CN108629419A - 机器学习装置以及热位移修正装置 - Google Patents
机器学习装置以及热位移修正装置 Download PDFInfo
- Publication number
- CN108629419A CN108629419A CN201810219204.2A CN201810219204A CN108629419A CN 108629419 A CN108629419 A CN 108629419A CN 201810219204 A CN201810219204 A CN 201810219204A CN 108629419 A CN108629419 A CN 108629419A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- mentioned
- displacement amount
- machine learning
- heat displacement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
- B23H11/00—Auxiliary apparatus or details, not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/16—Investigating or analyzing materials by the use of thermal means by investigating thermal coefficient of expansion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49219—Compensation temperature, thermal displacement
Abstract
本发明提供一种机器学习装置以及热位移修正装置,能够以低成本实施高精度的修正式导出以及高精度的修正。该机器学习装置具备:测量数据取得部(11),其取得测量数据群;热位移量取得部(12),其取得机械要素的热位移量的实际测量值;存储部(13),其将通过测量数据取得部取得的测量数据群作为输入数据,将通过热位移量取得部(12)取得的机械要素的热位移量的实际测量值作为标签,相互关联地存储为训练数据;以及计算式学习部(14),其根据测量数据群和机械要素的热位移量的实际测量值来进行机器学习,由此设定根据测量数据群计算机械要素的热位移量的热位移量预测计算式。
Description
技术领域
本发明涉及适用于机床的机器学习装置以及热位移修正装置。
背景技术
作为机床中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,作为机床的构成要素,例如列举有主轴、主轴装置、床座、柱、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,上述构成要素会热变形,并且会在工具与工件之间产生相对的热位移。
对此,目前使用以下技术,即考虑接近机床主轴的热源或空气温度等各种热源造成的主轴热膨胀的影响,修正控制机床的数值控制装置的指令值,由此来提高加工精度(例如专利文献1)。
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提及设置多个温度传感器,不保证高精度的修正。
另外,由温度传感器测量到的热通过热传导而扩散,直到热膨胀为止要花费时间,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,根据搭载数值控制装置的机械,构造或部件发生变化,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,外部的热源由于周围的发热源和出入口的存在等使用环境而发生变化,因此适当的温度传感器配置发生变化,根据该情况,最优的修正式也发生变化。另外,当为了将温度传感器配置在适当的位置而增加测量器时,生产成本和维护费用将增大。
专利文献1:日本特开平7-75937号公报
