特許 7424777 機械学習装置、制御装置、生成方法および制御方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-01-22

(45)【発行日】2024-01-30

(54)【発明の名称】機械学習装置、制御装置、生成方法および制御方法

(51)【国際特許分類】

   G05B 19/4155 20060101AFI20240123BHJP

   G05B 19/416 20060101ALI20240123BHJP

   B23Q 15/00 20060101ALI20240123BHJP

【ＦＩ】

G05B19/4155 V

G05B19/416 F

B23Q15/00 301C

【請求項の数】 10

(21)【出願番号】P 2019167081

(22)【出願日】2019-09-13

(65)【公開番号】P2021043854

(43)【公開日】2021-03-18

【審査請求日】2022-06-16

(73)【特許権者】

【識別番号】390008235

【氏名又は名称】ファナック株式会社

(74)【代理人】

【識別番号】100077665

【弁理士】

【氏名又は名称】千葉 剛宏

(74)【代理人】

【識別番号】100116676

【弁理士】

【氏名又は名称】宮寺 利幸

(74)【代理人】

【識別番号】100191134

【弁理士】

【氏名又は名称】千馬 隆之

(74)【代理人】

【識別番号】100136548

【弁理士】

【氏名又は名称】仲宗根 康晴

(74)【代理人】

【識別番号】100136641

【弁理士】

【氏名又は名称】坂井 志郎

(74)【代理人】

【識別番号】100180448

【弁理士】

【氏名又は名称】関口 亨祐

(72)【発明者】

【氏名】黒川 友磯

【審査官】亀田 貴志

(56)【参考文献】

【文献】特開２０１７－０４５３００（ＪＰ，Ａ）

【文献】国際公開第２０１３／０４２７４０（ＷＯ，Ａ１）

【文献】特開平０５－０３１６５９（ＪＰ，Ａ）

【文献】特開２０１０－１４９２７１（ＪＰ，Ａ）

【文献】特開２０００－１５３４２８（ＪＰ，Ａ）

【文献】特開２０００－１０７９１０（ＪＰ，Ａ）

【文献】特開２０１９－０８２８９４（ＪＰ，Ａ）

【文献】特開２０１７－０３００６７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ １９／１８ － １９／４６

Ｂ２３Ｑ １５／００

(57)【特許請求の範囲】

【請求項1】

工具を用いて加工対象物を切削加工する際の加工条件を推定するための学習モデルを生成する機械学習装置であって、
前記加工対象物の形状、前記加工対象物の材質、前記切削加工の加工経路、前記工具の種類、および、前記工具の摩耗度の少なくとも１つを含む第１情報を取得する第１情報取得部と、
前記第１情報を用いて設定された前記加工条件による前記切削加工により前記加工対象物に生じたバリの評価に相関する第２情報を取得する第２情報取得部と、
前記第１情報および前記第２情報が取得される毎に学習処理を繰り返し実行し、前記切削加工により前記加工対象物に生じる前記バリを低減するための前記加工条件を出力する学習モデルを生成する学習部と、
を備える、機械学習装置。

【請求項2】

請求項１に記載の機械学習装置であって、
前記加工条件は、前記工具の送り速度、前記工具の回転速度、および、前記加工対象物に対する前記工具の切込量の少なくとも１つを含む、機械学習装置。

【請求項3】

請求項１または２に記載の機械学習装置であって、
前記第２情報は、前記バリの面積、前記バリの根元部分の長さ、前記バリの高さ、および、前記切削加工のサイクルタイムの少なくとも１つを含む、機械学習装置。

【請求項4】

請求項３に記載の機械学習装置であって、
前記第２情報は、前記バリの面積、前記バリの根元部分の長さ、および、前記バリの高さの少なくとも１つと、前記切削加工のサイクルタイムとを含む、機械学習装置。

【請求項5】

請求項１～４のいずれか１項に記載の機械学習装置と、
前記機械学習装置で生成された前記学習モデルを用いて、前記第１情報に応じた前記加工条件となるように加工機本体を制御する制御部と、
を備える、制御装置。

