加工条件搜索装置以及加工条件搜索方法与流程

1.本发明涉及搜索对加工机设定的加工条件以得到适当的加工结果的加工条件搜索装置以及加工条件搜索方法。


背景技术：

2.工业用途中使用的加工机进行使作为被加工物的工作物的形状发生变化的加工。工作物的材料为金属、陶瓷、玻璃、木材等各种各样。加工的一例是通过去除不需要的部分而将工作物制成期望形状的去除加工。在去除加工中，例如通过切割、研磨等，或者利用电、其他能量，由此去除不需要的部分。
3.通常，能够对这些加工机设定多个控制参数。加工机的加工结果依赖于多个控制参数各自的参数值的组合即加工条件。即，为了得到期望的加工结果，需要对加工机设定适当的加工条件。但是，由于存在多个控制参数且各控制参数的参数值能够以连续值或多阶段地进行设定，因此，为了通过试行来选择得到期望加工结果的加工条件，需要庞大的工夫和时间。
4.例如，使用激光切断5mm～20mm左右的软钢这样的工作物的钣金激光加工机要求即使在工作物的尺寸存在偏差的情况下，通过加工形成的切断面也为要求的质量。在钣金激光加工机的情况下，作为对加工结果的影响度较大的主要控制参数，可举出激光输出、切断速度、波束倍率、焦点位置、气压这5个。关于各个控制参数，从多阶段的值中选择1个。在此，在设针对5个控制参数分别从11个阶段的值中选择时，总组合数量为161051种。此时，在设试行1个加工条件需要5分钟时，试行161051种需要大约559天。
5.这样，为了选择适当的加工条件，以全部组合进行试行花费工夫和时间，因此，通常不进行全部组合的试行，而是以其他方法选择适当的加工条件。作为其他方法的一例，可举出专利文献1记载的方法。在专利文献1记载的方法中，通过神经网络等函数模型生成表示加工条件与评价值的关系性的学习模型，利用学习模型的预测结果来搜索评价值最高的加工条件。由此，在专利文献1记载的方法中，能够以较少的试行次数得到评价值较高的加工条件。
6.现有技术文献
7.专利文献
8.专利文献1：日本特开2008-036812号公报


技术实现要素：

9.发明要解决的课题
10.在专利文献1记载的方法中，根据通过试行而得到的加工条件和评价值的组合来搜索评价值最高的加工条件的周边，由此求出最佳的加工条件。但是，一般而言，即使设定的加工条件相同，加工结果有时也由于加工条件以外的原因等而不同。例如，根据要加工的材料的尺寸等的偏差，即使设定同一加工条件，加工结果有时也会产生偏差。因此，即使对
加工机设定通过专利文献1记载的方法选择出的高评价值的加工条件，当实际进行加工时，也有可能无法得到期望的评价值以上的加工结果。
11.本发明正是鉴于上述情况而完成的，其目的在于得到一种加工条件搜索装置，能够求出得到期望的评价值以上的加工结果的可能性较高的加工条件。
12.用于解决课题的手段
13.为了解决上述课题而实现目的，本发明的加工条件搜索装置具有：加工条件生成部，其生成由能够对加工机设定的1个以上的控制参数构成的加工条件；以及实际加工指令部，其使加工机实施基于由加工条件生成部生成的加工条件的加工。并且，加工条件搜索装置具有：加工评价部，其根据表示已实施的加工的加工结果的信息，生成已实施的加工的评价值；以及预测部，其根据评价值及与评价值对应的加工条件，预测与没有实施加工的加工条件对应的评价值。并且，加工条件搜索装置具有最佳加工条件计算部，该最佳加工条件计算部根据由预测部预测出的预测值和由加工评价部生成的评价值，求出评价值为阈值以上且裕度最大的加工条件即最佳加工条件，评价值的值越大则表示加工结果越好。
14.发明效果
15.本发明的加工条件搜索装置起到如下的效果：能够求出得到期望的评价值以上的加工结果的可能性较高的加工条件。
附图说明
16.图1是示出本发明实施方式的加工条件搜索装置的结构例的图。
17.图2是示出实施方式的处理电路的结构例的图。
18.图3是示出实施方式的加工条件搜索装置中的加工条件搜索处理过程的一例的流程图
19.图4是示意性地示出实施方式的评价值的预测值和表示不确定性的指标的说明图。
20.图5是用于说明实施方式的裕度的图。
21.图6是示出实施方式的加工条件和评价值的显示例的图。
具体实施方式
22.以下，根据附图，详细地说明本发明实施方式的加工条件搜索装置和加工条件搜索方法。另外，本发明不限于该实施方式。
23.实施方式
24.图1是示出本发明实施方式的加工条件搜索装置的结构例的图。本实施方式的加工条件搜索装置2搜索适于加工机1的加工的加工条件。如图1所示，本实施方式的加工条件搜索装置2具有搜索加工条件生成部11、加工评价部12、机器学习部13、最佳加工条件生成部14和显示部15。
25.加工机1例如是通过去除不需要的部分而将作为被加工物的工作物制成期望的形状的工业用机械或者进行附加加工等的工业用机械。以下，将工作物称作工件。工件的材料的一例是金属，但工件的材料并不限定于金属，也可以是陶瓷、玻璃、木材等。作为这样的加工机1，符合的有激光加工机、放电加工机、切削加工机、磨削加工机、电解加工机、超声波加
