机械学习装置以及热位移修正装置制造方法及图纸

提供可以低计算成本实施高精度的修正式的导出的机械学习装置以及热位移修正装置。热位移量预测计算式使用测量数据的时间延迟要素，计算式学习部具备：第一学习部，其根据将测量数据群代入热位移量预测计算式而计算出的机械要素的热位移量的推定值与机械要素的热位移量的实际测量值之间的差异，将热位移量预测计算式中除时间延迟要素相关的系数外的与测量数据相关的系数固定为预定值，通过机械学习设定与时间延迟要素相关的系数；第二学习部，其根据上述差异，将热位移量预测计算式中时间延迟要素相关的系数固定为预定值，通过机械学习设定除时间延迟要素相关的系数外的与测量数据相关的系数及重复部，其重复第一学习部和第二学习部的机械学习。

【技术实现步骤摘要】
机械学习装置以及热位移修正装置
本专利技术涉及适用于机床的机械学习装置以及热位移修正装置。
技术介绍
作为机床的加工误差的主要原因之一，有由于机床的机械要素的热膨胀而在工具和工件之间产生相对的热位移的问题。更具体地说，作为机床的结构要素，例如列举有主轴、主轴装置、床、柱、工件工作台、工具等。由于主轴旋转造成的发热、主轴驱动电动机的发热、从冷却液供给装置提供给工具的冷却液造成的吸热、从润滑油供给装置提供给主轴轴承的润滑油造成的吸热等，特别以主轴为中心，上述结构要素会热变形，并且会在工具与工件之间产生相对的热位移。对此，目前使用以下一种技术，即考虑接近机床主轴的热源或室外气温等各种热源造成的主轴热膨胀的影响，通过修正用于控制机床的数值控制装置的指令值来提高加工精度(例如专利文献1)。专利文献1：日本特开平7-75937号公报
技术实现思路
但是，在专利文献1记载的技术中，作为机床的特性值的取得方法只是简单涉及设置多个温度传感器的情况，不保证高精度的修正。另外，通过热传导使由温度传感器测量到的热扩散并到热膨胀为止花费时间，因此高精度的修正需要时间延迟的评价，修正式将复杂化。另外，由于装载数值控制装置的机械使结构或部件发生变化，因此根据机械的类别，最佳的热位移修正式会发生变化。另外，在专利文献1记载的技术中，为了热位移量的推定而使用神经网络，但是以神经网络为代表的机械学习中通常需要大量的计算量，因此在廉价的数值控制装置中不能够处理复杂的模型。鉴于这种情况，本专利技术目的为提供能够通过较少计算量实施高精度的修正式导出的机械学习装置以及能够进行基于上述修正式的高精度的修正的热位移修正装置。(1)本专利技术的机械学习装置(例如后述的机械学习装置10、10A)通过机械学习将根据测量数据群推定上述机械要素的热位移量的计算式最优化，该测量数据群包括具有进行热膨胀的机械要素的机床(例如后述的机床35)的上述机械要素及其周边的温度数据和/或上述机械要素的动作状态数据，该机械学习装置具备：测量数据取得部(例如后述的测量数据取得部11)，其取得上述测量数据群；热位移量取得部(例如后述的热位移量取得部12)，其取得上述机械要素的热位移量的实际测量值；存储部(例如后述的存储部13)，其将通过上述测量数据取得部取得的上述测量数据群作为输入数据，将通过上述热位移量取得部取得的上述机械要素的热位移量的实际测量值作为标签相互关联地存储为教师数据；以及计算式学习部(例如后述的计算式学习部14)，其根据上述测量数据群和上述机械要素的热位移量的实际测量值来进行机械学习，由此设定根据上述测量数据群计算上述机械要素的热位移量的热位移量预测计算式，上述热位移量预测计算式使用测量数据的时间延迟要素，上述计算式学习部具备：第一学习部(例如后述的第一学习部14A)，其根据将作为教师数据而存储在上述存储部中的预定期间内的上述测量数据群代入上述热位移量预测计算式而计算出的上述机械要素的热位移量的推定值与作为标签而存储在上述存储部中的上述预定期间内的上述机械要素的热位移量的实际测量值之间的差异，将上述热位移量预测计算式中的除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数固定为预定值，通过机械学习设定与上述时间延迟要素