部，其从用于对工作机械进行数控的多个加工程序，对调整对象的参数即第1参数和为了对调整对象的参数进行调整而使用的参数即第2参数进行提取；以及机器学习部，其按照包含由数据提取部提取出的第1参数及第2参数在内的数据集，对第1参数的值进行学习。

发明的效果

本发明所涉及的机器学习装置具有下述效果，即，能够容易地生成用于对工作机械进行数控的加工程序。

附图说明

图1是表示本发明的实施方式1所涉及的包含机器学习装置及加工程序生成装置在内的数控装置的结构例的框图。

图2是表示图1所示的机器学习装置的学习模型生成处理的顺序的流程图。

图3是表示图1所示的加工程序生成装置的加工程序生成处理的顺序的流程图。

图4是表示图1所示的机器学习装置的学习模型生成处理的详细内容的流程图。

图5是表示由图1所示的机器学习装置读入的加工程序的一个例子的图。

图6是表示图1所示的加工程序生成部的加工程序生成处理的详细内容的流程图。

图7是表示在图1示出的cad数据所示的加工后的加工对象物的形状即加工形状的斜视图。

图8是表示基于图1所示的cad数据而生成的原材料形状的斜视图。

图9是表示由图1所示的加工程序生成部生成的加工去除形状的斜视图。

图10是表示图9所示的加工去除形状的剖面形状即车削剖面形状的图。

图11是表示车削端面工序的车削加工形状的图。

图12是表示车削钻孔工序的车削加工形状的图。

图13是表示车削棒材工序的车削加工形状的图。

图14是表示车削棒材工序的车削加工形状的图。

图15是表示图11所示的车削加工形状的车削加工工序的加工开始点及加工结束点的坐标的图。

图16是表示图12所示的车削加工形状的车削钻孔工序的加工开始点及加工结束点的坐标的图。

图17是表示图13所示的车削加工形状的车削棒材工序的进刀点、加工开始点及加工结束点的坐标的图。

图18是表示图14所示的车削加工形状的车削棒材工序的进刀点、加工开始点及加工结束点的坐标的图。

图19是表示本发明的实施方式2所涉及的学习模型生成处理的概要的流程图。

图20是表示图19所示的学习模型生成处理的详细内容的流程图。

图21是表示由实施方式2中机器学习装置读入的加工程序的一个例子的图。

图22是表示在图20的步骤s603中生成的加工形状的一个例子的图。

图23是表示实施方式2所涉及的加工程序生成处理的详细内容的流程图。

图24是在实施方式2中使用的cad数据所示的加工形状的斜视图。

图25是表示基于在实施方式2中使用的cad数据而生成的原材料形状的斜视图。

图26是表示在实施方式2中生成的加工去除形状的斜视图。

图27是表示图26所示的加工去除形状的剖面形状即车削剖面形状的图。

图28是表示车削加工形状的车削加工工序的进刀点、加工开始点、加工中途点及加工结束点的坐标的图。

图29是表示实施方式2所涉及的孔加工工序的内容的说明图。

图30是表示图1所示的机器学习装置及加工程序生成装置的硬件结构的图。

具体实施方式

下面，基于附图对本发明的实施方式1及实施方式2所涉及的机器学习装置、加工程序生成装置及机器学习方法详细地进行说明。此外，本发明不受本实施方式限定。

实施方式1.

图1是表示本发明的实施方式1所涉及的包含机器学习装置10及加工程序生成装置20在内的数控装置100的结构例的框图。

数控装置100具有机器学习装置10、加工程序生成装置20、对话操作处理部30、指示输入部40和显示部50。数控装置100搭载于未图示的工作机械，或者与工作机械连接，按照加工程序对工作机械的动作进行数控。在这里，加工程序被使用于从原材料的状态起对加工对象物进行切削加工而削出设计形状。

此外，在图1所示的例子中，机器学习装置10及加工程序生成装置20设为搭载于数控装置100，但本实施方式并不限定于该例子。例如，机器学习装置10及加工程序生成装置20也可以是与数控装置100不同的装置。另外，机器学习装置10也可以是与加工程序生成装置20不同的装置。

机器学习装置10基于过去创建出的多个加工程序1，生成在由加工程序生成装置20生成加工程序时使用的学习模型。即，向机器学习装置10输入的加工程序1是学习用的加工程序，由加工程序生成装置20生成的加工程序是为了对工作机械进行数控而创建的新的加工程序。

加工程序生成装置20基于从数控装置100的外部输入至加工程序生成装置20的cad(computer-aideddesign)数据2等表示设计形状的加工形状数据而生成加工程序。加工程序生成装置20在生成加工程序时，使用机器学习装置10的学习结果即学习模型。

对话操作处理部30是数控装置100和作业者之间的接口，并且还是机器学习装置10或者加工程序生成装置20和作业者之间的接口。对话操作处理部30将由作业者经由指示输入部40输入的指示信息发送至机器学习装置10或者加工程序生成装置20。另外，对话操作处理部30将由作业者经由指示输入部40输入的指示信息在显示部50进行显示。

指示输入部40由鼠标、键盘等输入设备构成，对来自作业者的指示信息进行接收，发送至对话操作处理部30。

显示部50是液晶监视器等显示设备，对加工程序1、cad数据2、由作业者经由指示输入部40输入的指示信息等进行显示。另外，显示部50能够对与在数控装置100、机器学习装置10及加工程序生成装置20中进行的处理相关的各种信息进行显示。