工机、电子束加工机、附加加工机等。在该实施方式中，对加工机1为激光加工机的情况进行说明，但本发明还能够应用于激光加工机以外的加工机。
26.在加工机1为激光加工机的情况下，加工机1例如如下所示切断工件。作为激光加工机的加工机1具有激光振荡器和加工头。激光振荡器振荡并射出激光。从激光振荡器射出的激光经由光路供给到加工头。向加工头内部供给加工气体，在向工件照射激光时，加工气体被供给到工件。加工头具有向工件会聚激光的聚光透镜。加工头通过会聚激光并照射到工件来切断工件。这样，工件被加工机1切断。
27.加工机1能够进行用于使工件成为期望形状的通常加工，并且能够对工件进行后述的实验用加工。在实验用加工中，本实施方式的加工机1依照由搜索加工条件生成部11生成的后述的搜索用的加工条件，对工件实施事先设定的实验用加工。加工机1具有能够取得表示加工结果的信息的传感器等。表示加工结果的信息例如是表示加工中的加工机1或工件的状态的信息、表示加工后的工件的状态的信息。这些信息由加工机1具备的传感器等取得。传感器的一例是检测加工中产生的声音、光等的传感器。传感器的另一例是取得对加工后的工件进行拍摄而得到的图像的摄像装置、测量工件的切断面的凹凸的测量仪。加工机1只要具有能够检测表示加工结果的信息的传感器即可，传感器并不限定于这些。此外，在此，对加工机1具有传感器的例子进行说明，但也可以与加工机1分开设置传感器，加工条件搜索装置2从该传感器取得检测结果。
28.加工条件搜索装置2的搜索加工条件生成部11生成实验用的实际加工中使用的加工条件，使加工机1实施基于生成的加工条件的加工。即，搜索加工条件生成部11在以构成加工条件的控制参数为维度的多维空间中，生成通过实际加工来搜索的加工条件。加工条件包含关于加工机1实施的加工能够调整的多个控制参数。控制参数例如是激光输出、切断速度、光束倍率、焦点位置、气压。如图1所示，搜索加工条件生成部11具有搜索结束判定部21、加工条件生成部22和实际加工指令部23。
29.加工条件生成部22生成由能够对加工机设定的1个以上的控制参数构成的加工条件。详细而言，加工条件生成部22生成实验用加工中使用的加工条件，将生成的加工条件输出到实际加工指令部23。实际加工指令部23使加工机1实施基于由加工条件生成部22生成的加工条件的加工。详细而言，实际加工指令部23根据从加工条件生成部22输入的加工条件，生成用于使加工机1工作的指令，将生成的指令输出到加工机1。搜索结束判定部21根据结束判定中使用的信息，判断是否结束实验用加工，将判断结果输出到加工条件生成部22。如后所述，结束判定中使用的信息由机器学习部13生成。另外，在本实施方式中，加工条件搜索装置2具有作为向加工机1输出指令的控制装置的功能，生成基于加工条件的加工指令并输出到加工机1。不限于该例子，也可以与向加工机1输出指令的控制装置分开设置加工条件搜索装置2。在与向加工机1输出指令的控制装置分开设置加工条件搜索装置2的情况下，加工条件搜索装置2无需具有实际加工指令部23。在该情况下，加工条件搜索装置2与上述的控制装置连接，搜索加工条件生成部11将生成的加工条件输出到上述的控制装置。
30.加工评价部12根据表示已实施的加工的加工结果的信息，生成已实施的加工的评价值。详细而言，加工评价部12从加工机1取得表示加工结果的信息，使用取得的信息求出表示加工是否良好的评价值，存储作为加工条件和对应的评价值的组合的搜索结果。加工评价部12具有加工结果取得部24、评价值生成部25和搜索结果存储部26。
31.加工结果取得部24从加工机1取得表示加工结果的信息。评价值生成部25基于加工结果取得部24取得的信息，按照每个加工条件求出针对根据加工条件进行的加工的评价值。评价值例如是0～1的值，定义成值越大则表示加工结果越好的值。因此，在进行了最好的加工的情况下，评价值为1，在进行了最差的加工的情况下，评价值为0。良好的加工根据加工机1的种类、由加工机1加工而得到的加工物要求的规格等而不同，但是例如在进行激光加工机的切断加工的情况下，表示在切断面没有产生或较少产生伤痕、粗糙、氧化膜剥离、浮渣等加工不良。浮渣是指熔融后的金属等附着于被加工物的下表面的现象。粗糙表示切断面的面精度差。评价值可以由评价值生成部25基于加工结果取得部24取得的信息来计算，也可以根据用户的输入来决定。在后者的情况下，例如，评价值生成部25通过将加工结果取得部24取得的信息显示于未图示的显示单元等来提示给用户，从未图示的输入单元取得用户使用输入单元输入的评价值。评价值生成部25的动作的详细情况容后再述。
32.此外，评价值生成部25将加工条件与评价值的组合作为搜索结果存储到搜索结果存储部26。搜索结果存储部26存储搜索结果。