相关的系数；第二学习部(例如后述的第二学习部14B)，其根据上述差异，将上述热位移量预测计算式中的与上述时间延迟要素相关的系数固定为预定值，通过机械学习设定除上述时间延迟要素的系数外的上述测量数据相关的系数；以及重复部(例如后述的重复部14C)，其重复上述第一学习部的机械学习和上述第二学习部的机械学习，使得将通过进行上述第一学习部的机械学习而设定的上述热位移量预测计算式中的与上述时间延迟要素相关的系数进行固定，执行上述第二学习部的机械学习，将通过进行上述第二学习部的机械学习而设定的上述热位移量预测计算式中的除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数进行固定，执行上述第一学习部的机械学习。(2)在(1)的机械学习装置中，上述测量数据取得部(例如后述的测量数据取得部11)进一步通过将测量数据追加到上述测量数据群中和/或从上述测量数据群排除测量数据，来取得第二测量数据群，将上述第二测量数据群作为输入数据存储于上述存储部(例如后述的存储部13)，上述计算式学习部(例如后述的计算式学习部14)进一步设定根据上述第二测量数据群计算上述机械要素的热位移量的第二热位移量预测计算式。(3)在(1)或(2)的机械学习装置中，上述时间延迟要素可以是上述测量数据群中包括的测量数据的1次延迟要素。(4)在(1)或(2)的机械学习装置中，上述时间延迟要素可以是上述测量数据群中包括的测量数据的时间移位要素。(5)在(1)～(4)的机械学习装置中，上述第二学习部(例如后述的第二学习部14B)可以进行基于多元回归分析模型而设定的上述热位移量预测计算式的机械学习。(6)(1)～(5)的机械学习装置可以被包括在上述机床(例如后述的机床35)的控制装置(例如后述的控制装置30)中。(7)本专利技术的热位移修正装置(例如后述的热位移修正装置20)具备：修正量计算部(例如后述的修正量计算部22)，其根据通过(1)～(6)的机械学习装置(例如后述的机械学习装置10)而设定的热位移量预测计算式，计算与根据上述测量数据群计算出的上述机械要素的热位移量对应的修正量；以及修正部(例如后述的修正部24)，其根据由上述修正量计算部计算出的上述机械要素的修正量来修正上述机械要素的机械位置。(8)(7)的热位移修正装置包括在上述机床(例如后述的机床35)的控制装置(例如后述的控制装置30)中。根据本专利技术，能够通过较少的计算量实施高精度的修正式的导出，并能够根据上述修正式进行高精度的修正。附图说明图1是表示本专利技术第一实施方式的热位移修正系统的框图。图2是表示本专利技术第一实施方式的机械学习装置以及热位移修正装置的详细的框图。图3是表示本专利技术第一实施方式的计算机学习部的细节的框图。图4是表示本专利技术第一实施方式的机床以及控制装置的细节的框图。图5是表示本专利技术第一实施方式的机械学习装置的机械学习时的动作的流程图。图6A是表示本专利技术第一实施方式的机械学习装置的机械学习时的动作的流程图。图6B是表示本专利技术第一实施方式的机械学习装置的机械学习时的动作的流程图。图7是表示本专利技术第一实施方式的热位移修正装置的修正时的动作的流程图。图8A是表示本专利技术第二实施方式的机械学习装置的机械学习时的动作的流程图。图8B是表示本专利技术第二实施方式的机械学习装置的机械学习时的动作的流程图。附图标记的说明10、10A：机械学习装置；11：测量数据取得部；12：热位移量取得部；13：存储部；14：计算式学习部；14A：第一学习部；14B：第二学习部；14C：重复部；15：贡献度判定部；16：最优化测量数据选定部；17：检测部；20：热位移修正装置；22：修正量计算部；24：修正部；30：控制装置；35：机床；40：网络；100：热位移修正系统。具体实施方式[第一实施方式]以下，根据附图说明本专利技术的第一实施方式。图1是表示本实施方式的热位移修正系统的框图。图2是表示本实施方式的机械学习装置以及热位移修正装置的细节的框图。图3是表示本实施方本文档来自技高网...