【請求項6】

工具を用いて加工対象物を切削加工する際の加工条件を推定するための学習モデルを生成する生成方法であって、
前記加工対象物の形状、前記加工対象物の材質、前記切削加工の加工経路、前記工具の種類、および、前記工具の摩耗度の少なくとも１つを含む第１情報を取得する第１取得ステップと、
前記第１情報を用いて設定された前記加工条件による前記切削加工により前記加工対象物に生じたバリの評価に相関する第２情報を取得する第２取得ステップと、
前記第１情報および前記第２情報が取得される毎に学習処理を繰り返し実行し、前記切削加工により前記加工対象物に生じる前記バリを低減するための前記加工条件を出力する学習モデルを生成する学習ステップと、
を含む、生成方法。

【請求項7】

請求項６に記載の生成方法であって、
前記加工条件は、前記工具の送り速度、前記工具の回転速度、および、前記加工対象物に対する前記工具の切込量の少なくとも１つを含む、生成方法。

【請求項8】

請求項６または７に記載の生成方法であって、
前記第２情報は、前記バリの面積、前記バリの根元部分の長さ、前記バリの高さ、および、前記切削加工のサイクルタイムの少なくとも１つを含む、生成方法。

【請求項9】

請求項８に記載の生成方法であって、
前記第２情報は、前記バリの面積、前記バリの根元部分の長さ、および、前記バリの高さの少なくとも１つと、前記切削加工のサイクルタイムとを含む、生成方法。

【請求項10】

請求項６～９のいずれか１項に記載の生成方法と、
前記生成方法で生成された前記学習モデルを用いて、前記第１情報に応じた前記加工条件となるように加工機本体を制御する制御ステップと、
を含む、制御方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置、加工機本体を制御する制御装置、学習モデルを生成する生成方法、および、加工機本体を制御する制御方法に関する。

【背景技術】

【0002】

工具を用いて加工対象物を切削加工する場合、切削加工により加工対象物にバリが生じる傾向にある。バリとは、加工対象物の加工面から突出する突起である。

【0003】

下記の特許文献１には、工作機械と、加工対象物を把持する２つのロボットとを備えた工作機械システムが開示され、２つのロボットの一方で加工対象物を把持する場合には、２つのロボットの他方で加工対象物に生じたバリを除去してもよいことが記載されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１６１７２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

加工対象物に生じたバリを除去する場合にはバリを除去するための工具が摩耗し、またバリが多いほど除去時間が長くなる傾向にある。このため、加工対象物に生じるバリを低減することが求められる。

【0006】

そこで、本発明は、加工対象物に生じるバリを低減させ得る機械学習装置、制御装置、生成方法および制御方法を提供する。

【課題を解決するための手段】

【0007】

本発明の第１の態様は、
工具を用いて加工対象物を切削加工する際の加工条件を推定するための学習モデルを生成する機械学習装置であって、
前記加工対象物の形状、前記加工対象物の材質、前記切削加工の加工経路、前記工具の種類、および、前記工具の摩耗度の少なくとも１つを含む第１情報を取得する第１情報取得部と、
前記切削加工により前記加工対象物に生じたバリの評価に相関する第２情報を取得する第２情報取得部と、
複数の前記第１情報および複数の前記第２情報を用いて学習処理を実行し、複数の前記第１情報とは異なる別の第１情報に応じて、前記加工条件を出力する学習モデルを生成する学習部と、
を備える。

【0008】

本発明の第２の態様は、
工具を用いて加工対象物を切削加工する加工機本体を制御する制御装置であって、
上記の機械学習装置と、
前記機械学習装置で生成された前記学習モデルを用いて、前記別の第１情報に応じた前記加工条件となるように前記加工機本体を制御する制御部と、
を備える。