33.机器学习部13使用搜索结果存储部26中存储的搜索结果，预测与没有搜索的加工条件对应的加工的评价值。此外，机器学习部13计算相对于评价值的预测值的不确定性即预测的偏离难易度。
34.机器学习部13具有预测部27、预测结果存储部28、不确定性评价部29和不确定性存储部30。预测部27根据由评价值生成部25生成的评价值及与评价值对应的加工条件，预测与没有实施加工的加工条件对应的评价值。详细而言，预测部27使用搜索结果存储部26中存储的搜索结果，预测与没有搜索的加工条件即未搜索的加工条件对应的加工的评价值，将通过预测而得到的评价值的预测值与加工条件对应起来存储到预测结果存储部28。预测结果存储部28将未搜索的加工条件与对应的评价值的预测值的组合作为预测结果存储。不确定性评价部29计算表示预测部27的预测的不确定性的指标。详细而言，不确定性评价部29使用搜索结果存储部26中存储的搜索结果，计算表示相对于评价值的预测值的不确定性即预测的偏离难易度的指标，将计算出的指标与加工条件对应起来作为不确定性信息存储到不确定性存储部30。预测部27和不确定性评价部29的动作的详细情况容后再述。
35.最佳加工条件生成部14根据由预测部27预测出的预测值和由加工评价部12生成的评价值，求出评价值为阈值以上且裕度最大的加工条件即最佳加工条件。关于裕度容后再述。详细而言，最佳加工条件生成部14根据预测结果存储部28中存储的预测结果和不确定性存储部30中存储的不确定性信息，生成适于加工机1的加工的条件即最佳加工条件。
36.最佳加工条件生成部14具有最佳加工条件计算部31和最佳加工条件存储部32。最佳加工条件计算部31根据预测结果存储部28中存储的预测结果和不确定性存储部30中存储的不确定性信息，生成适于加工机1的加工的条件即最佳加工条件，将生成的最佳加工条件存储到最佳加工条件存储部32。最佳加工条件计算部31的动作的详细情况容后再述。最佳加工条件存储部32存储最佳加工条件。
37.显示部15依照来自用户的请求，读出各存储部中存储的信息并显示。显示部15例如将由加工评价部12生成的评价值与对应的加工条件对应起来显示，并且将由预测部27生成的预测值与对应的加工条件对应起来显示，从而显示最佳加工条件。
38.接着，说明加工条件搜索装置2的硬件结构。图1所示的搜索加工条件生成部11、加
工评价部12、机器学习部13和最佳加工条件生成部14分别通过处理电路来实现。处理电路可以是专用的硬件，也可以是具有处理器的电路。显示部15通过显示器、监视器等显示单元、使显示单元显示显示数据的处理电路、键盘、鼠标等输入单元来实现。
39.在处理电路是具有处理器的电路的情况下，处理电路例如是图2所示的结构的处理电路。图2是示出本实施方式的处理电路的结构例的图。处理电路200具有处理器201和存储器202。在通过图2所示的处理电路200实现加工条件搜索装置2的各部的情况下，处理器201通过读出并执行存储器202中存储的程序，可实现搜索结束判定部21、加工条件生成部22、实际加工指令部23、加工结果取得部24、评价值生成部25、预测部27、不确定性评价部29和最佳加工条件计算部31的功能。即，在通过图2所示的处理电路200实现加工条件搜索装置2的各部的情况下，这些功能使用作为软件的程序来实现。搜索结果存储部26、预测结果存储部28、不确定性存储部30和最佳加工条件存储部32通过存储器202来实现。存储器202也用作处理器201的工作区。处理器201是cpu(central processing unit：中央处理器)等。存储器202例如有ram(random access memory：随机存取存储器)、rom(read only memory：只读存储器)、闪存等非易失性或者易失性的半导体存储器、磁盘等。
40.在实现加工条件搜索装置2的搜索加工条件生成部11、加工评价部12、机器学习部13和最佳加工条件生成部14的处理电路是专用硬件的情况下，处理电路例如是fpga(field programmable gate array：现场可编程门阵列)、asic(application specific integrated circuit：专用集成电路)。另外，加工条件搜索装置2的各部也可以组合具有处理器的处理电路和专用硬件来实现。加工条件搜索装置2的各部也可以通过多个处理电路来实现。
41.接着，说明本实施方式的动作。图3是示出本实施方式的加工条件搜索装置2中的加工条件搜索处理过程的一例的流程图。当开始加工条件搜索处理时，首先，加工条件生成部22生成初始加工条件(步骤s1)。加工条件生成部22从能够设定为加工条件的全部组合中选择预先确定的数量的加工条件作为初始加工条件，由此生成初始加工条件。作为初始加工条件的选择方法，可以使用任何方法，可举出实验规划法、最佳规划法、随机采样等。此外，在用户根据过去的使用实况等估计出被认为是最佳的加工条件的情况下，也可以将由用户输入的加工条件用作初始加工条件。