发明内容
本发明鉴于这种情况,目的为提供能够以低成本实施高精度的修正式导出、甚至高精度的修正本身的机器学习装置以及热位移修正装置。
(1)本发明的机器学习装置(例如后述的机器学习装置10、10A、10B)通过机器学习将计算式最优化,该计算式根据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以及/或上述机械要素的动作状态数据的测量数据群推定上述机械要素的热位移量,,该机器学习装置具备: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训练数据;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器学习,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,上述计算式学习部根据将作为训练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,设定上述热位移量预测计算式。
(2)在(1)的机器学习装置中,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以及/或从上述测量数据群中去除测量数据来取得第二测量数据群,在上述存储部(例如后述的存储部13)中存储上述第二测量数据群作为输入数据,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(2)的机器学习装置中,还具备判定上述测量数据群中包括的测量数据的针对热位移量的预测的贡献度的贡献度判定部(例如后述的贡献度判定部15),上述贡献度判定部根据第一误差与第二误差之间的差异来判定作为上述贡献度计算对象的测量数据的贡献度,该第一误差为通过基于包括作为贡献度计算对象的测量数据的测量数据群而设定的第一热位移量预测计算式计算出的第一热位移量预测值与热位移量实际测量值之间的误差,该第二误差为通过根据除去作为上述贡献度计算对象的测量数据后的上述第二测量数据群而设定的第二热位移量预测计算式计算出的第二热位移量预测值与热位移量实际测量值之间的误差。
(4)在(3)的机器学习装置中,还具备:最优化测量数据选定部(例如后述的最优化测量数据选定部16),其选择由当前取得的测量数据群中使用预先设定的数量的测量数据成为最佳精度的测量数据的组合组成的最优化测量数据群,上述最优化测量数据选定部从当前取得的测量数据群中选择排除了通过上述贡献度判定部判定的贡献度最少的测量数据后的测量数据群,作为第1个测量数据群,从第i(i≤1)个测量数据群中选择排除了通过上述贡献度判定部判定的贡献度最少的测量数据后的测量数据群作为第(i+1)个测量数据群,重复以上选择,由此可以选择由预先设定的数量的测量数据组成的最优化测量数据群。
(5)在(1)~(4)的机器学习装置中,上述热位移量预测计算式可以使用上述测量数据群中包括的测量数据的1次延迟要素。
(6)在(1)~(5)的机器学习装置中,上述热位移量预测计算式可以使用上述测量数据群中包括的测量数据的时间迁移要素。
(7)在(1)~(6)的机器学习装置中,可以根据神经网络的机器学习来设定上述热位移量预测计算式。
(8)在(1)~(6)的机器学习装置中,上述计算式学习部(例如后述的计算式学习部14)可以根据使用了L2正则化多元回归分析的机器学习来设定上述热位移量的预测计算式。
(9)在(1)~(6)的机器学习装置中,上述计算式学习部(例如后述的计算式学习部14)可以使用稀疏正则化学习来设定上述热位移量的预测计算式。
(10)在(9)的机器学习装置中,还具备检测上述测量数据群中包括的对热位移量预测的精度提高没有贡献的测量数据的检测部(例如后述的检测部17),上述检测部还可以根据通过稀疏正则化学习而设定的上述热位移量的预测计算式进行检测。
(11)(1)~(10)的机器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。
