阅读说明：本技术 用于生成工具路径的方法以及装置 (Method and device for generating tool path ) 是由 中本圭一 桥本真由 高野和雅 武井胜彦 猪狩真二 于 2019-02-14 设计创作，主要内容包括：本方法具备进行机器学习的工序以及生成新的工具路径的工序。进行机器学习的工序包括：关于多个已知的加工物的各个,得到形状数据；得到多个加工面各自的几何信息；从多个工具路径模式中,得到针对多个加工面的各个选择的工具路径模式；以及使用多个已知的加工物的几何信息及工具路径模式,进行输入是加工面的几何信息且输出是加工面的工具路径模式的机器学习。生成新的工具路径的工序包括：得到对象加工物的形状数据；得到对象加工物的多个加工面各自的几何信息；以及使用对象加工物的几何信息,根据机器学习的结果,关于对象加工物的多个加工面的各个,生成工具路径模式。(The method includes a step of performing machine learning and a step of generating a new tool path. The process of performing machine learning includes: obtaining shape data for each of a plurality of known processed products; obtaining respective geometric information of a plurality of processing surfaces; obtaining a tool path pattern selected for each of the plurality of machining surfaces from the plurality of tool path patterns; and performing machine learning in which geometric information of the machining surface is input and a tool path pattern of the machining surface is output, using the geometric information and the tool path pattern of the plurality of known machined objects. The process of generating a new tool path includes: obtaining shape data of the object processing object; obtaining geometric information of each of a plurality of processing surfaces of the target processing object; and generating a tool path pattern for each of the plurality of processing surfaces of the target processing object based on the result of the machine learning using the geometric information of the target processing object.)

用于生成工具路径的方法以及装置

技术领域

本申请涉及用于生成工具路径的方法以及装置。

背景技术

以往，提出了用于支援NC(Numerical Control，数字控制)加工的各种技术。例如，专利文献1公开了用于支援使用NC数据的模具的设计的方法以及装置。在专利文献1中，在使用既存的模具的NC数据来设计模具时，比较既存的模具的CAM数据和设计对象的模具的CAM数据，针对每个加工部位，判定可否使用既存的模具的数据。将能够使用既存的模具的数据的加工部位的数量和加工部位的总数的比例计算为挪用率。在挪用率的计算中，使用神经网络。

在专利文献2中，公开了用于支援NC工作机械中的工具路径数据的生成的装置。在专利文献2中，根据与产品的三维形状有关的特征数据、原材料数据、各加工工序的数据、与各加工工序后的形状有关的数据、以及可使用的工具的数据，自动地生成工具路径数据。

现有技术文献

专利文献

专利文献1：日本特开2014-160303号公报

专利文献2：日本特开2002-189510号公报

发明内容

NC加工中的工具路径有时通过根据操作人员的经验以及专门技能对CAM软件输入各种数据而生成。然而，在操作人员不熟练的情况下，特别在加工物具有复杂的形状时，难以生成期望的工具路径。

本发明的目的在于提供一种能够根据多个事例生成新的工具路径的方法以及装置。

本公开的一个方案是一种NC加工中的用于生成工具路径的方法，该方法具备：根据具有已经生成的工具路径的多个已知的加工物的信息，进行机器学习的工序；以及根据机器学习的结果，生成针对对象加工物的新的工具路径的工序，多个已知的加工物以及对象加工物的各个具有多个加工面，进行机器学习的工序包括：关于多个已知的加工物的各个，得到形状数据；关于多个已知的加工物的各个，得到多个加工面各自的几何信息；关于多个已知的加工物的各个，从多个工具路径模式中，得到针对多个加工面的各个选择的工具路径模式；以及使用多个已知的加工物的几何信息及工具路径模式，进行输入是加工面的几何信息且输出是加工面的工具路径模式的机器学习，生成新的工具路径的工序包括：得到对象加工物的形状数据；得到对象加工物的多个加工面各自的几何信息；以及使用对象加工物的几何信息，根据机器学习的结果，关于对象加工物的多个加工面的各个，生成工具路径模式。

在本公开的一个方案所涉及的方法中，根据多个已知的加工物的几何信息以及工具路径模式，进行输入是加工面的几何信息且输出是加工面的工具路径模式的机器学习，根据该机器学习的结果，关于对象加工物的多个加工面的各个，自动地生成工具路径模式。因此，能够根据多个事例生成新的工具路径。