42.例如，构成加工条件的控制参数为5个，在设按照每个控制参数从11阶段的值中选择对加工机1设定的值时，加工条件的总组合数存在161051种。从该组合中选择10种加工条件作为初始加工条件。另外，构成加工条件的控制参数的数量、能够按照每个控制参数设定的阶段的数量、作为初始加工条件选择的加工条件的数量并不限定于此。能够设定的阶段的数量也可以根据控制参数而不同。
43.接着，加工条件搜索装置2从生成的初始加工条件中选择1个初始加工条件，以选择出的初始加工条件使加工机1实施加工(步骤s2)。详细而言，加工条件生成部22从初始加工条件中选择1个加工条件，将选择出的初始加工条件输出到实际加工指令部23和评价值生成部25。实际加工指令部23根据从加工条件生成部22输入的初始加工条件来生成用于使加工机1工作的指令，将生成的指令输出到加工机1。由此，加工机1实施基于由加工条件生成部22选择出的初始加工条件的加工。本实施方式的加工条件搜索装置2首先以这样的方式使加工机1实施基于初始加工条件的加工。以下，将基于初始加工条件的加工也称作初始
加工。
44.接着，加工条件搜索装置2生成与在步骤s2中实施的加工对应的评价值(步骤s3)。详细而言，加工结果取得部24取得表示与在步骤s2中实施的加工对应的加工结果的信息并输出到评价值生成部25。评价值生成部25使用表示加工结果的信息，求出表示在步骤s2中实施的加工是否良好的评价值。
45.如上所述，评价值例如是0～1的值。评价值可以是连续值，也可以是10个阶段评价这样的离散值。例如，评价值生成部25通过对拍摄工件的切断面而得到的图像进行图像处理，计算浮渣、氧化膜剥离、粗糙、伤痕这样的加工不良的产生量，根据计算出的量而计算表示加工是否良好程度的评价值。计算浮渣、氧化膜剥离、粗糙、伤痕的量的方法可以是任何方法，例如，评价值生成部25根据像素的明度差，求出产生这些浮渣、氧化膜剥离、粗糙、伤痕的区域，根据区域的长度或面积等而定量地求出加工不良的产生量。然后，以加工不良的产生量越多则评价值越低的方式，确定评价值与加工不良的产生量的对应关系，评价值生成部25基于该对应关系计算评价值。如上所述，评价值也可以由用户输入。此外，评价值也可以根据加工中产生的声音、光而决定。例如，也可以将评价值定义成加工中产生的声音的等级越大则评价值越小。此外，评价值生成部25也可以组合多个种类的信息来计算评价值。
46.接着，加工条件搜索装置2存储加工条件和评价值(步骤s4)。详细而言，加工结果取得部24将从加工条件生成部22接收到的加工条件与在步骤s3中计算出的评价值对应起来作为搜索结果存储到搜索结果存储部26。
47.接着，加工条件搜索装置2判断是否结束初始加工(步骤s5)，在结束初始加工的情况下(步骤s5：是)，实施后述的步骤s6和步骤s8的处理。在步骤s5中，详细而言，加工条件搜索装置2判断是否进行了与在步骤s1中生成的全部初始加工条件对应的加工。在进行了与在步骤s1中生成的全部初始加工条件对应的加工的情况下，加工条件搜索装置2判断为结束初始加工。
48.在不结束初始加工的情况下(步骤s5：否)，加工条件搜索装置2反复进行从步骤s2起的处理。在第2次以后的步骤s2中，加工条件搜索装置2选择在此前的步骤s2中没有选择的初始加工条件。另外，在此说明了反复进行如下处理的例子：加工条件搜索装置2使加工机1实施与1个初始加工条件对应的加工，求出并存储评价值。不限于该例子，加工条件搜索装置2也可以使加工机1实施与生成的全部初始加工条件对应的加工，从加工机1取得表示与这些加工对应的加工结果的信息，求出并存储每个初始加工条件的评价值。
49.在步骤s6中，预测部27使用搜索结果存储部26中存储的搜索结果，计算与仍未进行加工的加工条件即未搜索加工条件对应的评价值的预测值。关于进行了加工的加工条件即未搜索加工条件，通过上述的步骤s3生成了评价值。另一方面，进行了加工的加工条件是全部加工条件的组合的一部分。例如，加工条件的全部组合为161041种，在生成了10种初始加工条件的情况下，在初始加工结束之后，未搜索加工条件为161031种。因此，在该情况下，预测部27计算161031个评价值的预测值。另外，如后所述，在步骤s13～步骤s15中也进行加工条件的选择、加工的实施及评价值的计算，在步骤s15之后实施步骤s6。在经由步骤s13～步骤s15而实施了步骤s6的情况下，在步骤s13中设定的加工条件从未搜索加工条件中去除。
50.作为预测部27计算与未搜索加工条件对应的评价值的预测值的方法即与未搜索