【0009】

本発明の第３の態様は、
工具を用いて加工対象物を切削加工する際の加工条件を推定するための学習モデルを生成する生成方法であって、
前記加工対象物の形状、前記加工対象物の材質、前記切削加工の加工経路、前記工具の種類、および、前記工具の摩耗度の少なくとも１つを含む第１情報を取得する第１取得ステップと、
前記切削加工により前記加工対象物に生じたバリの評価に相関する第２情報を取得する第２取得ステップと、
複数の前記第１情報および複数の前記第２情報を用いて学習処理を実行し、複数の前記第１情報とは異なる別の第１情報に応じて、前記加工条件を出力する学習モデルを生成する学習ステップと、
を含む。

【0010】

本発明の第４の態様は、
工具を用いて加工対象物を切削加工する加工機本体を制御する制御方法であって、
上記の生成方法と、
前記生成方法で生成された前記学習モデルを用いて、前記別の第１情報に応じた前記加工条件となるように前記加工機本体を制御する制御ステップと、
を含む。

【発明の効果】

【0011】

本発明の上記の態様によれば、加工対象物に生じるバリを低減させることができる。

【図面の簡単な説明】

【0012】

【図1】工作機械および機械学習装置を示すブロック図である。

【図2】機械学習装置の構成を示すブロック図である。

【図3】機械学習装置において行われる処理の流れを示すフローチャートである。

【発明を実施するための形態】

【0013】

〔実施形態〕
図１を用いて、本実施形態の工作機械１０および機械学習装置１２を備えたシステムに関して説明する。

【0014】

工作機械１０は、工具を用いて加工対象物を切削加工する加工機本体１４と、加工機本体１４を制御する制御装置１６とを有している。

【0015】

加工機本体１４は、工具および加工対象物を撮像するカメラ１８と、工具が取り付けられる主軸を回転させる第１モータ２０と、加工対象物に対して主軸を相対移動させる第２モータ２２とを有する。第２モータ２２は、Ｘ軸用モータ、Ｙ軸用モータおよびＺ軸用モータを含む。なお、Ｚ軸は、加工対象物に対して工具が近づく方向または離れる方向に延びる軸であり、Ｘ軸およびＹ軸は、Ｚ軸に対して直交し、かつ、平面内で互いに直交する関係にある軸である。

【0016】

制御装置１６は、加工プログラムなどが記憶される記憶部２４と、情報を入力する入力部２６と、加工機本体１４を制御する制御部２８とを有する。制御部２８は、例えば機械学習装置１２からの指定に応じて、第１モードと第２モードとのいずれかを実行する。

【0017】

制御部２８は、第１モードでは、記憶部２４に記憶された加工プログラムと、機械学習装置１２から出力される加工条件とを用いて第１モータ２０および第２モータ２２を制御する。

【0018】

加工条件は、工具の回転速度、工具の送り速度、および、加工対象物に対する工具の切込量を含む。すなわち、制御部２８は、工具の回転速度にしたがって主軸が回転するように第１モータ２０を制御する。また、制御部２８は、工具の送り速度にしたがって加工対象物に対して主軸が相対移動するように第２モータ２２（Ｘ軸用モータおよびＹ軸用モータの少なくとも一方）を制御する。また、制御部２８は、工具の切込量にしたがって加工対象物に対して主軸が相対移動するように第２モータ２２（Ｚ軸用モータ）を制御する。なお、機械学習装置１２から出力される加工条件以外の加工条件について、制御部２８は、予めデフォルトとして設定された設定値を用いる。

【0019】

制御部２８は、第２モードでは、機械学習装置１２から出力される学習モデルを用いて、バリを低減する加工条件を推定し、推定した加工条件と、記憶部２４に記憶された加工プログラムとを用いて第１モータ２０および第２モータ２２を制御する。なお、制御部２８は、学習モデルを用いて推定した加工条件以外の加工条件について、予めデフォルトとして設定された設定値を用いる。

【0020】

機械学習装置１２は、工作機械１０の状態に関する情報を教師データとして入力し、入力した教師データに基づいて教師あり機械学習を行い、学習モデルを生成する。機械学習装置１２は、学習モデルを生成すると、生成した学習モデルを制御装置１６に出力する。

