[发明专利]砂轮表面状态的推定模型生成、推定装置、磨床的动作指令数据的调整模型生成、更新装置

说明书

本发明提供砂轮表面状态推定模型生成装置、砂轮表面状态推定装置、磨床的动作指令数据调整模型生成装置和磨床的动作指令数据更新装置。砂轮表面状态推定模型生成装置具备：实测数据获取部(120)，在磨床(1)中通过砂轮(16)磨削工件(W)时针对每个工件(W)获取规定时间段的实测数据，上述实测数据是表示磨床(1)的构造部件(12、13、14、15)的状态的第一实测数据和关于磨削部位的第二实测数据中的至少一方；和第一学习模型生成部(150)，其通过将与多个工件(W)有关的实测数据作为第一学习用输入数据的机器学习，生成用于推定砂轮(16)的表面状态的第一学习模型。

技术领域

本发明涉及砂轮表面状态推定模型生成装置、砂轮表面状态推定装置、磨床的动作指令数据调整模型生成装置和磨床的动作指令数据更新装置。

背景技术

当使用磨床通过砂轮磨削工件时，为了维持砂轮的锋利度，进行砂轮的表面的精修和修整。如果砂轮的锋利度降低，担忧工件的品质降低。因此，精修和修整在每次已磨削的工件的数量达到规定个数时就会进行，规定个数以避免工件的品质降低的方式决定。但是，由于规定个数由工作人员决定，所以担忧发生尽管锋利度已经降低仍继续磨削的情况，担忧工件的品质降低。

因此，在日本特开2002－307304号公报中记载有，通过在主轴箱安装的振动检测器检测主轴箱的振动，当主轴的振幅达到根据工件的磨削面的磨削精度预先设定的设定值之后，停止磨削作业，进行砂轮的修整。

然而，近年来，随着计算机的处理速度的提高，人工智能迅速发展，例如，在日本特开2017－164801号公报中记载有，通过机器学习生成激光加工条件数据。

但是，如日本特开2002－307304号公报记载那样，仅凭主轴箱的振动是否已到达设定值，无法充分判定砂轮的锋利度。结果无法适当地判定砂轮的修正(精修和修整)的时机。因此，要求不仅使用瞬间的振动信息，而且使用更多的信息，来判定砂轮的表面状态。

发明内容

本发明的目的之一在于提供能够获取砂轮的表面状态的砂轮表面状态推定模型生成装置和砂轮表面状态推定装置。

本发明的一个方式的砂轮表面状态推定模型生成装置具备：实测数据获取部，其在磨床中通过砂轮磨削工件时针对每个工件获取规定时间段的实测数据，上述实测数据是表示上述磨床的构造部件的状态的第一实测数据和关于磨削部位的第二实测数据中的至少一方；和第一学习模型生成部，其通过将与多个上述工件有关的上述实测数据作为第一学习用输入数据的机器学习，生成用于推定上述砂轮的表面状态的第一学习模型。

第一学习模型通过将实测数据作为第一学习用输入数据的机器学习而生成。而且，实测数据是表示磨床的构造部件的状态的第一实测数据和关于磨削部位的第二实测数据中的至少一方。而且，实测数据是针对每个工件在规定时间段所获取的数据。例如，实测数据是针对每个工件从磨削开始至磨削结束为止的数据、或从粗磨的开始至粗磨的结束为止的数据等。因此，即便只是一个工件的实测数据，数据量仍很多。并且，如果成为与多个工件有关的实测数据，则数据量变得极多。但是，通过使用机器学习，即便使用与多个工件有关的大量的实测数据，也能容易地生成第一学习模型。

因此，通过考虑对砂轮的表面状态造成影响的大量的实测数据生成第一学习模型，结果能够获取砂轮的表面状态。此外，表示磨床的构造部件的状态的第一实测数据例如是构造部件的振动、构造部件的变形量等。关于磨削部位的第二实测数据例如是因磨削而变化的工件的尺寸、磨削点温度等。

本发明的其他方式的砂轮表面状态推定装置具备：上述砂轮表面状态推定模型生成装置、和表面状态推定部，该表面状态推定部使用磨削新的工件时规定时间段的上述实测数据即推定用输入数据、和上述第一学习模型，推定磨削上述新的工件时的上述砂轮的上述表面状态。通过使用通过机器学习生成的第一学习模型，能够基于关于新的工件的大量的实测数据即推定用输入数据，推定磨削该新的工件时的砂轮的表面状态。