机器学习装置10具有加工程序输入部11、加工程序存储部12、数据提取部13、机器学习部14和学习模型存储部15。

加工程序输入部11对从数控装置100的外部装置向机器学习装置10输入的加工程序1的数据进行接收，输入至加工程序存储部12。加工程序1是用于对未图示的工作机械进行数控的计算机程序，包含加工方法、刀具、切削条件、刀具轨道、原材料形状、原材料的材质信息等。加工程序存储部12对从加工程序输入部11输入的加工程序1进行存储。

数据提取部13从多个加工程序1分别对在加工程序1内使用的参数、且调整对象的参数即第1参数和调整对象外的参数即第2参数进行提取。第1参数是在生成加工程序1时需要决定的参数，例如是加工方法、加工顺序、刀具种类、进给量、切削速度、径向进刀量、轴向进刀量等。第2参数是在对第1参数进行调整时使用的调整对象外的参数。第2参数例如包含基于原材料形状、原材料材质、加工形状等而确定值的参数，或者已经调整完成的参数等。针对第1参数的每个种类，在对第1参数进行调整时使用的第2参数的种类确定。即，第1参数是基于第2参数进行调整的。

数据提取部13针对第1参数的每个种类，决定要提取的第2参数的种类，对决定出的种类的第2参数进行提取。数据提取部13将提取出的第1参数及第2参数针对每个加工程序1而输入至机器学习部14。

机器学习部14基于由数据提取部13提取出的第1参数及第2参数而进行教师学习，生成根据输入而推定结果的模型，即，表示第1参数和第2参数的关系的学习模型。具体地说，机器学习部14按照包含由数据提取部13提取出的第1参数及第2参数在内的数据集，对第1参数的值进行学习。机器学习部14使生成的学习模型存储于学习模型存储部15。

由机器学习部14使用的学习算法可以使用任意的学习算法。作为一个例子，举出神经网络、svm等算法。神经网络可以是多层构造的深度学习。另外，由机器学习部14使用的学习算法也可以是遗传学编程、功能逻辑编程、支持向量机等。机器学习是对神经网络的权重、偏压等的参数进行优化的处理。

学习模型存储部15对机器学习部14的学习结果即学习模型进行存储。学习模型示出了最佳的第1参数相对于输入的第2参数的关系。

加工程序生成装置20具有加工形状数据输入部21、加工形状数据存储部22、加工程序生成部23、推断部24和加工程序存储部25。

加工形状数据输入部21从数控装置100的外部装置对cad数据2等加工形状数据进行接收，使接收到的加工形状数据存储于加工形状数据存储部22。加工形状数据包含切削加工品的加工成品形状即设计形状和表示原材料的材质的信息。原材料是被削出通过cad数据2表示的设计形状的加工对象物。加工形状数据并不限定于cad数据2，只要是能够由加工程序生成装置20解释的数据即可。

加工形状数据存储部22对由加工形状数据输入部21接收到的加工形状数据进行存储。

加工程序生成部23生成用于从原材料削出cad数据2所示的设计形状的加工程序。加工程序生成部23将生成的加工程序存储于加工程序存储部25。加工程序生成部23如果从加工形状数据存储部22取得加工形状数据，则基于所取得的加工形状数据，生成由推断部24向学习模型输入的输入数据。加工程序生成部23使用生成的输入数据，使推断部24对在要生成的加工程序中使用的第1参数的值进行推断，取得推断结果。加工程序生成部23关于为了生成加工程序而使用的多个第1参数，分别生成输入数据，对第1参数的种类进行指定，传递输入数据，对推断部24指示第1参数的推断。加工程序生成部23与指示相应地取得由推断部24生成的推断结果。加工程序生成部23基于由推断部24推断出的第1参数的值而生成加工程序。加工程序生成部23使生成的加工程序存储于加工程序存储部25。

推断部24从加工程序生成部23接收输入数据，如果第1参数的种类被指定，则使用接收到的输入数据和在学习模型存储部15中存储的学习模型，对指定出的第1参数的值进行推断。推断部24将第1参数的推断结果返送至加工程序生成部23。

加工程序存储部25对由加工程序生成部23生成的加工程序进行存储。

下面，对数控装置100的动作进行说明。数控装置100的动作包含由机器学习装置10进行的学习模型生成处理和由加工程序生成装置20进行的加工程序生成处理。

图2是表示图1所示的机器学习装置10的学习模型生成处理的顺序的流程图。在学习模型生成处理中，基于加工程序1，生成用于生成加工程序的学习模型。

首先，加工程序输入部11从未图示的存储区域读入多个加工程序1，使加工程序1存储于加工程序存储部12(步骤s101)。接下来，数据提取部13从在加工程序存储部12中存储的加工程序1提取第1参数(步骤s102)。数据提取部13进一步关于提取出的多个第1参数，针对每个第1参数而提取第2参数(步骤s103)。此时，数据提取部13针对第1参数的每个种类，决定要提取的第2参数的种类，能够对决定出的种类的第2参数进行提取。另外，步骤s102及步骤s103的处理是针对每个加工程序而进行的，数据提取部13针对每个加工程序，将提取出的第1参数及第2参数输入至机器学习部14。

机器学习部14使用从数据提取部13输入的第1参数及第2参数而进行机器学习处理(步骤s104)。机器学习部14基于第1参数及第2参数而生成数据集，按照生成的数据集进行机器学习。数据集是将调整对象的第1参数和为了决定该第1参数的值而使用的调整对象外的参数即第2参数相关联的数据的组。机器学习部14使用预定的基准，生成优化后的模型而作为学习模型。机器学习部14生成学习结果即学习模型，使生成的学习模型存储于学习模型存储部15。

图3是表示图1所示的加工程序生成装置20的加工程序生成处理的顺序的流程图。加工程序生成装置20使用机器学习装置10的学习结果对加工程序的参数进行推断，使用推断结果而生成加工程序。