【0021】

図２および図３を用いて、機械学習装置１２を更に詳しく説明する。機械学習装置１２は、教師データ取得部３０および学習部３２を有している。教師データ取得部３０は、第１情報取得部３４および第２情報取得部３６を有している。

【0022】

機械学習装置１２の処理は、図３に示すフローチャートに沿って実行される。ステップＳ１において、第１情報取得部３４は、加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度を第１情報として工作機械１０から取得する。

【0023】

第１情報取得部３４は、記憶部２４に記憶された加工対象物の形状および加工対象物の材質を工作機械１０に要求することで、加工対象物の形状および加工対象物の材質を取得してもよい。第１情報取得部３４は、記憶部２４に記憶された加工プログラムを工作機械１０に要求し、その要求に対する応答として工作機械１０から出力された加工プログラムを解析することで、切削加工の加工経路および工具の種類を取得してもよい。第１情報取得部３４は、工具の撮像を工作機械１０に要求し、その要求に対する応答として工作機械１０から出力された工具の画像と、予め保持された工具の模範画像とを画像解析することで、工具の摩耗度を取得してもよい。

【0024】

第１情報取得部３４が第１情報を工作機械１０から取得すると、機械学習装置１２の処理は、ステップＳ２に移行する。

【0025】

ステップＳ２において、学習部３２は、所定の機械学習アルゴリズムを用いて、ステップＳ１で取得した第１情報に応じた加工条件を設定する。機械学習アルゴリズムの具体例として、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ ｍｅｍｏｒｙ、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、または、ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎと称するものが挙げられる。なお、機械学習アルゴリズムについては、具体例として挙げられたものに限らず、回帰の手法を取れるものであればよい。

【0026】

学習部３２は、加工条件を設定すると、設定した加工条件を工作機械１０に出力することで、当該加工条件に基づく切削加工を工作機械１０に実行させる。

【0027】

学習部３２が加工条件を工作機械１０に出力すると、機械学習装置１２の処理は、ステップＳ３に移行する。

【0028】

ステップＳ３において、第２情報取得部３６は、切削加工により加工対象物に生じたバリの評価に相関する第２情報を工作機械１０から取得する。なお、切削加工は、ステップＳ２で工作機械１０に出力した加工条件を基に実行される切削加工である。第２情報取得部３６は、第２情報として、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムを取得する。なお、バリの面積、バリの根元部分の長さおよびバリの高さは、カメラ１８で撮像された画像において突出する部分の面積、根元部分の長さおよび高さである。

【0029】

第２情報取得部３６は、切削加工されたときの加工対象物の撮像を工作機械１０に要求し、その要求に対する応答として工作機械１０から出力された加工対象物の画像を画像解析することで、バリの面積、バリの根元部分の長さ、および、バリの高さを取得してもよい。第２情報取得部３６は、切削加工のサイクルタイムの計測を要求することで、工作機械１０で計測された切削加工のサイクルタイムを取得してもよい。工作機械１０で切削加工のサイクルタイムが設定されている場合、第２情報取得部３６は、記憶部２４に記憶された切削加工のサイクルタイムを工作機械１０に要求することで、当該切削加工のサイクルタイムを取得してもよい。

【0030】

第２情報取得部３６が第２情報を工作機械１０から取得すると、機械学習装置１２の処理は、ステップＳ４に移行する。

【0031】

ステップＳ４において、学習部３２は、所定の機械学習アルゴリズムを用いて、ステップＳ１で取得された第１情報とステップＳ３で取得された第２情報とから学習モデルを更新することで、当該学習モデルを生成する。例えば、Ｑラーニングと呼ばれるアルゴリズムを用いたＱ学習の場合、現在の状態（第１情報）に対する加工条件の価値を表す関数が、報酬を用いて更新される。この場合、第２情報におけるバリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムに応じた報酬が与えられる。Ｑ学習が進められることで、より高い報酬が得られる加工条件を選択する方向へ関数が更新される。なお、関数自体が学習モデルであってもよく、第１情報、加工条件および報酬と、所定の数値とを関連付けたデータベースが学習モデルであってもよい。

