[发明专利]用于支持机床的学习模型生成装置、支持装置及机床系统

说明书

本发明涉及一种用于支持机床的学习模型生成装置、支持装置及机床系统。一种用于支持机床的学习模型生成装置，包括：第一非控制元素获取单元，被配置成获取第一非控制元素，该第一非控制元素包括工件的规格和工具的规格中的至少之一，并且该第一非控制元素不作为用于机床的加工控制元素；加工控制元素获取单元，被配置成获取用于机床的加工控制元素；以及实际质量元素获取单元，被配置成获取工件在加工之后的实际质量元素。该学习模型生成装置还包括：学习模型生成单元，被配置成通过其中第一非控制元素、加工控制元素和实际质量元素被设置为学习数据的机器学习来生成用于基于第一非控制元素和实际质量元素输出加工控制元素的学习模型。

技术领域

本发明的一个或更多个实施方式涉及用于支持机床的学习模型生成装置、用于机床的支持装置以及机床系统。

背景技术

如下所述来确定机床的加工条件，特别地，机床的加工控制元素。加工控制元素为例如工件的转速、工具的进给速度等。首先，确定工件的规格，例如，工件的原始形状、工件的最终形状以及工件的材料。然后，确定加工控制元素以满足工件的目标质量元素。目标质量元素为诸如表面粗糙度的表面性质。此外，加工控制元素被确定成落入目标加工时间内。然而，确定加工控制元素是不容易的并且需要熟练知识、专有知识等。

此处，通常，除了表述“加工条件”意味着加工控制元素的情况之外，还可以在将非控制元素(例如，工件的规格或工具的规格)添加至加工控制元素的意义上使用表述“加工条件”。因此，在本说明书中，在不使用表述“加工条件”的情况下使用表述“加工控制元素”和“非控制元素”。

近年来，随着计算机加工速度的提高，人工智能得到了快速发展。例如，专利文献1陈述了通过机器学习来生成激光加工条件数据。具体地，机器学习装置学习机床的状态量以及加工结果与加工控制元素(加工条件)之间的关系，并且机器学习装置使用学习模型来输出加工控制元素(加工条件)。例如，机床的状态量是激光装置的光输出特性，该光输出特性示出了用于激光装置的光输出指令与从激光装置实际发射的光输出之间的关系。

专利文献1：JP-A-2017-164801

发明内容

然而，需要专利文献1中描述的机器学习装置来获取机床的状态量，但是状态量不易于获取。也就是说，状态量取决于加工进度而广泛地变化和改变，并且状态量是非常复杂的信息。

本发明的一方面的目的是提供一种能够在不使用机床的状态量的情况下生成用于输出机床的加工控制元素的学习模型的用于支持机床的学习模型生成装置。本发明的另一方面的目的是提供一种能够在不使用机床的状态量的情况下输出机床的加工控制元素的用于机床的支持装置和机床系统。

本发明的一个或更多个实施方式提供了一种用于支持机床的学习模型生成装置，包括：第一非控制元素获取单元，被配置成获取第一非控制元素，该第一非控制元素包括工件的规格和工具的规格中的至少之一并且该第一非控制元素不作为用于机床的加工控制元素；加工控制元素获取单元，被配置成获取用于机床的加工控制元素；实际质量元素获取单元，被配置成获取工件在加工之后的实际质量元素；以及学习模型生成单元，被配置成通过其中第一非控制元素、加工控制元素和实际质量元素被设置为学习数据的机器学习，来生成用于基于第一非控制元素和实际质量元素输出加工控制元素的学习模型。

本发明的一个或更多个实施方式提供了一种用于机床的支持装置，包括：用于支持如上所述的机床的学习模型生成装置；第二非控制元素获取单元，被配置成获取第二非控制元素，该第二非控制元素包括工件的规格和工具的规格中的至少之一，并且该第二非控制元素不作为用于机床的加工控制元素；目标质量元素获取单元，被配置成获取工件的目标质量元素；以及输出单元，被配置成通过使用学习模型来输出与第二非控制元素和目标质量元素对应的加工控制元素。