也可以是多个工具路径模式至少包括等高线路径、扫描线路径、以及沿面路径。

也可以是多个已知的加工物的形状数据以及对象加工物的形状数据由作为三维正交坐标系的XYZ轴坐标系定义，也可以是几何信息包括加工面的类型、各加工面中的X轴方向的最大长度相对Z轴方向的最大长度的比例、各加工面中的Y轴方向的最大长度相对Z轴方向的最大长度的比例、多个加工面整体的Z轴方向的最大长度相对各加工面的Z轴方向的最大长度的比例、多个加工面整体的表面积相对各加工面的表面积的比例、加工面的长半径、加工面的短半径、加工面重心处的法线矢量的Z分量、加工面的最大曲率、以及加工面的最小曲率中的至少1个。

也可以是在机器学习中使用神经网络。

本公开的其他方案是一种NC加工中的用于生成工具路径的装置，该装置具备处理器和显示部，处理器构成为执行：根据具有已经生成的工具路径的多个已知的加工物的信息，进行机器学习；以及根据机器学习的结果，生成针对对象加工物的新的工具路径，多个已知的加工物以及对象加工物的各个具有多个加工面，进行机器学习包括：关于多个已知的加工物的各个，得到形状数据；关于多个已知的加工物的各个，得到多个加工面各自的几何信息；关于多个已知的加工物的各个，从多个工具路径模式中，得到针对多个加工面的各个选择的工具路径模式；以及使用多个已知的加工物的几何信息及工具路径模式，进行输入是加工面的几何信息且输出是加工面的工具路径模式的机器学习，生成新的工具路径包括：得到对象加工物的形状数据；得到对象加工物的多个加工面各自的几何信息；以及使用对象加工物的几何信息，根据机器学习的结果，关于对象加工物的多个加工面的各个，生成工具路径模式，其中，对多个工具路径模式的各个，分配在视觉上可识别的预定的特征，处理器将多个工具路径模式辨识为预定的特征，显示部与和生成的工具路径模式对应的预定的特征一起，示出加工面的各个。这样的装置能够起到与上述方法同样的效果。另外，在这样的装置中，加工面的各个与和生成的工具路径模式对应的预定的特征一起在显示部上示出，所以操作人员能够容易地辨识在加工面中选择了哪个工具路径模式。

也可以是处理器构成为关于针对对象加工物的多个加工面的各个生成的工具路径模式计算确信度，也可以是显示部在确信度比预定的阈值低的情况下，强调对应的加工面。在该情况下，操作人员能够根据需要变更具有低确信度的加工面的工具路径模式。

根据本公开的一个方案，可提供能够根据多个事例生成新的工具路径的方法以及装置。

附图说明

图1是示出本公开的方法以及装置的概略图。

图2是示出几个工具路径模式的概略图。

图3是示出训练数据的例子的立体图。

图4是示出训练数据的例子的立体图。

图5是示出训练数据的例子的立体图。

图6是示出训练数据的例子的立体图。

图7是示出由图1的装置执行的机器学习的流程图。

图8是示出由图1的装置执行的针对对象加工物的新的工具路径的生成的流程图。

图9是示出网络构造的概略图。

图10是示出作为过去的工序设计事例的加工物且用作生成新的工具路径的对象加工物的加工物的、过去的工序设计事例中的工具路径的立体图。

图11是示出通过本公开的方法针对对象加工物生成的工具路径的立体图。

(附图标记说明)

1：存储装置；2：处理器；3：显示部；10：装置；50：CAD系统；60：CAM系统；70：工作机械；100：系统。

具体实施方式

以下，参照附图，说明实施方式所涉及的NC加工中的用于生成工具路径的方法以及装置。对同样的或者对应的要素附加同一符号，省略重复的说明。

图1是示出本公开的方法以及装置的概略图。本公开的方法在包括CAD(ComputerAided Design，计算机辅助设计)系统50、CAM(Computer Aided Manufacture，计算机辅助制造)系统60、用于生成工具路径的装置10、以及工作机械70的系统100内实施。系统100也可以包括其他构成要素。