加工条件对应的评价值的预测方法的一例，可举出使用高斯过程回归的方法。在预测部27使用高斯过程回归来预测与未搜索加工条件对应的评价值的情况下，进行如下的计算。使用高斯过程回归的方法是使用相对于加工条件的评价值的概率模型的方法的一例，该概率模型是假设相对于加工条件的评价值为依照特定分布的概率变量而生成的。将观测值的数量即进行加工并计算出评价值的加工条件的数量设为n，将格拉姆矩阵(grammatrix)设为cn，将排列搜索结果存储部26中记录的评价值而成的向量设为t。此时，当将构成加工条件的控制参数中的1个设为xi(i为自然数)，将搜索结果存储部26中记录的各加工条件中的该控制参数的值设为x1～xn时，针对未搜索的加工条件x
n 1
的评价值的预测值m(x
n 1
)能够通过以下的式(1)来计算。如以下的式(2)所示，k是排列将搜索完毕的加工条件x1，
……
，xn中的各个加工条件和x
n 1
设为自变量时的核函数的值而成的向量。另外，上标t表示转置，上标-1表示逆矩阵。
51.m(x
n 1
)＝k
t
·
(c
n-1
)
·
t
……
(1)
52.[式1]
[0053][0054]
另外，在此说明了预测部27进行使用高斯过程回归的预测的例子，但评价值的预测方法并不限定于此，例如也可以是决策树、线性回归、提升(boosting)、神经网络这样的使用有训练机器学习的方法。
[0055]
接着，加工条件搜索装置2记录评价值的预测值(步骤s7)。详细而言，预测部27将在步骤s6中计算出的评价值的预测值与加工条件对应起来作为预测结果存储到预测结果存储部28。
[0056]
此外，不确定性评价部29使用搜索结果存储部26中存储的搜索结果，计算表示相对于与未搜索加工条件对应的评价值的预测的不确定性的指标(步骤s8)。作为表示不确定性的指标的一例，可举出使用作为概率模型的一例的高斯过程回归来计算的标准偏差。在不确定性评价部29使用高斯过程回归来计算表示不确定性的指标的情况下，例如，进行如下的计算。将观测值的数量即进行加工并计算出评价值的加工条件的数量设为n，将格拉姆矩阵设为cn，将排列搜索结果存储部26中记录的加工条件而得到的向量设为k，将对未搜索的加工条件x
n 1
彼此的核值加上预测模型的精度参数而得到的标量值设为c。此时，当将构成加工条件的控制参数中的1个设为xi(i为自然数)，将搜索结果存储部26中记录的各加工条件中的该控制参数的值设为x1～xn时，作为表示相对于针对未搜索加工条件x
n 1
的评价值的预测的不确定性的指标的标准偏差σ(x
n 1
)能够通过以下的式(3)来计算。另外，在式(3)中，已求出方差σ2(x
n 1
)，而通过计算方差的平方根就能够求出标准偏差σ(x
n 1
)。
[0057]
σ2(x
n 1
)＝c-k
t
·
(c
n-1
)
·k……
(3)
[0058]
另外，在此说明了不确定性评价部29使用高斯过程回归来计算表示相对于预测的不确定性的指标的例子，但表示不确定性的指标的计算方法不限于此，例如，也可以使用密度估计、混合密度网络这样的方法。
[0059]
在此，对本实施方式中的评价值的预测值和预测值的不确定性进行说明。图4是示意性地示出本实施方式的评价值的预测值和表示不确定性的指标的说明图。在图4中，示出
使用高斯过程回归来计算预测值和表示不确定性的指标的例子。图4的横轴表示作为加工条件的控制参数的值x，图4的纵轴表示评价值。图4的黑圆所示的点表示根据使用初始加工条件的实际加工而计算出的评价值(以下，也称作实际加工的评价值)。在使用高斯过程回归的预测中，设评价值依照高斯分布来预测评价值。因此，当将评价值的预测值设为高斯分布的平均值m(x)，将表示预测的不确定性的指标设为高斯分布的标准偏差σ(x)时，实际的评价值以大约95％的概率统计地表示落入m(x)-2σ(x)以上并且m(x) 2σ(x)以下的范围内。在图4中，实线所示的曲线表示作为评价值的预测值的m(x)，虚线所示的曲线表示m(x)-2σ(x)和m(x) 2σ(x)的曲线。如图4所示，在接近实际加工的评价值的部位，表示不确定性的指标变小，在远离实际加工的评价值的部位，表示不确定性的指标变大。
[0060]
返回图3的说明，在步骤s8之后，加工条件搜索装置2记录表示预测值的不确定性的指标(步骤s9)。详细而言，不确定性评价部29将在步骤s8中计算出的表示预测值的不确定性的指标与加工条件对应起来存储到不确定性存储部30。
[0061]
在步骤s7和步骤s9之后，加工条件搜索装置2计算最佳加工条件(步骤s10)。详细而言，最佳加工条件计算部31使用搜索结果存储部26中存储的搜索结果和预测结果存储部28中存储的预测结果，计算评价值为阈值以上且裕度最高即稳健性最高的加工条件。在评价值取0～1的值的情况下，阈值能够为表示进行了质量最好的加工的值1。或者，阈值也可以如0.85那样设定成接近1且比1小的值。
[0062]