(12)本发明的热位移修正装置具备:修正量计算部(例如后述的修正量计算部22),其根据通过(1)~(11)的机器学习装置(例如后述的机器学习装置10、10A、10B)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。
(13)(12)的热位移修正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。
根据本发明,能够以低成本实施高精度的修正式的导出甚至是高精度的修正本身。
附图说明
图1是表示本发明第一实施方式的热位移修正系统的框图。
图2是表示本发明第一实施方式的机器学习装置以及热位移修正装置的细节的框图。
图3是表示本发明第一实施方式的机床以及控制装置的细节的框图。
图4是表示本发明第一实施方式的机器学习装置中的机器学习时的动作的流程图。
图5是表示本发明第一实施方式中的机器学习所使用的神经网络的例子的流程图。
图6A是表示本发明第一实施方式中的机器学习所使用的神经网络的例子的流程图。
图6B是表示本发明第一实施方式中的机器学习所使用的神经网络的例子的流程图。
图7是表示本发明第一实施方式的热位移修正装置中的修正时的动作的流程图。
图8是表示本发明第二实施方式的机器学习装置的细节的框图。
图9是表示本发明第二实施方式的机器学习装置中的贡献度判定时的动作的流程图。
图10是表示本发明第二实施方式的机器学习装置中的最优化测量数据群选择的动作的流程图。
图11是表示本发明第三实施方式的机器学习装置的细节的框图。
图12是表示本发明第三实施方式的机器学习装置中对精度提高没有贡献的测量数据的检测时的动作的框图。
符号说明
10、10A、10B:机器学习装置、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、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、100A、100B:热位移修正系统。
具体实施方式
[第一实施方式]
以下,根据附图说明本发明的第一实施方式。图1是表示本发明第一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器学习装置以及热位移修正装置的细节的框图。图3是表示本实施方式的机床以及控制装置的细节的框图。
<热位移修正系统100的结构>
首先,说明本实施方式的热位移修正系统100的结构。热位移修正系统100如图1所示,具备机器学习装置10、热位移修正装置20、控制装置30、机床35以及网络40。另外,机器学习装置10、热位移修正装置20、控制装置30、机床35可以是1台也可以是多台。
这里,控制装置30和机床35为1对1的组,以能够通信的方式连接。这些控制装置30和机床35的组例如可以相同的工厂设置多组,也可以分别设置在不同的工厂。
另外,机器学习装置10、热位移修正装置20、控制装置30、机床35分别与网络40连接,能够经由网络40相互进行通信。网络40是例如在工厂内构筑的LAN(Local AreaNetwork局域网)、英特网、公用电话网或者这些的组合。关于网络40中的具体通信方式、有线连接以及无线连接的哪一种等没有特别限定。另外,热位移修正装置20和控制装置30可以不是使用了网络40的通信,而经由连接部直接连接,机器学习装置10和控制装置30也可以经由连接部直接连接。
接着,根据图2说明热位移修正系统100中包括的这些装置的功能。图2是表示各个装置中包括的功能块的框图。另外,各个热位移修正装置20分别具有相同的功能,因此图2中只图示1台。同样,各个控制装置30或各个机床35也分别具有相同的功能,因此图2中只图示1台。另外,关于存在于各个装置间的网络40,省略其图示。
如图3所示,机床35通过安装刀具并通过主轴电动机37旋转的主轴36和进给该主轴36的进给轴38来进行切削加工。即,该刀具通过驱动主轴36的主轴电动机37而旋转,并通过驱动进给轴38的进给轴电动机39而被进给。另外,在实施例中,将机床35作为切削机械进行说明,但是不限于此。