在CAD系统50中，制作加工物的CAD数据。作为加工物的例子，例如包括模具。用CAD数据表示的加工物具有通过工具加工后的目标形状。在CAD系统50中，制作在装置10进行机器学习时成为训练数据的“已知的加工物”(以下还可能称为训练数据)的CAD数据、和根据机器学习的结果制作新的工具路径的“对象加工物”的CAD数据。此外，“已知的加工物(训练数据)”既可以是实际上过去制作的加工物、或者也可以是仅作为电子数据制作且由熟练操作人员设定工具路径的加工物。

CAD数据包括包含于加工物的顶点、边以及面等形状数据。CAD数据例如能够由作为三维正交坐标系的XYZ轴坐标系定义。CAD数据也可以用其他坐标系定义。加工物包括由特征线包围(或者分割)的多个加工面。CAD数据关于多个加工面的各个，包括各种几何信息(例如，加工面的类型、各加工面中的X轴方向的最大长度相对Z轴方向的最大长度的比例、各加工面中的Y轴方向的最大长度相对Z轴方向的最大长度的比例、多个加工面整体的Z轴方向的最大长度相对各加工面的Z轴方向的最大长度的比例、多个加工面整体的表面积相对各加工面的表面积的比例、加工面的长半径、加工面的短半径、加工面重心处的法线矢量的Z分量、加工面的最大曲率、以及加工面的最小曲率等)。CAD数据也可以包括其他几何信息。

已知的加工物的CAD数据被输入到CAM系统60。在CAM系统60中，操作人员(特别是熟练操作人员)P针对已知的加工物的多个加工面的各个，从多个工具路径模式中选择例如在过去的实际的加工中针对该加工面使用的工具路径模式、或者认为适合于该加工面的加工的工具路径模式。通过组合关于多个加工面选择的多个工具路径模式，生成1个加工物的工具路径。

图2是示出几个工具路径模式的概略图。多个工具路径模式能够包括各种工具路径模式。例如，图2的左侧的图表示等高线路径。在等高线路径中，工具T以等高线动作加工加工面。图2的中央的图表示扫描线路径。在扫描线路径中，工具T以一边仿效加工面一边掩埋区域的方式加工加工面。图2的右侧的图表示沿面路径。在沿面路径中，工具T以沿着加工面的边界线的动作加工加工面。多个工具路径模式也可以包括上述3个工具路径模式以外的工具路径模式(例如工具一边在高度方向上螺旋状地移动一边加工加工面的螺旋加工等)。

为了能够在视觉上识别对加工面选择哪个工具路径模式，对多个工具路径模式的各个，分配预定的颜色。如图2所示，例如，在本实施方式中，对被选择等高线路径的加工面分配“红”，对被选择扫描线路径的加工面分配“绿”，对被选择沿面路径的加工面分配“蓝”。CAM系统60的显示部用与选择的工具路径模式对应的预定的颜色，表示加工面的各个。由此，操作人员P能够容易地辨识在加工面中选择哪个工具路径模式。此外，为了能够在视觉上识别对加工面选择了哪个工具路径模式，能够对多个工具路径模式的各个，分配能够在视觉上识别的预定的特征(例如颜色、花样、和/或文字等)。

图3～图6是示出训练数据的例子的立体图。训练数据包括由CAD系统50制作的形状数据、由CAD系统50计算的几何信息、以及由CAM系统60选择的工具路径模式。工具路径模式作为对该工具路径模式分配的颜色，包含于训练数据。

再次参照图1，训练数据被输入到装置10。如上所述，输入到装置10的训练数据已经具有生成的工具路径。

装置10具备存储装置1、处理器2以及显示部3，这些构成要素经由总线(未图示)等相互连接。装置10能够具备ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、和/或输入装置(例如鼠标、键盘、和/或触摸面板等)等其他构成要素。装置10例如可以是计算机、服务器或者平板电脑等。

存储装置1可以是一个或者多个硬盘驱动器等。存储装置1存储输入的训练数据。

处理器2例如可以是CPU(Central Processing Unit，中央处理单元)等。处理器2例如既可以由1个CPU构成、或者也可以由多个CPU构成。处理器2构成为执行以下所示的多个处理，用于执行各处理的程序例如能够存储到存储装置1。处理器2构成为根据存储于存储装置1的多个训练数据的信息进行机器学习(详情后述)。在机器学习中，例如能够使用神经网络。