在此，在本实施方式中，裕度表示如下的可能性的高低：即使加工机1使用同一加工条件实施加工而得到的评价值存在偏差，在选择某个加工条件进行加工的情况下，也能够得到跟与选择出的加工条件对应起来的评价值相同程度的评价值。与选择出的加工条件对应起来的评价值是通过实际加工而得到的评价值及评价值的预测值，以下，将这些评价值也称作假想的评价值。在本实施方式中，如后所述，根据假想的评价值来选择加工条件，但是，此时选择出的假想的评价值被选择成期望的值以上。另一方面，根据这样选择出的加工条件实际进行加工而得到的评价值有可能由于某些原因而与假想的评价值不同。在本实施方式中，将假想的评价值与根据选择出的加工条件实际进行加工而得到的评价值一致的可能性的高低定义成裕度，通过选择裕度较高的加工条件，即使加工机1使用同一加工条件实施加工而得到的评价值存在偏差，也能够提高进行成为期望评价值的加工的可能性。作为裕度的一例，可举出如下的值：该值表示在以构成加工条件的多个控制参数的参数值为维度的多维空间中，与评价值为阈值以上的某个加工条件对应的点距离评价值为阈值以上的区域和评价值小于阈值的区域的边界有多远。在该情况下，例如，能够将作为评价值为阈值以上的区域的中心的加工条件定义成裕度最高的加工条件。
[0063]
图5是用于说明实施方式的裕度的图。在图5中，图示出在由第1控制参数和第2控制参数这2个控制参数构成加工条件的情况下，横轴和纵轴取第1控制参数和第2控制参数各自的参数值的平面。在图5中，由圆形、三角形和四边形表示的点表示与进行了实际加工的加工条件对应的点。由圆形表示的加工条件301表示评价值为0.85以上的加工条件。由三角形表示的加工条件302表示评价值为0.45以上且小于0.85的加工条件。由四边形表示的加工条件303表示评价值小于0.45的加工条件。在与进行了实际加工的点对应的情况下，该评价值是通过实际加工计算出的评价值，在与未搜索加工条件对应的方面，该评价值是上述的预测值。
[0064]
在此，例如，将评价值为0.85以上的情况设为良好加工，将评价值为0.45以上且小于0.85的情况设为轻微的不良加工，将评价值小于0.45的情况设为重度的不良加工。在图5中，区域311是评价值为0.85以上的区域，区域312是评价值为0.45以上且小于0.85的区域，区域313是评价值小于0.45的区域。在将上述的阈值设为0.85并希望设定成为良好加工的加工条件的情况下，评价值为阈值以上的区域与评价值小于阈值的区域的边界成为区域311与区域312的边界。在该情况下，越远离区域311与区域312的边界，裕度越高。因此，例如，区域311的重心即中心320成为裕度最高的加工条件。在该情况下，最佳加工条件计算部31在以构成加工条件的多个控制参数为维度的多维空间中，求出与评价值为阈值以上的区域的重心对应的加工条件作为最佳加工条件。
[0065]
裕度最高的加工条件的计算方法不限于上述的例子。例如，也可以根据评价值的值而进行加权，将与成为取加权平均的坐标的点对应的加工条件设为裕度最高的加工条件。例如，在图5所示的例子中，将阈值设为0.45以上，将评价值为0.85以上的情况下的权重设为w1，将评价值为0.45以上且小于0.85的情况下的权重设为w2，并设w1 w2＝1。在该情况下，当将区域311的重心的坐标设为p1，将区域312的重心的坐标设为p2时，能够通过以下的式(4)求出裕度最高的坐标p
l
。
[0066]
p
l
＝w1×
p1 w2×
p2……
(4)
[0067]
另外，加权平均的计算方法不限于上述的例子。此外，如上所述，预测值是针对全部未搜索加工条件计算的，使用这些结果来计算上述的区域。因此，在实施中，不是如图5所示计算连续的边界，而是针对离散地配置的点计算评价值的预测值。因此，例如在计算区域311的重心的坐标的情况下，计算离散地配置在区域311内的点的各坐标值的重心。对于加权平均也同样如此。因此，在求出作为重心的中心点或加权平均时，加工条件的组合的数量较多时，计算量增加。因此，为了削减计算量，也可以在间除要考虑的加工条件的基础上，计算上述的中心点、加权平均。
[0068]
在本实施方式中，如上所述，例如选择区域311的重心即中心320作为裕度最高的最佳加工条件，因此，最佳加工条件远离区域311的边界。与此相对，在如专利文献1那样，通过实际加工的搜索来求出评价值最高的点，并以该点为中心进行基于实际加工的搜索时，例如在区域330内搜索。区域330是区域311内的靠近纸面右上的区域，即使在该区域内搜索最佳加工条件，与在本实施方式中选择出的最佳加工条件相比，也仅能搜索接近区域311的边界的加工条件。这样，在本实施方式中，由于能够选择远离区域311的边界的加工条件作为最佳加工条件，因此即使在通过同一加工条件得到的加工结果中存在偏差的情况下，得到期望的加工结果的可能性也升高。
[0069]
返回图3的说明，在步骤s10之后，加工条件搜索装置2存储最佳加工条件(步骤s11)。详细而言，最佳加工条件计算部31将在步骤s10中求出的最佳加工条件存储到最佳加工条件存储部32。