加工形状数据输入部21从未图示的存储区域读入cad数据2，使读入的cad数据2存储于加工形状数据存储部22(步骤s201)。加工程序生成部23从加工形状数据取得为了推断第1参数而使用的第2参数，推断部24使用由加工程序生成部23取得的第2参数和由机器学习装置10生成的学习模型，对第1参数进行推断(步骤s202)。

加工程序生成部23基于第1参数的推断结果而生成加工程序(步骤s203)。加工程序生成部23使生成的加工程序存储于加工程序存储部25(步骤s204)。

接下来，对机器学习装置10的学习模型生成处理的详细内容进行说明。图4是表示图1所示的机器学习装置10的学习模型生成处理的详细内容的流程图。在这里，使用图5所示的加工程序，对图4所示的动作进行说明。图5是表示由图1所示的机器学习装置10读入的加工程序的一个例子的图。

图5所示的加工程序是用于进行攻丝加工的数控程序，包含多个参数名和其值。返回至图4的说明。加工程序输入部11从未图示的存储区域读入多个加工程序1，使读入的加工程序1存储于加工程序存储部12(步骤s301)。

数据提取部13从在加工程序存储部12中存储的多个加工程序1分别提取参数(步骤s302)。

图5所示的从加工程序提取的参数，例如是与原材料相关的参数、与加工相关的参数、与刀具相关的参数、与加工位置相关的参数。与原材料相关的参数是原材料材质“fc250”、原材料外径“438”、原材料内径“352”、原材料长度“530”、原材料端面“30”及原材料旋转数“100”。与加工相关的参数是单元编号“9”、加工种类“攻丝加工”、加工模式“xc”、攻丝尺寸“m16”、外径“16”、间距“2”、螺纹深度“45”及倒角“0.9”。与刀具相关的参数是刀具序号“2”、刀具种类“钻孔”、公称直径“14”、刀具no.“8”、加工孔径“14”、加工孔深度“42.7”、下孔径“0”、下孔深度“100”、钻孔加工方法、“深孔加工”、每1次的进刀深度“7.1”、周速度“60”、进给量“0.22”及m代码“m45”。与加工位置相关的参数是形状图案“圆弧”、起点位置坐标x“202.5”、起点位置坐标y“225”、起点位置坐标z“0”、个数“2”及角度“90”。

返回至图4的说明。数据提取部13从提取出的参数中，针对调整对象的每个参数即第1参数，对调整对象外的第2参数进行筛选(步骤s303)。

在图5所示的例子中，在将第1参数设为“钻孔加工方法”的情况下，钻孔加工方法的值设为0至3的4种值的任意者，设为“0”钻孔循环、“1”高速深孔循环、“2”深孔循环、“3”超深孔循环。此时，基于第1参数的种类而筛选出的第2参数是原材料材质“fc250”、原材料外径“438”、原材料内径“352”、原材料长度“530”、原材料端面“30”、加工种类“攻丝加工”、加工孔径“14”、加工孔深度“42.7”。

另外，在将车削钻孔和车削端面的加工顺序设为第1参数的情况下，加工顺序的值设为0或者1的2种值的任意者，设为“0”车削钻孔→车削端面、“1”车削端面→车削钻孔。此时，基于第1参数的种类而筛选出的第2参数能够设为原材料材质、原材料外径、原材料内径、原材料长度、原材料端面、加工孔径、加工孔深度。

另外，在将加工部位设为第1参数的情况下，加工部位的值设为0至3的4种值的任意者，设为“0”外径、“1”内径、“2”正面、“3”背面。此时基于第1参数的种类而筛选出的第2参数能够设为原材料材质、原材料外径、原材料内径、径向余量、轴向余量。

另外，在将加工方法设为第1参数的情况下，加工方法的值设为0或者1的2种值的任意者，设为“0”车削棒材加工、“1”车削开槽加工。此时基于第1参数的种类而筛选出的第2参数能够设为原材料材质、原材料外径、原材料内径、径向余量、轴向余量。

此外，对参数进行提取的方法是根据从输入图案得到的参数而选择对于机器学习有效的特征的方法，总合法、前向逐步特征选择法、后向逐步特征选择法等。另外，作为对参数进行提取的方法，还存在设定评价函数而对特征变换参数进行更新的基于机器学习的方法。通过在评价函数中作为正则项而加入参数的l1范数的被称为“lasso”的方法，能够进行大量的参数的值成为零的稀疏的特征变换。并且，还提出了通过将一些参数分组化而进行lasso，从而针对每个组将值设为零的被称为“grouplasso”的方法。另外，还存在根据作业者的经验而提取参数的方法。

另外，第1参数不仅是“钻孔的加工方法”、“车削钻孔和车削端面的加工顺序”、“加工部位”、“车削棒材加工和车削开槽加工”，只要是与加工程序的生成相关的项目且调整对象的参数即可。例如，第1参数是“车削加工的原材料的旋转数”、“车削刀具的尺寸”、“进刀－x”、“进刀－z”、“周速度”、”进给量”、“剩余量－x”、“剩余量－z”等。不仅是车削加工、孔加工，线加工、面加工、加工头选择、工件移动等与加工程序相关的全部项目也能够成为第1参数。另外，第1参数不仅是整数值，如果使用线性回归，则也可以是实数值。

返回至图4的说明。数据提取部13使用第1参数和基于第1参数的种类而筛选出的第2参数，生成包含第1参数及第2参数在内的数据集，将生成的数据集输入至机器学习部14(步骤s304)。