另外，处理器2构成为使用由CAD系统50制作的对象加工物的CAD数据，根据上述机器学习的结果，生成针对对象加工物的新的工具路径(详情后述)。另外，处理器2构成为关于针对对象加工物的多个加工面的各个加工面生成的工具路径模式，计算确信度。

显示部3可以是液晶显示器和/或触摸面板等。显示部3与CAM系统60的显示部同样地，与和生成的工具路径模式对应的能够在视觉上识别的预定的特征(例如颜色、花样、和/或文字等)一起示出各个加工面。

上述CAD系统50、CAM系统60以及装置10既可以构成为独立的装置，也可以嵌入到相同的装置(例如CAD软件以及CAM软件也可以嵌入到装置10)。

由装置10生成的新的工具路径能够变换为NC数据，输入到工作机械70。

接下来，说明由装置10执行的动作。

首先，说明由装置10执行的机器学习。图7是示出由图1的装置执行的机器学习的流程图。

关于多个训练数据的各个，处理器2从存储装置1取得信息(步骤S100)。在取得的信息中，包括各训练数据的形状数据、多个加工面各自的几何信息、针对多个加工面的各个选择的工具路径(颜色)。接下来，处理器2使用多个训练数据的几何信息以及工具路径模式(颜色)，进行输入是加工面的几何信息且输出是加工面的工具路径模式(颜色)的机器学习(步骤S102)。通过以上内容，一连串的动作结束。此外，以上的步骤也可以反复进行至得到期望的收敛结果。

接下来，说明由装置10执行的针对对象加工物的新的工具路径的生成。图8是示出由图1的装置执行的针对对象加工物的新的工具路径的生成的流程图。

处理器2取得由CAD系统50制作的对象加工物的CAD数据(步骤S200)。在取得的CAD数据中，包括对象加工物的形状数据以及多个加工面各自的几何信息。

接下来，处理器2使用对象加工物的几何信息，根据上述机器学习的结果，关于对象加工物的多个加工面的各个，生成工具路径模式(步骤S202)。

具体而言，在步骤S202中，关于多个工具路径模式的各个，处理器2计算某个加工面是以什么程度的概率(或者还能够称为确信度)通过该工具路径模式来加工。具体而言，关于多个颜色的各个，处理器2计算对某个加工面以什么程度的确信度选择该颜色。例如，在本实施方式中，关于某个加工面，处理器2分别计算选择红色的确信度、选择绿色的确信度、以及选择蓝色的确信度，然后对该加工面选择具有最高的确信度的颜色(即工具路径模式)。处理器2组合选择的多个工具路径模式来生成对象加工物的工具路径，将生成的工具路径发送给显示部3。

接下来，显示部3显示生成的对象加工物的工具路径(步骤S204)。具体而言，显示部3以选择的颜色来显示对象加工物的多个加工面的各个。此时，显示部3根据确信度来显示选择的颜色(工具路径模式)。具体而言，在针对某个加工面选择的工具路径模式的确信度比预定的阈值低的情况下，显示部3强调该加工面(例如以淡的颜色或者浓的颜色显示)。例如，在针对某个加工面选择了红色但其确信度比预定的阈值低的情况下，以淡的红色显示该加工面。由此，操作人员P能够容易地辨识该加工面的确信度低。

接下来，处理器2从操作人员P受理是否需要变更的输入(步骤S206)。具体而言，操作人员P在判断为某个加工面(例如在步骤S204中显示为确信度低的加工面)的工具路径模式(颜色)不适合的情况下，操作人员P通过经由输入装置输入变更命令来能够变更对应的加工面的工具路径模式(颜色)。

在步骤S206中有表示需要变更的输入的情况下，处理器2根据从操作人员P输入的变更命令，变更对应的加工面的工具路径模式(颜色)(步骤S208)，再次返回到步骤S204。

在步骤S206中有表示无需变更的输入的情况下，处理器2将生成的对象加工物的工具路径保存到存储装置1(步骤S210)，结束一连串的动作。也可以在下次进行的机器学习中，将保存于存储装置1的新的工具路径用作训练数据之一。另外，生成的新的工具路径也可以在变换为NC数据之后，在工作机械70中的加工中实际上使用，操作人员P也可以根据实际的加工的结果，变更由装置10生成的工具路径。也可以将根据加工的结果变更后的工具路径保存到存储装置1，在下次进行的机器学习中用作训练数据之一。