【技术保护点】
1.一种机械学习装置，通过机械学习将根据测量数据群推定机械要素的热位移量的计算式最优化，该测量数据群包括具有进行热膨胀的上述机械要素的机床的上述机械要素及其周边的温度数据和/或上述机械要素的动作状态数据，该机械学习装置的特征在于，具备：测量数据取得部，其取得上述测量数据群；热位移量取得部，其取得上述机械要素的热位移量的实际测量值；存储部，其将通过上述测量数据取得部取得的上述测量数据群作为输入数据，将通过上述热位移量取得部取得的上述机械要素的热位移量的实际测量值作为标签相互关联地存储为教师数据；以及计算式学习部，其根据上述测量数据群和上述机械要素的热位移量的实际测量值来进行机械学习，由此设定根据上述测量数据群计算上述机械要素的热位移量的热位移量预测计算式，上述热位移量预测计算式使用测量数据的时间延迟要素，上述计算式学习部具备：第一学习部，其根据将作为教师数据而存储在上述存储部中的上述测量数据群代入上述热位移量预测计算式而计算出的上述机械要素的热位移量的推定值与作为标签而存储在上述存储部中的上述机械要素的热位移量的实际测量值之间的差异，将上述热位移量预测计算式中的除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数固定为预定值，通过机械学习设定与上述时间延迟要素相关的系数；第二学习部，其根据上述差异，将上述热位移量预测计算式中的与上述时间延迟要素相关的系数固定为预定值，通过机械学习设定除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数；以及重复部，其重复上述第一学习部的机械学习和上述第二学习部的机械学习，使得将通过进行上述第一学习部的机械学习而设定的上述热位移量预测计算式中的与上述时间延迟要素相关的系数进行固定，执行上述第二学习部的机械学习，将通过进行上述第二学习部的机械学习而设定的上述热位移量预测计算式中的除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数进行固定，执行上述第一学习部的机械学习。...

【技术特征摘要】
2017.03.21 JP 2017-0542671.一种机械学习装置，通过机械学习将根据测量数据群推定机械要素的热位移量的计算式最优化，该测量数据群包括具有进行热膨胀的上述机械要素的机床的上述机械要素及其周边的温度数据和/或上述机械要素的动作状态数据，该机械学习装置的特征在于，具备：测量数据取得部，其取得上述测量数据群；热位移量取得部，其取得上述机械要素的热位移量的实际测量值；存储部，其将通过上述测量数据取得部取得的上述测量数据群作为输入数据，将通过上述热位移量取得部取得的上述机械要素的热位移量的实际测量值作为标签相互关联地存储为教师数据；以及计算式学习部，其根据上述测量数据群和上述机械要素的热位移量的实际测量值来进行机械学习，由此设定根据上述测量数据群计算上述机械要素的热位移量的热位移量预测计算式，上述热位移量预测计算式使用测量数据的时间延迟要素，上述计算式学习部具备：第一学习部，其根据将作为教师数据而存储在上述存储部中的上述测量数据群代入上述热位移量预测计算式而计算出的上述机械要素的热位移量的推定值与作为标签而存储在上述存储部中的上述机械要素的热位移量的实际测量值之间的差异，将上述热位移量预测计算式中的除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数固定为预定值，通过机械学习设定与上述时间延迟要素相关的系数；第二学习部，其根据上述差异，将上述热位移量预测计算式中的与上述时间延迟要素相关的系数固定为预定值，通过机械学习设定除与上述时间延迟要素相关的系数外的与上述测量数据相关的系数；以及重复部，其重复上述第一学习部的机械学习和上述第二学习部的机械学习，使得将通过进行上述第一学习部的机械学习而设定的上述热...

【专利技术属性】
技术研发人员：渡边光德，
申请(专利权)人：发那科株式会社，
类型：发明
国别省市：日本,JP