机器学习部14按照从数据提取部13输入的数据集而进行机器学习，针对每个第1参数而生成表示第1参数和第2参数的关系的学习模型(步骤s305)。机器学习部14使生成的学习模型存储于学习模型存储部15(步骤s306)。

接下来，对加工程序生成装置20的加工程序生成处理的详细内容进行说明。图6是表示图1所示的加工程序生成部23的加工程序生成处理的详细内容的流程图。下面，对与一边使原材料旋转、一边切削的车削加工相关的加工程序生成处理的例子进行说明。

首先，加工程序生成部23读入在加工形状数据存储部22中存储的加工形状数据即cad数据2(步骤s401)。cad数据2是包含加工对象物的加工前后的形状的设计数据。图7是表示在图1示出的cad数据2所示的加工后的加工对象物的形状即加工形状的斜视图。

返回至图6的说明。加工程序生成部23基于读入的cad数据2而生成如图7所示那样的加工形状，在程序坐标系的加工原点即程序原点配置加工形状(步骤s402)。

在程序坐标系中，将xyz轴之中的z轴设为进行车削加工时的中心轴即车削轴sg。加工程序生成部23在将加工形状向程序原点配置时，使加工形状进行移动及旋转而配置，以使得加工形状之中的直径变得最大的圆筒面的旋转轴或者圆锥面的旋转轴与z轴一致。另外，进行移动以使得加工形状的z轴方向的端面与程序原点一致。即，加工程序生成部23从cad数据2对将车削轴sg和旋转中心轴设为相同的圆柱面或者圆锥面进行提取而作为切削端面。因此，加工程序生成部23根据cad数据2而生成将车削轴设为旋转中心轴的3维的加工形状。

返回至图6的说明。接下来，加工程序生成部23基于读入的cad数据2而生成3维的原材料形状(步骤s403)。具体地说，加工程序生成部23生成包含配置于程序原点的加工形状在内的3维的圆柱形状，与加工形状同样地配置于程序坐标系。图8是表示基于图1所示的cad数据2而生成的原材料形状的斜视图。原材料形状是加工前的加工对象物的形状。原材料形状的尺寸能够根据加工形状中的x轴方向、y轴方向及z轴方向上的各自的最大值及最小值而求出。但是，为了进行车削端面加工，原材料形状与加工形状相匹配地将z轴方向的尺寸与加工形状相比设为大2mm至3mm左右的尺寸。另外，原材料形状的z轴方向的端面配置于从程序原点起在从加工形状分离的方向以2mm至3mm伸出的位置。在这里，原材料形状是将原材料外径设为150mm、将原材料长度设为120mm、将原材料材质设为s45c。

加工程序生成部23基于原材料形状及加工形状，生成要从原材料形状通过车削加工而去除的形状即加工去除形状(步骤s404)。图9是表示由图1所示的加工程序生成部23生成的加工去除形状的斜视图。在图9中，将加工形状通过虚线表示。加工去除形状能够通过从原材料形状的实体模型减去加工形状的实体模型的差运算而求出。

接下来，加工程序生成部23生成加工去除形状的剖面形状即车削剖面形状t(步骤s405)。图10是表示图9所示的加工去除形状的剖面形状即车削剖面形状t的图。图10所示的车削剖面形状是将加工去除形状向xz平面之中的仅限定于+x的区域的+xz平面投影而得到的1/2车削剖面形状。加工程序生成部23通过由xz平面构成的剖面模型和由加工形状构成的实体模型的积运算而求出剖面形状，作为x大于或等于0的区域而限定范围，由此能够求出车削剖面形状。在图10中示出了包含车削剖面形状t1及车削剖面形状t2在内的车削剖面形状t。

返回至图6的说明。加工程序生成部23对推断部24指定要推断的第1参数的种类，输入第2参数，取得第1参数的推断结果(步骤s406)。例如，加工程序生成部23将第2参数即原材料材质“s45c”、原材料长度“120mm”、原材料外径“150mm”、原材料内径“0mm”、原材料端面“10mm”、孔径“30mm”、孔深度“10mm”输入至推断部24，从推断部24取得推断结果即第1参数“0”。在这里，第1参数“0”示出了先进行车削钻孔工序，然后进行车削端面工序。在这里，将输入至推断部24的多个第2参数和推断结果即第1参数并称为程序生成参数pa121。推断部24将从加工程序生成部23输入的第2参数作为输入数据，使用在学习模型存储部15中存储的学习模型之中的、与指定出的第1参数相对应的学习模型，推断第1参数的值，将推断结果输入至加工程序生成部23。

步骤s406的处理以取得的第1参数的值进行重复。加工程序生成部23将第2参数即原材料材质“s45c”、原材料长度“120mm”、原材料外径“150mm”、原材料内径“0mm”、径向余量“30mm”、轴向余量“30mm”输入至推断部24，能够从推断部24取得推断结果即第1参数“0”。在这里，第1参数“0”示出了外径的值为0。在这里，将输入至推断部24的多个第2参数和推断结果即第1参数并称为程序生成参数pa122。

加工程序生成部23将第2参数即原材料材质“s45c”、原材料长度“120mm”、原材料外径“150mm”、原材料内径“0mm”、径向余量“10mm”、轴向余量“20mm”输入至推断部24，从推断部24取得推断结果即第1参数“0”。在这里，第1参数“0”示出了是车削棒材加工。在这里，将输入至推断部24的多个第2参数和推断结果即第1参数并称为程序生成参数pa123。

加工程序生成部23将第2参数即原材料材质“s45c”、原材料长度“120mm”、原材料外径“150mm”、原材料内径“0mm”、径向余量“10mm”、轴向余量“20mm”输入至推断部24，能够从推断部24取得推断结果即第1参数“0”。在这里，第1参数“0”示出了加工部位为外径。在这里，将输入至推断部24的多个第2参数和推断结果即第1参数并称为程序生成参数pa124。