如图2以及图3所示,控制装置30通过对机床35送出控制信号来进行控制,从而机床35进行预定的切削加工。控制装置30中存储根据工件的加工内容决定的多个加工程序31。并且,控制装置30具备:程序读取解释部32,其通过读取加工程序31并进行解释,提取切削加工的条件(例如主轴的加减速的频度、转速、切削负荷、切削时间)并将位置指令数据等输出给热位移修正装置20;电动机控制部33,其根据从热位移修正装置20输出的热位移修正后的位置指令数据,生成驱动机床35的主轴电动机37以及进给轴电动机39的动作指令;电动机驱动放大器34A,其放大动作指令并输出给机床35的主轴电动机37;以及电动机驱动放大器34B,其放大动作指令并输出给进给轴电动机39。另外,程序读取解释部32可以提取切削加工的条件(例如主轴的加减速的频度、转速、切削负荷、切削时间)并输出给热位移修正装置20。另外,关于转速和切削时间等,控制装置30也可以将从主轴电动机37以及/或进给轴电动机39实时得到的信息输出给热位移修正装置20。
另外,控制装置30中存在多个为了取得测量数据而连接安装在机床35上的传感器的端子。通过从该端子插拔传感器的电缆,能够增加或拆除与控制装置30连接的传感器,或者变更传感器的场所。另外,也能够变更设置在机床35上的传感器的配置。另外,传感器的配置变更,能够作为从机床35的设置场所拆除并将该传感器加到设置变更场所的方式进行处理。
如图2所示,机器学习装置10通过有监督机器学习来学习机床35中的热位移量预测计算式。因此,机器学习装置10具备测量数据取得部11、热位移量取得部12、存储部13以及计算式学习部14。
测量数据取得部11从控制装置30取得测量数据群。这里,测量数据可以包括通过温度传感器测量到的机床35的机械要素与其周边的温度数据。进一步,测量数据可以包括机床35的机械要素的动作状态数据,具体地说例如机床35的主轴转速、对主轴的冷却液流量、对主轴轴承的润滑油量等不能够粘贴温度传感器的场所的物理属性值。
热位移量取得部12取得例如通过探测器检测出的机床35的机械要素的热位移量的实际测量值。
存储部13将通过测量数据取得部11取得的测量数据群作为输入数据,将通过热位移量取得部12取得的机械要素的热位移量的实际测量值作为标签,相互关联地存储为训练数据。
计算式学习部14根据测量数据群和机械要素的热位移量的实际测量值进行机器学习,由此设定根据测量数据群计算机械要素的热位移量的热位移量预测计算式。
更具体地说,测量数据群内存在多个自变量,因此计算式学习部14通过广义线性模型的多元回归,根据将作为训练数据存储在存储部13中的预定期间内的测量数据群代入应该求出的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作为标签存储在存储部13中的预定期间内的机械要素的热位移量的实际测量值之间的差异,例如通过最小二乘法等以差异成为最小的方式设定热位移量预测计算式。
另外,具体地说,计算式学习部14将测量数据(输入数据)设为X1、X2……Xn,在对于构成机床的主轴、床座、柱等构成要素的每一个将热位移量的预测值设为f(X1、X2……,Xn)(n是自然数)、将热位移量的实际测量值设为YL时,设定f(X1、X2……,Xn)与YL之间的差异成为最小的热位移量预测计算式。
如图2所示,热位移修正装置20具备作为修正量计算单元的修正量计算部22和作为修正执行单元的修正部24。
修正量计算部22根据通过机器学习装置10设定的热位移量预测计算式来计算与根据测量数据群(判定数据)计算出的机械要素的热位移量对应的修正量。
修正部24根据由修正量计算部22计算出的机械要素的修正量来修正机械要素的机械位置。或者,修正部24将该机械要素的修正量发送给控制装置30。更具体地说,如图3所示,修正部24在使用该机械要素的修正量修正从控制装置30的程序读取解释部32输出的切削加工的条件的基础上,将位置指令据据输出给电动机控制部33。
<机器学习时的动作>
接着,说明本实施方式的热位移修正系统100中的机器学习时的动作。图4是表示该机器学习时的机器学习装置10的动作的流程图。
在步骤S11中,机器学习装置10的测量数据取得部11从控制装置30取得测量数据群。更具体地说,测量数据取得部11取得机床35的机械要素及其周边的温度数据以及/或动作状态数据。作为动作状态数据,例如可以包括主轴的转速、冷却液流量以及润滑油流量。