在如以上的本实施方式所涉及的方法以及装置10中，根据多个已知的加工物的几何信息以及工具路径模式，进行输入是加工面的几何信息且输出是加工面的工具路径模式的机器学习，根据该机器学习的结果，关于对象加工物的多个加工面的各个，自动地生成工具路径模式。因此，能够根据多个事例生成新的工具路径。

另外，在本实施方式所涉及的装置10中，各个加工面与和生成的工具路径模式对应的预定的颜色一起在显示部3上示出，所以操作人员P能够容易地辨识对加工面选择了哪个工具路径模式。

另外，在本实施方式所涉及的装置10中，处理器2构成为关于针对对象加工物的多个加工面的各个加工面生成的工具路径模式，计算确信度，显示部3在确信度比预定的阈值低的情况下强调对应的加工面。因此，操作人员能够根据需要变更具有低确信度的加工面的工具路径模式。

虽然说明了NC加工中的用于生成工具路径的方法以及装置的实施方式，但本发明不限定于上述实施方式。本领域技术人员可理解能够进行上述实施方式的各种变形。另外，本领域技术人员能够理解上述方法无需以上述顺序实施，只要不产生矛盾，则能够以其他顺序实施。

例如，在上述实施方式中，在机器学习中使用神经网络。然而，在其他实施方式中，也可以在机器学习中使用其他方法(例如决策树法等)。

实施例

在本实施例中，在机器学习中使用神经网络，使用多层感知机(MLP)以及反向传播(BP)。使用图9所示的网络构造。在以下的表1中示出在网络中使用的条件。为了制作加工物的形状数据而使用的CAD软件是Siemens公司的NX，在系统开发中使用NX的API(Application Programming Interface)，在程序语言中使用C#。作为训练数据，使用包括图3～图6所示的4个模型的、过去的工序设计事例的20个模型。由熟练操作人员实施这些20个模型的工具路径。

[表1]

激活函数	ReLU(Rectified Linear Unit)
		损失函数	Categorical Cross Entropy
梯度下降法	小批量梯度下降法
		最佳化算法	Adam
最大学习次数	200

用作输入的几何信息如下所述。

(1)Surface type：在CAD系统内提供的加工面的类型

(2)Ratio(x/z)：各加工面中的X轴方向的最大长度相对Z轴方向的最大长度的比例

(3)Ratio(y/z)：各加工面中的Y轴方向的最大长度相对Z轴方向的最大长度的比例

(4)Ratio(Z/z)：多个加工面整体的Z轴方向的最大长度相对各加工面的Z轴方向的最大长度的比例

(5)Ratio(area)：多个加工面整体的表面积相对各加工面的表面积的比例

(6)Radius(large)：加工面的长半径(除了平面或者参数化曲面)

(7)Radius(short)：加工面的短半径(仅环面或者圆锥)

(8)Inclination angle：加工面重心处的法线矢量的Z分量

(9)Curvature(max)：加工面的最大曲率

(10)Curvature(min)：加工面的最小曲率

图10是示出作为过去的工序设计事例的加工物且用作生成新的工具路径的对象加工物的加工物的、过去的工序设计事例中的工具路径的立体图，图11是示出通过本公开的方法针对对象加工物生成的工具路径的立体图。图10以及图11示出相同的形状，将该形状用作对象加工物。此外，请留意图10所示的过去的工序设计事例的信息未被用作训练数据。

从图10以及图11的比较可知，本系统生成了与过去的工序设计事例的数据的工具路径大致相同的工具路径。在以下的表2中示出具体的结果。

[表2]

如表2所示，在多数加工面中，基于本系统的结果和过去的工序设计事例的数据一致(在对应的41个加工面中双方是红色，在对应的58个加工面中双方是绿色，在对应的87个加工面中双方是蓝色)。仅在2个加工面中，基于本系统的结果和过去的工序设计事例的数据不同。在该事例中，正确率是约98.9％。

针对用作训练数据的上述过去的工序设计事例的20个模型，进行了同样的评价。其结果，针对20个模型的所有加工面的正确率是约91.1％。根据以上内容可知，本系统能够根据多个事例来生成考虑了熟练操作人员的专门技能以及经验的工具路径。