此外，车削端面工序是进行车削端面加工的工序，该车削端面加工通过车削端面刀具将原材料端面的凸出部削掉。车削钻孔工序是进行车削钻孔加工的工序，该车削钻孔加工在原材料中的半径方向的中心区域通过车削钻孔开出沿中心轴的孔。车削棒材工序是进行车削棒材加工的工序，该车削棒材加工通过车削刀具车削出圆棒原材料的外径、内径、正面或者背面。车削开槽工序是进行车削开槽加工的工序，该车削开槽加工在圆棒原材料的外径、内径、正面或者背面通过车削开槽刀具进行槽加工。端面余量是车削端面加工中的切削量。

接下来，加工程序生成部23使用程序生成参数pa121～124，将加工去除形状的车削剖面形状t分割为多个不同的加工工序，示出车削加工形状(步骤s407)。车削加工形状是通过多个不同的加工工序从原材料削出加工形状的情况下的各加工工序中的车削剖面形状。

下面，对车削剖面形状t的分割顺序进行说明。图11是表示车削端面工序的车削加工形状sh1的图。图12是表示车削钻孔工序的车削加工形状sh2的图。图13是表示车削棒材工序的车削加工形状sh3的图。图14是表示车削棒材工序的车削加工形状sh4的图。

加工程序生成部23从车削剖面形状t1取得端面余量“10mm”的信息。加工程序生成部23参照程序生成参数pa121，由于表示加工顺序的第1参数的值成为“先进行车削钻孔工序，然后进行车削端面工序”，因此如图11所示，从图10所示的车削剖面形状t1对车削端面工序的车削加工形状sh1进行分割。

接下来，加工程序生成部23参照程序生成参数pa121，由于表示加工部位的第1参数的值成为“外径”，因此如图12所示，从图10所示的车削剖面形状t1对车削钻孔工序的车削加工形状sh2进行分割。

加工程序生成部23接下来如图13所示，从图10所示的车削剖面形状t1对车削棒材工序的车削加工形状sh3进行分割。加工程序生成部23如图14所示，将图10所示的车削剖面形状t2作为车削棒材工序的车削加工形状sh4进行分割。

返回至图6的说明。加工程序生成部23基于包含第1参数的推断结果的程序生成参数pa121～124和生成的车削加工形状，生成加工程序的各工序(步骤s408)。

具体地说，加工程序生成部23基于程序生成参数pa121～124而对车削加工形状分配车削加工工序，生成车削加工工序。图15是表示图11所示的车削加工形状sh1的车削加工工序的加工开始点及加工结束点的坐标的图。加工程序生成部23基于程序生成参数pa121～124，对车削加工形状sh1的车削加工工序的加工开始点p1(75，－10)及加工结束点p2进行计算，分配给车削加工形状sh1，生成车削加工工序lc1的加工程序。

图16是表示图12所示的车削加工形状sh2的车削钻孔工序的加工开始点及加工结束点的坐标的图。加工程序生成部23基于程序生成参数pa121～124，对车削加工形状sh2的车削钻孔工序的加工开始点p3(0，0)及加工结束点p4(0，110)进行计算，分配给车削加工形状sh2，生成车削钻孔工序lc2的加工程序。

图17是表示图13所示的车削加工形状sh3的车削棒材工序的进刀点、加工开始点及加工结束点的坐标的图。从车削棒材工序的车削加工形状sh3取得开放部形状的x轴方向的长度30mm的信息和开放部形状的z轴方向的长度30mm的信息。加工程序生成部23参照程序生成参数pa122，设为加工部位“外径”，从车削加工形状sh3取得车削棒材工序的进刀点p5(75，0)、加工开始点p6(45，0)、加工结束点p7(45，30)的坐标，生成加工部位设为外径的车削棒材工序即车削棒材外径工序lc3的加工程序。

图18是表示图14所示的车削加工形状sh4的车削棒材工序的进刀点、加工开始点及加工结束点的坐标的图。加工程序生成部23从车削棒材工序的车削加工形状sh4取得开放部形状的x轴方向的长度10mm、开放部形状的z轴方向的长度20mm的信息。加工程序生成部23参照程序生成参数pa124，设为加工部位“外径”，从车削加工形状sh4取得车削棒材工序的进刀点p8(75，60)、加工开始点p9(65，60)、加工结束点p10(65，80)的坐标，生成加工部位设为外径的车削棒材工序即车削棒材外径工序lc4的加工程序。

如以上说明所述，进行图6所示的处理，由此加工程序生成部23参照程序生成参数pa121～124，能够自动地生成用于从原材料削出加工形状的多个不同的车削加工工序。

另外，在这里使用根据过去创建出的加工程序而生成的学习模型，决定各第1参数。在过去创建出的加工程序中累积有作业者的知识及经验，能够自动地容易生成与由作业者自身通过手动作业创建出加工程序的情况相同的加工程序。

另外，即使在生成加工程序时必须调整的参数是多种多样的，也能够容易地生成加工程序。

实施方式2.