另外,例如可以不取得温度本身的数据而取得温度变化量的数据作为测量数据。进一步,可以取得从初始温度起的温度变化量的数据作为温度变化量的数据,也可以取得从上次测量的温度到这次测量的温度为止的温度变化量的数据。
另外,作为动作状态数据,可以包括冷却液的吸热量、润滑油吸热量。
在步骤S12中,机器学习装置10的热位移量取得部12取得例如通过探测器检测出的机床35的机械要素的热位移量的实际测量值。具体地说,例如可以测量热位移量的X、Y、Z轴方向成分,也可以将这些测量值的组作为实际测量值。
在步骤S13中,机器学习装置10的存储部13将通过测量数据取得部11取得的测量数据群作为输入数据,将通过热位移量取得部12取得的机械要素的热位移量的实际测量值作为标签,设为相互关联的组,存储为训练数据。
在步骤S14中,机器学习装置10的计算式学习部14根据该训练数据执行机器学习。后面描述机器学习的具体方法的例子。
在步骤S15中,机器学习装置10的计算式学习部14判定是结束机器学习还是重复机器学习。这里,能够任意地决定使机器学习结束的条件。这里,在结束机器学习时(S15:是),处理转到步骤S16。在重复机器学习时(S15:否),处理返回步骤S11,重复相同的处理。
在步骤S16中,机器学习装置10经由网络40将通过直到该时间点为止的机器学习而设定的热位移量预测计算式发送给各个热位移修正装置20。
另外,机器学习装置10的存储部13存储该热位移量预测计算式。这样,在从新设置的热位移修正装置20请求了热位移量预测计算式时,能够将热位移量预测计算式发送给该热位移修正装置20。另外,在取得了新的训练数据时,也能够进行进一步的机器学习。
<机器学习方法的例子>
如上所述,在图4的步骤S14中,计算式学习部14使用训练数据实施机器学习,详细描述该方法的例子。
作为第一方法,根据广义线性模型的多元回归,通过使用了最小二乘法的机器学习,能够推断并设定由热位移量预测计算式Y=a1X1+a2X2+……anXn计算出的热位移量的推定值与热位移量的实际测量值之间的平方误差成为最小的系数。这里,Y是热位移量推定值,X1、X2……Xn是各个测量数据值,a1、a2……an是通过多元回归决定的系数。
具体地说,在将测量数据设为Xk,将标签设为YL时,求出针对多个训练数据将
[公式1]
进行合计后的值成为最小的系数ak的组。另外,k是自然数,n是任意的整数,k≤n。
在第一方法中,能够不实施通常的多元回归分析而实施考虑了L2正则化项的多元回归分析。即,能够通过机器学习推断并设定由热位移量预测计算式Y=a1X1+a2X2+……anXn计算出的热位移量的推定值与热位移量的实际测量值之间的平方误差与L2正则化项相加后得到的值成为最小的系数。这里,与上述同样,Y是热位移量推定值,X1、X2……Xn是各个测量数据值,a1、a2……an是通过考虑了L2正则化项的多元回归决定的系数。
具体地说,在将测量数据设为Xk,将标签设为YL时,求出针对多个训练数据将
[公式2]
进行合计后的值成为最小的系数ak的组。另外,n是自然数,表示学习所使用的训练数据的测量分数。另外,λ是超参数,是在进行机器学习前预先设定的参数。
另外,在第一方法中,能够实施稀疏正则化。例如,能够实施考虑了L1正则化项的多元回归分析。具体地说,在将测量数据设为Xk,将标签设为YL时,求出针对多个训练数据将
[公式3]
进行合计后的值成为最小的系数ak的组。另外,n是自然数,表示学习所使用的训练数据的测量分数。另外,λ是超参数,是在进行机器学习前预先设定的参数。有以下效果,即λ设定得越大,ak中成为0的项的数量越增加。
使用L2正则化和L1正则化作为正则化的例子,但是这只是一例,并不限定于此。
在第一方法中,也能够使用测量数据的1次延迟要素和测量数据的时间迁移要素作为执行上述机器学习时的输入数据。具体地说,在将时刻t的热位移量的推定值设为Y(t),将时刻t的传感器Xk的测量值设为Xk(t)时,使用了测量数据的1次延迟要素的热位移量预测计算式为
[公式4]
,通过机器学习求出系数ak、bk、Tk。另外,Δtk是传感器Xk的测量值的采样时间。