[0070]
接着，加工条件搜索装置2判断是否结束搜索(步骤s12)，在结束搜索的情况下(步骤s12：是)，结束处理。详细而言，在步骤s12中，搜索结束判定部21判断是否满足搜索结束条件。作为搜索结束条件的例子，可举出关于全部加工条件，表示评价值的预测的不确定性的指标为阈值以下这样的条件。此外，搜索结束判定部21也可以根据表示不确定性的指标和预测值来计算预测值发生错误的概率即预测错误率，根据预测错误率来判断是否结束加
工条件的搜索。此外，作为搜索结束条件的例子，可举出有可能较大地排除预测的加工条件的数量为指定的个数以下这样的条件。这是由于，预测值是根据周边的多个实测值来计算的，因此，如果存在实测值与预测值大不相同的加工条件，则该加工条件的实测值对搜索空间的较大范围产生影响，预测值大幅变化。
[0071]
例如，将评价值设为0～1的值，1是表示进行了最好加工的值。在0～1的评价值的范围中，对用户而言预测的评价值与在实际的加工中得到的评价值大不相同是不优选的。例如，假定将评价值0.85以上的加工判断为良好加工，即使以被预测为评价值0.95的加工条件进行实际的加工，并且通过该加工而求出的评价值为0.9，对产品质量的影响也较小。另一方面，当假设以被预测为评价值0.95的加工条件进行实际的加工，并且通过该加工而求出的评价值为0.2时，虽然本应以质量较好的加工条件进行加工但却成为重度的加工不良，影响较大。这样，在如成为重度的加工不良的范围和被判断为良好加工的范围那样，存在在实际的加工中得到的评价值和预测值所属的范围相互替换时影响较大的2个范围的情况下，也可以将产生这样的预测错误的概率即预测错误率用于搜索结束的判定。
[0072]
例如，将评价值在第1范围内的加工条件设为组#1，将评价值在第2范围内的加工条件设为组#2。第1范围例如为0以上且小于0.3，第2范围是不与第1范围重叠的范围，例如为0.7以上且1以下。在该情况下，在以被预测为属于组#2的加工条件进行了加工的情况下，实际上，成为与组#1对应的评价值是不优选的。此外，在以被预测为属于组#1的加工条件进行了加工的情况下，实际上，成为与组#2对应的评价值是不优选的。因此，搜索结束判定部21使用预测结果存储部28中存储的预测结果和不确定性存储部30中存储的表示预测的不确定性的指标，计算第1预测错误率和第2预测错误率。第1预测错误率是被预测为属于组#1的加工条件实际上属于组#2的概率，第2预测错误率是被预测为属于组#2的加工条件实际上属于组#1的概率。换言之，第1预测错误率是被预测为预测值在第1范围内的加工条件的实际的评价值在不与第1范围重叠的第2范围内的概率。在此，以使用高斯过程回归为前提，设针对某个加工条件x的评价值的预测值m(x)为0≦m(x)≦0.3，即设被预测为某个加工条件x属于组#1，将相对于预测的不确定性的标准偏差设为σ(x)。此时，加工条件x实际上不属于组#1而属于组#2的概率即第1预测错误率能够通过下式(5)来计算。第2预测错误率也能够通过变更积分范围而同样地计算。z是用于进行积分的变量。
[0073]
[式2]
[0074][0075]
搜索结束判定部21可以在第1预测错误率和第2预测错误率双方为确定的值以下的情况下，判断为搜索结束，也可以在第1预测错误率为确定的值以下的情况下，判断为搜索结束。以这样的方式计算出的第1预测错误率和第2预测错误率是表示预测发生错误的概率的预测错误率的一例。预测错误利率只要是关于预测与实测之差的指标即可，不限于上述的例子。例如，预测错误利率也可以是上述的表示评价值的预测的不确定性的指标。此外，搜索结束判定部21也可以在表示评价值的预测的不确定性的指标为阈值以上且第1预测错误率为确定的值以下的情况下判断为搜索结束等，组合多个项目来进行搜索结束的判断。
[0076]
在步骤s12中判断为不结束搜索的情况下(步骤s12：否)，加工条件搜索装置2生成下一个要搜索的加工条件(步骤s13)。详细而言，当搜索结束判定部21判断为不满足搜索结束条件时，指示加工条件生成部22生成下一个要搜索的加工条件，加工条件生成部22根据指示，从全部加工条件中选择下一个要搜索的加工条件即新的加工条件，并将选择出的加工条件输出到实际加工指令部23。搜索结束判定部21例如根据表示不确定性的指标，判断是否结束加工条件的搜索，在不结束搜索的情况下，使加工条件生成部22生成新的加工条件。
[0077]
作为搜索结束判定部21选择下一个要搜索的加工条件时的选择方法的一例，可举出选择与针对良好加工与不良加工的边界的加工结果的评价值对应的加工条件的方法。在与针对良好加工与不良加工的边界的加工结果的评价值对应的加工条件在多维空间中的区域明确时，能够将该区域的内侧判定为评价值较高的区域，将外侧判定为评价值较低的区域，能够以较少的试行次数求出评价值升高的区域的中心坐标。