实施方式2所涉及的数控装置100的结构与图1所示的实施方式1相同，因此在这里省略说明。

下面，对数控装置100的动作进行说明。在实施方式2中，也与实施方式1同样地，数控装置100的动作包含由机器学习装置10进行的学习模型生成处理和由加工程序生成装置20进行的加工程序生成处理。

首先，对由机器学习装置10进行的学习模型生成处理的概要进行说明。图19是表示本发明的实施方式2所涉及的学习模型生成处理的概要的流程图。

首先，加工程序输入部11从未图示的存储区域读入加工程序1，使加工程序1存储于加工程序存储部12(步骤s501)。数据提取部13基于在加工程序存储部12中存储的加工程序1，针对每个加工程序1而生成加工后的加工对象物的形状即加工形状(步骤s502)。

数据提取部13从在加工程序存储部12中存储的加工程序1和在步骤s502中生成的加工形状，提取第2参数(步骤s503)。

接下来，数据提取部13从在加工程序存储部12中存储的加工程序1，提取第1参数(步骤s504)。接下来，机器学习部14基于由数据提取部13提取出的第1参数和第2参数的组而生成数据集，进行机器学习处理(步骤s505)。机器学习部14使作为机器学习的结果而生成的学习模型存储于学习模型存储部15。

关于加工程序生成处理的概要，由于与实施方式1相同，因此在这里省略说明。

图20是表示图19所示的学习模型生成处理的详细内容的流程图。首先，加工程序输入部11从未图示的存储区域读入加工程序1，使加工程序1存储于加工程序存储部12(步骤s601)。

数据提取部13从在加工程序存储部12中存储的多个加工程序1分别提取参数(步骤s602)。

图21是表示在实施方式2中由机器学习装置10读入的加工程序的一个例子的图。从图21所示的加工程序提取的参数，例如是与原材料相关的参数、与加工相关的参数、与刀具相关的参数、与加工位置相关的参数。与原材料相关的参数是原材料材质“cstirn”、原材料外径“6”、原材料内径“1.5”、原材料长度“7”、原材料端面“0”及原材料旋转数“1500”。与加工相关的参数是单元编号“4”、角度b“90”、角度c“0”、加工种类“棒材”、加工部“外径”、进刀－x“6.0”、进刀－z“0”、精加工量－x“0.1”、精加工量－z“0.1”。与刀具相关的参数是刀具序号“1”、加工类别“粗加工”、刀具种类“车削外形”、公称直径“1”、后缀“a”、加工图案“0”、最大进刀量“0.3”、周速度“100”、进给量“1”、刀具序号“2”、加工类别“精加工”、刀具种类“车削外形”、公称直径“1”、后缀“b”、加工图案“0”、最大进刀量“0.3”、周速度“100”、进给量“1”。与加工位置相关的参数是形状序号“1”、形状图案“锥”、前角部“0”、起点－x“3”、起点－z“0”、终点－x“5.27176”、终点－z“1.9674”、后角部“0”、形状序号“2”、形状图案“锥”、前角部“0”、起点－x“5.27176”、起点－z“1.9674”、终点－x“5.27176”、终点－z“2.9674”、后角部“0”。

并且，作为从图21所示的加工程序提取的参数，举出以下所示的参数。与加工相关的参数是单元编号“6”、角度b“0”、角度c“0”、加工种类“钻孔”、孔径“0.5156”、孔深度“0.59、倒角“0”。与刀具相关的参数是刀具序号“1”、刀具种类“钻孔”、公称直径“0.52”、后缀“无”、加工孔径“0.52”、加工孔深度“0.5”、下孔径“0”、进给速度变更比例“100”、加工循环“钻孔循环”、进刀量“0.26”、周速度“10”、进给量“1”。与加工位置相关的特征量是形状序号“1”、形状图案“圆”、z“0”、x“0”、y“0”、起点和x轴所成的角度“0.008”、半径“1.08307”、孔个数“4”。

返回至图20的说明。接下来，数据提取部13分别根据在加工程序存储部12中存储的多个加工程序而生成加工形状(步骤s603)。图22是表示在图20的步骤s603中生成的加工形状的一个例子的图。此外，根据加工程序而生成加工形状的技术能够使用在日本专利第5349713号、日本专利第5905159号、日本专利第5936781号等中示出的技术。

返回至图20的说明。数据提取部13从在步骤s603中生成的加工形状而提取第2参数(步骤s604)。作为能够从在这里生成的加工形状提取的第2参数，举出产品长度“7”、产品最大外径“6”、产品最小外径“3”、产品最大内径“1.5”、产品最小内径“1.5”等。

数据提取部13针对每个第1参数而筛选第2参数(步骤s605)。例如，将第1参数的种类设为加工部位，第1参数的值设为0至3的4种值的任意者，设为“0”外径、“1”内径、“2”正面、“3”背面”。此时基于第1参数的种类而筛选出的第2参数成为原材料材质“cstirn”、原材料外径“6”、原材料内径“1.5”、原材料长度“7”、原材料端面“0”、加工种类“车削棒材”、径向余量“2.2716”、轴向余量“1.9674”、产品长度“7”、产品最大外径“6”、产品最小外径“3”、产品最大内径“1.5”、产品最小外径“1.5”、加工部位最大x“5.27176”、加工部位最小x“3”、加工部位最大z“1.9674”、加工部位最小z“0”。另外，第1参数的值为“0”。

另外，将第1参数的种类设为钻孔加工方法，第1参数的值设为0至3的4种值的任意者，设为“0”钻孔循环、“1”高速深孔循环、“2”深孔循环、“3”超深孔循环。此时基于第1参数的种类而筛选出的第2参数成为原材料材质“cstirn”、原材料外径“6”、原材料内径“1.5”、原材料长度“7”、原材料端面“0”、加工种类“钻孔加工”、加工孔径“0.52”、加工孔深度“0.5”、产品长度“7”、产品最大外径“6”、产品最小外径“3”、产品最大内径“1.5”、产品最小外径“1.5”、加工部位最大x“1.08307”、加工部位最小x“－1.08307”、加工部位最大z“0”、加工部位最小z“0”。另外，第1参数的值为“0”。