【0032】

学習部３２が学習モデルを生成すると、機械学習装置１２の処理は、ステップＳ５に移行する。

【0033】

ステップＳ５において、学習部３２は、機械学習を終了するか否かを判定する。ここで、予め決められている回数などの所定の条件が満たされていない場合、学習部３２は、機械学習を終了しないと判定する。この場合、機械学習装置１２はステップＳ１に戻る。これに対して、所定の条件が満たされた場合、学習部３２は、機械学習を終了すると判定する。この場合、機械学習装置１２の処理は終了する。

【0034】

このように機械学習装置１２は、上記のステップＳ１～ステップＳ５の処理を繰り返し実行することで、工具、加工対象物およびサイクルタイムを含む工作機械１０の状態（第１情報および第２情報）と、バリを低減可能な加工条件との相関関係を捉えた学習モデルを生成することができる。付言すると、機械学習装置１２の処理の開始時には工作機械１０の状態と、バリを低減可能な加工条件との相関関係は未知であるが、上記のステップＳ１～ステップＳ５を繰り返し実行する頻度が高くなるに応じて、当該相関関係が識別可能となる。

【0035】

したがって、工作機械１０は、機械学習装置１２により生成された学習モデルを用いて、現状の第１情報に応じた最適な加工条件を取得することができ、取得した加工条件となるように加工機本体１４を制御することで、バリを低減することができる。

【0036】

〔変形例〕
機械学習装置１２は、上記の実施形態では第１情報および第２情報を工作機械１０から取得した。機械学習装置１２は、例えばシミュレーション装置などの工作機械１０以外の装置から第１情報および第２情報を取得してもよい。

【0037】

また、機械学習装置１２は、上記の実施形態では１つの工作機械１０から第１情報および第２情報を取得した。機械学習装置１２は、ネットワークを介して複数の工作機械１０から第１情報および第２情報を取得してもよい。

【0038】

また、機械学習装置１２は、上記の実施形態では工作機械１０の外部に設けられた。機械学習装置１２は、工作機械１０の内部に設けられていてもよい。つまり、機械学習装置１２は、加工機本体１４を制御する制御装置１６に組み込まれていてもよい。

【0039】

また、機械学習装置１２は、加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度を第１情報として取得した。機械学習装置１２は、加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度の一部を第１情報として取得してもよい。また、機械学習装置１２は、加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度の少なくとも１つと、加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度以外のパラメータとを第１情報として取得してもよい。

【0040】

また、機械学習装置１２は、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムを第２情報として取得した。機械学習装置１２は、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムの一部を第２情報として取得してもよい。また、機械学習装置１２は、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムの少なくとも１つと、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイム以外のパラメータとを第２情報として取得してもよい。なお、バリの面積、バリの根元部分の長さ、および、バリの高さの取得にカメラ１８が用いられたが、当該カメラ１８に代えて、または、カメラ１８に加えて、レーザ測定器が用いられてもよい。

【0041】

また、機械学習装置１２は、第１情報に応じて、工具の回転速度、工具の送り速度、および、加工対象物に対する工具の切込量を加工条件として出力する学習モデルを生成した。加工条件は、工具の回転速度、工具の送り速度、および、加工対象物に対する工具の切込量の一部としてもよい。また、加工条件は、工具の回転速度、工具の送り速度、および、加工対象物に対する工具の切込量の少なくとも１つ、および、工具の回転速度、工具の送り速度、および、加工対象物に対する工具の切込量以外のパラメータとしてもよい。また、加工条件は、工具の回転速度、工具の送り速度、および、加工対象物に対する工具の切込量以外のパラメータを第２情報として取得してもよい。

【0042】

〔技術的思想〕
上記の実施形態および変形例から把握しうる技術的思想として、以下に第１の発明～第４の発明を記載する。

【0043】

（第１の発明）
第１の発明は、
工具を用いて加工対象物を切削加工する際の加工条件を推定するための学習モデルを生成する機械学習装置（１２）であって、
加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度の少なくとも１つを含む第１情報を取得する第１情報取得部（３４）と、
切削加工により加工対象物に生じたバリの評価に相関する第２情報を取得する第２情報取得部（３６）と、
複数の第１情報および複数の第２情報を用いて学習処理を実行し、複数の第１情報とは異なる別の第１情報に応じて、加工条件を出力する学習モデルを生成する学習部（３２）と、
を備える。