另外,在将时刻t的热位移量的推定值设为Y(t),将时刻t的传感器Xk的测量值设为Xk(t)时,使用了测量数据的时间迁移要素的热位移量预测式为
[公式5]
,通过机器学习求出系数akτ、Tk。另外Δtk是传感器Xk的测量值的采样时间。
另外,在使用了测量数据的1次延迟要素和测量数据的时间迁移要素的基础上,可以进行附加了L1正则化项和L2正则化项等各种正则化项的学习。此时,附加针对ak、akτ、bk、Tk等各种参数的正则化项。
作为第二方法,能够实施众所周知的基于神经网络的机器学习。
例如,能够使用图5所示的单层的神经网络。图5中,根据温度数据A、温度数据B、温度数据C、动作状态数据A求出主轴热位移量推定值,根据温度数据B、温度数据D、动作状态数据B求出进给轴热位移量推定值,但是这是一例,不限于此。
另外,也能够使用图6A以及图6B所示的多层的神经网络。特别是使用图6A所记载的中间层的输出同时成为中间层的输入的循环神经网络、图6B所记载的从预定时间量的过去到目前为止的履历数据例如温度数据At、温度数据At-1、温度数据At-2同时成为输入值的时间延迟型的前馈神经网络等是有效的。
另外,也可以使用上述的测量数据的时间迁移要素(测量数据的1次延迟要素以及/或测量数据的时间迁移要素)作为神经网络的输入数据。
另外,在进行神经网络的学习时,可以进行附加了例如L2正则化项那样的各种正则化项的学习。
另外,在图6A以及图6B中只记载了1层的中间层,但是不限于此,能够设定任意数量的中间层。另外,图6A中,将温度数据A、温度数据B、动作状态数据A作为输入,输出主轴热位移量推定值、进给轴热位移量推定值,但是这是一例,不限于此。另外,图6B中,将温度数据At、温度数据At-1、温度数据At-2作为输入,输出主轴热位移量推定值、进给轴热位移量推定值,但是这是一例,不限于此。
<修正时的动作>
接着,说明本实施方式的热位移修正系统100的修正时的动作。图7是表示该修正时的热位移修正装置20的动作的流程图。
在步骤S21中,修正量计算部22根据由机器学习装置10设定的热位移量预测计算式计算与根据测量数据群计算出的机械要素的热位移量对应的修正量。
在步骤S22中,修正部24根据由修正量计算部22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,从而抵消补偿热位移量。
另外,与图7的记载不同,在步骤S22中,修正部24可以将该机械要素的修正量发送给控制装置30。更具体地说,修正部24可以使用该机械要素的修正量修正从控制装置30的程序读取解释部32输出的坐标位置,并将位置指令数据输出给电动机控制部33,也可以在使用该修正量预先修正了加工程序13的基础上执行加工程序31。
<第一实施方式所产生的效果>
如上所述,在本实施方式中,在机器学习装置10中,通过机器学习能够将根据测量数据群推定机械要素的热位移量的热位移量预测计算式最优化,该测量数据群包括具有进行热膨胀的机械要素的机床35的机械要素及其周边的温度数据以及/或机械要素的动作状态数据。
另外,取得测量数据的各个点的温度变化会有热传导造成的延迟,在这基础上被反映到热位移,因此能够考虑延迟的机器学习方法是有效的。
另外,根据机床35的动作环境和机床35的类别,能够调整热位移量预测计算式、基于热位移量预测计算式的修正式并提高精度。
[第二实施方式]
以下,根据附图说明本发明第二实施方式。图8是表示本实施方式的机器学习装置的细节的框图。图9是表示本实施方式的机器学习装置的贡献度判定时的动作的流程图。图10是表示本实施方式的机器学习装置的最优化测量数据群选择的动作的流程图。
<热位移修正系统100A的结构>
第二实施方式的热位移修正系统100A与第一实施方式的热位移修正系统100相比,在以下方面不同,如图8所示,第二实施方式的机器学习装置10A的构成要素除了第一实施方式的机器学习装置10的构成要素,还追加了贡献度判定部15以及最优化测量数据选定部16。关于其它结构,与上述第一实施方式基本相同,所以对相同的部件标注相同的符号并省略其说明。
贡献度判定部15判定测量数据群中包括的各个测量数据针对热位移量的预测的贡献度。