数据提取部13生成第1参数及第2参数的数据集，将生成的数据集输入至机器学习部14(步骤s606)。

机器学习部14按照从数据提取部13输入的数据集而进行机器学习，针对每个第1参数生成学习模型(步骤s607)。机器学习部14使生成的学习模型存储于学习模型存储部15(步骤s608)。

图23是表示实施方式2所涉及的加工程序生成处理的详细内容的流程图。首先，加工程序生成部23读入在加工形状数据存储部22中存储的加工形状数据即cad数据2(步骤s701)。cad数据2是包含加工对象物的加工前后的形状的设计数据。图24是在实施方式2中使用的cad数据2所示的加工形状的斜视图。

返回至图23的说明。加工程序生成部23基于读入的cad数据2，生成如图24所示那样的加工形状，在程序坐标系的加工原点即程序原点配置加工形状(步骤s702)。

在程序坐标系中，将xyz轴之中的z轴设为进行车削加工时的中心轴即车削轴sg。加工程序生成部23在将加工形状向程序原点配置时，使加工形状进行移动及旋转而配置，以使得加工形状之中的直径变得最大的圆筒面的旋转轴或者圆锥面的旋转轴与z轴一致。另外，进行移动以使得加工形状的z轴方向的端面与程序原点一致。即，加工程序生成部23从cad数据2对将车削轴sg和旋转中心轴设为相同的圆柱面或者圆锥面进行提取而作为切削端面。因此，加工程序生成部23根据cad数据2而生成将车削轴设为旋转中心轴的3维的加工形状。

返回至图23的说明。接下来，加工程序生成部23基于读入的cad数据2而生成3维的原材料形状(步骤s703)。具体地说，加工程序生成部23生成包含配置于程序原点的加工形状在内的3维的圆柱形状，与加工形状同样地配置于程序坐标系。图25是表示基于在实施方式2中使用的cad数据2而生成的原材料形状的斜视图。原材料形状是加工前的加工对象物的形状。原材料形状的尺寸能够根据加工形状中的x轴方向、y轴方向及z轴方向上的各自的最大值及最小值而求出。在这里，原材料形状设为原材料外径“6”、原材料长度“7”、原材料材质“cstirn”。

加工程序生成部23基于原材料形状及加工形状，生成要从原材料形状通过车削加工而去除的形状即加工去除形状(步骤s704)。图26是表示在实施方式2中生成的加工去除形状的斜视图。在图26中，将加工形状通过虚线表示。加工去除形状能够通过从原材料形状的实体模型减去加工形状的实体模型的差运算而求出。

接下来，加工程序生成部23生成加工去除形状的剖面形状即车削剖面形状u(步骤s705)。图27是表示图26所示的加工去除形状的剖面形状即车削剖面形状u的图。图27所示的车削剖面形状是将加工去除形状向xz平面之中的仅限定于+x的区域的+xz平面投影而得到的1/2车削剖面形状。加工程序生成部23通过由xz平面构成的剖面模型和由加工形状构成的实体模型的积运算而求出剖面形状，作为x大于或等于0的区域而限定范围，由此能够求出车削剖面形状u。

返回至图23的说明。加工程序生成部23对推断部24指定要推断的第1参数的种类，输入第2参数，取得车削加工工序的第1参数的推断结果(步骤s706)。例如，加工程序生成部23将第2参数即原材料材质“cstirn”、原材料长度“7”、原材料外径“6”、原材料内径“1.5”、原材料端面“0”、加工种类“车削棒材”、径向余量“2.2716”、轴向余量“1.9674”、产品长度“7”、产品最大外径“6”、产品最小外径“3”、产品最大内径“1.5”、产品最小内径“1.5”、加工部位最大x“5.27176”、加工部位最小x“3”、加工部位最大z“1.9674”、加工部位最小z“0”输入至推断部24，从推断部24取得推断结果即第1参数“0”。在这里，第1参数“0”示出了加工部位为“外径”。在这里，将输入至推断部24的多个第2参数和推断结果即第1参数并称为程序生成参数pa125。推断部24将从加工程序生成部23输入的第2参数作为输入数据，使用在学习模型存储部15中存储的学习模型之中的、与指定出的第1参数相对应的学习模型，推断第1参数的值，将推断结果输入至加工程序生成部23。

接下来，加工程序生成部23生成车削加工形状(步骤s707)。车削加工形状是通过多个不同的加工工序从原材料削出加工形状的情况下的各加工工序中的车削剖面形状。在这里，无需对加工工序进行分割，因此车削剖面形状u直接成为车削加工形状。

加工程序生成部23基于包含第1参数的推断结果的程序生成参数pa125和生成的车削加工形状，生成加工程序的车削加工工序(步骤s708)。

图28是表示车削加工形状sh5的车削加工工序的进刀点、加工开始点、加工中途点及加工结束点的坐标的图。加工程序生成部23基于程序生成参数pa125，对车削加工形状sh5的车削加工工序的进刀点p21(3，0)、加工开始点p22(1.5，0)、加工中途点p23(2.63588，1.9674)、加工中途点p24(2.63588，2.9674)、加工结束点p25(3，2.9674)进行计算，分配给车削加工形状sh5，生成车削加工工序的加工程序。