[0078]
例如，在选择评价值为0.7附近的加工条件的情况下，将针对加工条件x的评价值的预测值设为m(x)，将作为表示相对于预测的不确定性的指标的标准偏差设为σ(x)。此时，搜索结束判定部21如果选择以下的式(6)的值最大的x，则能够得到评价值接近0.7的加工条件。
[0079]-(m(x)-0.7)2 κ
·
σ(x)
……
(6)
[0080]
其中，κ是决定预测及其不确定性的加权的参数，κ越小，越成为重视预测的搜索，κ越大，越成为重视不确定性的搜索。关于作为目标的评价值的值，可以从搜索开始到结束固定为相同的值，也可以在每次搜索时设为不同的值。此外，在搜索结束判定部21计算上述的预测错误率的情况下，也可以从搜索结束判定部21取得预测错误率，从预测错误率较高的范围内选择加工条件。或者，与搜索结束判定部21同样地，加工条件生成部22也可以根据预测结果存储部28中存储的预测结果和不确定性存储部30中存储的表示预测的不确定性的指标来求出预测错误率，根据求出的预测错误率来生成加工条件。例如，加工条件生成部22从预测错误率较高的范围内选择加工条件。
[0081]
在步骤s13之后，与步骤s2、步骤s3同样地实施步骤s14、步骤s15，在步骤s15之后，再次实施步骤s6和步骤s8。
[0082]
显示部15能够显示在上述处理的过程中得到的数据、处理后得到的最佳加工条件等。例如，显示部15能够将由加工评价部12生成的评价值和对应的加工条件对应起来显示，并且，将由预测部27生成的预测值和对应的加工条件对应起来显示，进而显示最佳加工条件。图6是示出本实施方式的加工条件和评价值的显示例的图。在图6所示的例子中，横轴和纵轴分别取2个控制参数，用图形的不同示出表示加工条件的各点的评价值。在图6中，与标注阴影的图形对应的点表示搜索完毕的加工条件，与未标注阴影的图形对应的点表示预测出的加工条件。此外，圆的图形表示评价值是与良好加工对应的评价值，四边的图形表示评价值是与不良加工对应的评价值，三角的图形表示评价值是与轻微的不良加工对应的评价值。由双重圆表示的点表示估计出的最佳加工条件。此外，在图6的表示各加工条件的点的背景中，用纵向的阴影表示良好加工的范围。加工条件和评价值的显示例不限于图6所示的例子。
[0083]
在以上说明的例子中，假设加工机1为激光加工机进行了说明，但如上所述，加工
机1不限于激光加工机。在将本实施方式中叙述的加工条件的搜索方法应用于激光加工机以外的加工机1的情况下，能够同样地搜索由与加工机1对应的控制参数构成的加工条件。例如，在加工机1为线放电加工机的情况下，能够将放电暂停时间、放电脉冲能量、平均加工电压等作为控制参数。
[0084]
如上所述，根据该实施方式，加工条件搜索装置2具有：加工条件生成部22，其生成由能够对加工机1设定的1个以上的控制参数构成的加工条件；以及加工评价部12，其根据用于评价根据由加工条件生成部22生成的加工条件而实施的加工的信息，计算表示已实施的加工是否良好的评价值。并且，加工条件搜索装置2具有预测部27，该预测部27根据由加工评价部12计算出的评价值，预测没有实施对应的加工的加工条件的评价值。并且，加工条件搜索装置2具有最佳加工条件计算部31，该最佳加工条件计算部31使用由预测部27预测出的预测值，计算评价值为阈值以上且裕度较高的加工条件。由此，能够以较少的试行次数求出得到期望的评价值以上的加工结果的可能性较高的加工条件。
[0085]
此外，加工条件搜索装置2具有不确定性评价部29，该不确定性评价部29计算表示预测部27的预测的不确定性的指标，加工条件搜索装置2使用该指标来判定是否满足搜索结束条件，在不结束搜索的情况下，以追加的方式新生成进行实际加工的加工条件，计算与根据生成的加工条件而进行的加工对应的评价值。然后，反复进行加工条件生成部22、实际加工指令部23、预测部27、不确定性评价部29和最佳加工条件计算部31的处理，直到满足搜索结束条件为止。由此，能够减少作为初始搜索而进行实际加工的加工条件的数量，能够以满足搜索结束条件的最低限度的实际加工的次数得到最佳的加工条件。
[0086]
以上的实施方式所示的结构示出本发明的内容的一例，还能够与其他的公知技术组合，并且还能够在不脱离本发明主旨的范围内省略、变更结构的一部分。
[0087]
标号说明
[0088]
1：加工机；2：加工条件搜索装置；11：搜索加工条件生成部；12：加工评价部；13：机器学习部；14：最佳加工条件生成部；15：显示部；21：搜索结束判定部；22：加工条件生成部；23：实际加工指令部；24：加工结果取得部；25：评价值生成部；26：搜索结果存储部；27：预测部；28：预测结果存储部；29：不确定性评价部；30：不确定性存储部；31：最佳加工条件计算部；32：最佳加工条件存储部。