【0044】

これにより、工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を捉えた学習モデルを生成することができ、この結果、加工対象物に生じるバリを低減させることができる。

【0045】

加工条件は、工具の送り速度、工具の回転速度、および、加工対象物に対する工具の切込量の少なくとも１つを含んでもよい。これにより、加工対象物に生じるバリを低減させることができる。

【0046】

第２情報は、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムの少なくとも１つを含んでもよい。これにより、工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を詳細に捉えることができる。

【0047】

第２情報は、バリの面積、バリの根元部分の長さ、および、バリの高さの少なくとも１つと、切削加工のサイクルタイムとを含んでもよい。これにより、工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を詳細に捉えることができる。

【0048】

（第２の発明）
第２の発明は、
工具を用いて加工対象物を切削加工する加工機本体（１４）を制御する制御装置（１６）であって、
上記の機械学習装置（１２）と、
上記の機械学習装置（１２）で生成された学習モデルを用いて、別の第１情報に応じた加工条件となるように加工機本体（１４）を制御する制御部（２８）と、
を備える。

【0049】

工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を捉えた学習モデルを用いて加工機本体（１４）を制御することで、加工対象物に生じるバリを低減させることができる。

【0050】

（第３の発明）
第３の発明は、
工具を用いて加工対象物を切削加工する際の加工条件を推定するための学習モデルを生成する生成方法であって、
加工対象物の形状、加工対象物の材質、切削加工の加工経路、工具の種類、および、工具の摩耗度の少なくとも１つを含む第１情報を取得する第１取得ステップ（Ｓ１）と、
切削加工により加工対象物に生じたバリの評価に相関する第２情報を取得する第２取得ステップ（Ｓ３）と、
複数の第１情報および複数の第２情報を用いて学習処理を実行し、複数の第１情報とは異なる別の第１情報に応じて、加工条件を出力する学習モデルを生成する学習ステップ（Ｓ４）と、
を含む。

【0051】

これにより、工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を捉えた学習モデルを生成することができ、この結果、加工対象物に生じるバリを低減させることができる。

【0052】

加工条件は、工具の送り速度、工具の回転速度、および、加工対象物に対する工具の切込量の少なくとも１つを含んでもよい。これにより、加工対象物に生じるバリを低減させることができる。

【0053】

第２情報は、バリの面積、バリの根元部分の長さ、バリの高さ、および、切削加工のサイクルタイムの少なくとも１つを含んでもよい。これにより、工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を詳細に捉えることができる。

【0054】

第２情報は、バリの面積、バリの根元部分の長さ、および、バリの高さの少なくとも１つと、切削加工のサイクルタイムとを含んでもよい。これにより、工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を詳細に捉えることができる。

【0055】

（第４の発明）
第４の発明は、
工具を用いて加工対象物を切削加工する加工機本体（１４）を制御する制御方法であって、
上記の生成方法と、
上記の生成方法で生成された学習モデルを用いて、別の第１情報に応じた加工条件となるように加工機本体（１４）を制御する制御ステップと、
を含む。

【0056】

工具および加工対象物の状態（第１情報および第２情報）と、バリを低減し得る加工条件との相関関係を捉えた学習モデルを用いて加工機本体（１４）を制御することで、加工対象物に生じるバリを低減させることができる。

【符号の説明】

【0057】

１０…工作機械 １２…機械学習装置
１４…加工機本体 １６…制御装置
１８…カメラ ２０…第１モータ
２２…第２モータ ２４…記憶部
２６…入力部 ２８…制御部
３０…教師データ取得部 ３２…学習部
３４…第１情報取得部 ３６…第２情報取得部

【図1】

【図2】

【図3】