返回至图23的说明。接下来，加工程序生成部23对推断部24指定要推断的第1参数的种类，输入第2参数，取得孔加工工序的第1参数的推断结果(步骤s709)。例如，加工程序生成部23将第2参数即原材料材质“cstirn”、原材料长度“7”、原材料外径“6”、原材料内径“1.5”、原材料端面“0”、加工种类“钻孔加工”、加工孔径“0.52”、加工孔深度“0.5”、产品长度“7”、产品最大外径“6”、产品最小外径“3”、产品最大内径“1.5”、产品最小内径“1.5”、加工部位最大x“1.08307”、加工部位最小x“－1.08307”、加工部位最大z“0”、加工部位最小z“0”输入至推断部24，从推断部24取得推断结果即第1参数“0”。在这里，第1参数“0”示出了加工方法是“钻孔循环”。在这里，将输入至推断部24的多个第2参数和推断结果即第1参数并称为程序生成参数pa126。推断部24将从加工程序生成部23输入的第2参数作为输入数据，使用在学习模型存储部15中存储的学习模型之中的与指定出的第1参数相对应的学习模型，推断第1参数的值，将推断结果输入至加工程序生成部23。

加工程序生成部23生成孔加工形状(步骤s710)。接下来，加工程序生成部23基于包含第1参数的推断结果的程序生成参数pa126和生成的孔加工形状，生成加工程序的孔加工工序(步骤s711)。

图29是表示实施方式2所涉及的孔加工工序的内容的说明图。孔加工工序通过加工孔径“0.5156”、孔深度“0.5”、倒角“0”、刀具种类“钻孔”、公称直径“0.52”、加工孔径“0.52”、加工孔深度“0.5”、下孔径“0”、加工循环“钻孔循环”、形状图案“圆”、z“0”、x“0”、y“0”、起点和x轴所成的角度“0.008°”、半径“1.08307”、孔个数“4”这样的参数表示。使用这些参数，由加工程序生成部23生成加工程序的孔加工工序。

图30是表示图1所示的机器学习装置10及加工程序生成装置20的硬件结构的图。图1所示的各功能部具有：处理器901；存储器902，其由处理器901用作工作区域；存储装置903，其对记述有数控装置100的各功能的计算机程序进行存储；输入装置904，其是与作业者之间的输入接口；显示装置905，其是对作业者显示信息的输出装置；以及通信装置906，其具有与被控制设备或者其他数控装置等的通信功能。处理器901、存储器902、存储装置903、输入装置904、显示装置905及通信装置906之间通过数据总线907进行连接。

处理器901是处理装置、运算装置、微处理器、微型计算机、cpu(centralprocessingunit)或者dsp(digitalsignalprocessor)等。存储器902是ram(randomaccessmemory)、rom(readonlymemory)、闪存、eprom(erasableprogrammablerom)或者eeprom(注册商标)(electricallyeprom)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、迷你盘或者dvd(digitalversatiledisc)等。

加工程序输入部11、数据提取部13及机器学习部14，例如能够通过由处理器901读出并执行在图30所示的存储器902中存储的计算机程序而实现。另外，也可以是多个处理器901及多个存储器902协同而实现上述的功能。另外，也可以是将机器学习部14的功能内的一部分安装为电子电路，将其他部分使用处理器901及存储器902而实现。

另外，加工形状数据输入部21、加工形状数据存储部22、加工程序生成部23及推断部24同样地，能够通过由处理器901读出并执行在存储器902中存储的计算机程序而实现。另外，也可以是多个处理器901及多个存储器902协同而实现上述的功能。可以将加工形状数据输入部21、加工形状数据存储部22、加工程序生成部23及推断部24的功能之中的一部分安装为电子电路，将其他部分使用处理器901及存储器902而实现。用于实现加工形状数据输入部21、加工形状数据存储部22、加工程序生成部23及推断部24的功能的处理器901及存储器902可以与用于实现机器学习部14的处理器901及存储器902相同，也可以使用不同的处理器901及存储器902。

如以上说明所述，本发明的实施方式1及2所涉及的机器学习装置10能够基于加工程序1而取得可机器学习的调整对象的参数即第1参数，能够针对所取得的每个第1参数对在第1参数的推断中使用的调整对象外的参数即第2参数进行提取，自动地生成学习模型。该学习模型是基于在过去创建出的加工程序而生成的，因此能够生成包含有在加工程序内累积的过去的知识及经验的内容在内的学习模型。

另外，加工程序生成装置20使用由机器学习装置10生成的学习模型而进行第1参数的推断，使用推断结果而自动地生成加工程序，因此能够容易地生成有效使用了在过去的加工程序内累积的知识及经验的高品质的加工程序。

另外，在实施方式2所涉及的机器学习装置10中，能够根据加工程序1而生成加工形状，从加工形状提取第2参数。由此，能够增加可提取的参数的种类，能够提高学习模型的精度。

以上的实施方式所示的结构，表示本发明的内容的一个例子，也能够与其他公知技术进行组合，在不脱离本发明的主旨的范围，也能够对结构的一部分进行省略、变更。

例如，在上述的实施方式1及2中，示出了机器学习装置10及加工程序生成装置20被装入同一数控装置100内的例子，但本实施方式并不限定于该例子。机器学习装置10及加工程序生成装置20也可以独立地设置于数控装置100的外部。

另外，在上述的实施方式1及2中，以进行数控的工作机械是车床的情况下的加工程序为例而进行了说明，但进行数控的工作机械并不限定于车床，也可以是其他工作机械。

标号的说明

1加工程序，2cad数据，10机器学习装置，11加工程序输入部，12加工程序存储部，13数据提取部，14机器学习部，15学习模型存储部，20加工程序生成装置，21加工形状数据输入部，22加工形状数据存储部，23加工程序生成部，24推断部，25加工程序存储部，30对话操作处理部，40指示输入部，50显示部，100数控装置，901处理器，902存储器，903存储装置，904输入装置，905显示装置，906通信装置，907数据总线，t、t1、t2、u车削剖面形状，sh1、sh2、sh3、sh4、sh5车削加工形状。