更具体地说,贡献度判定部15根据第一误差(绝对值)与第二误差(绝对值)之间的差异来判定作为贡献度计算对象的预测数据的贡献度,该第一误差为通过基于包括作为贡献度计算对象的测量数据的第一测量数据群的机器学习而设定的第一热位移量预测计算式计算出的第一热位移量预测值与热位移量实际测量值之间的误差,该第二误差为通过基于除去作为贡献度计算对象的测量数据的第二测量数据群的机器学习而设定的第二热位移量预测计算式计算出的第二热位移量预测值与热位移量实际测量值之间的误差。具体地说,能够判定为第一误差与第二误差之间的差异越大,作为贡献度计算对象的测量数据的贡献度越大。
另外,在判定第一误差与第二误差之间的差异时,最好根据多个训练数据集合所对应的第一误差的集合以及第二误差的集合进行判定。此时,例如能够使用第一误差与第二误差之间的差异的平均值或最大值等。
最优化测量数据选定部16选择由当前取得的测量数据群中例如除去贡献度小的测量数据后的预先设定的数量的测量数据的组合所组成的最优化测量数据群。另外,这里“测量数据数量”表示例如按照对测量数据进行测量的每个传感器而不同的测量数据的种类数量。
更具体地说,最优化测量数据选定部16从当前取得的测量数据群中选择排除了通过贡献度判定部15判定的贡献度最少的测量数据后的测量数据群,作为第一个测量数据群。接着,最优化测量数据选定部16从第i(i≤1)个测量数据群中选择排除了通过贡献度判定部15判定的贡献度最少的测量数据后的测量数据群,作为第(i+1)个测量数据群,重复以上选择,由此选择由预先设定的数量的测量数据组成的最优化测量数据群。另外,这里i是自然数。
<贡献度判定时的动作>
接着,说明机器学习装置10A中的判定测量数据群中包括的测量数据的贡献度的动作。图9是表示该贡献度判定时的机器学习装置10A的动作的流程图。
在步骤S31中,计算式学习部14按照图4记载的流程,根据包括全部测量数据的第一测量数据群以及热位移量实际测量值来设定第一热位移量预测计算式。
在步骤S32中,贡献度判定部15使用第一热位移量预测计算式来计算第一热位移量预测值。
在步骤S33中,贡献度判定部15计算第一热位移量预测值与热位移量实际测量之间的误差即第一误差(绝对值)。
在步骤S34中,计算式学习部14按照图4记载的流程,根据除去作为贡献度计算对象的测量数据后的第二测量数据群以及热位移量实际测量值来设定第二热位移量预测计算式。
在步骤S35中,贡献度判定部15使用第二热位移量预测计算式来计算第二热位移量预测值。
在步骤S36中,贡献度判定部15计算第二热位移量预测值与热位移量实际测量之间的误差即第二误差(绝对值)。
另外,步骤S31~S36可以如图9记载的那样并行执行,或者可以连续地执行。
在步骤S37中,贡献度判定部15根据第一误差与第二误差之间的差异来判定作为贡献度计算对象的测量数据的贡献度。具体地说,能够判定为该差异越大,作为贡献度计算对象的测量数据的贡献度越大。
<最优化测量数据群选择时的动作>
接着,说明机器学习装置10A中的、包括去除贡献度小的测量数据后的预定数量的测量数据的最优化测量数据群选择时的动作。图10是表示该贡献度判定时的机器学习装置10A的动作的流程图。
在步骤S41中,最优化测量数据选定部16设定最终使用的测量数据的数量。另外,设最终使用的测量数据的数量不足最初的测量数据数量。
在步骤S42中,贡献度判定部15按照图9记载的流程来判定构成当前取得的测量数据群的各个测量数据的贡献度。
在步骤S43中,最优化测量数据选定部16在从当前取得的测量数据群去除贡献度最小的测量数据的基础上,将该测量数据群作为“第一个测量数据群”。
在步骤S44中,最优化测量数据选定部16将i=1设定为初始值。
在步骤S45中,最优化测量数据选定部16选择第i个测量数据群。
在步骤S46中,贡献度判定部15按照图9记载的流程来判定构成第i个测量数据群的各个测量数据的贡献度。
在步骤S47中,最优化测量数据选定部16在从第i个测量数据群去除贡献度最小的测量数据的基础上,将该测量数据群作为“第i+1个测量数据群”。
在步骤S48中,最优化测量数据选定部16判定“第i+1个测量数据群”中的测量数据数量与步骤S41中设定的测量数据数量是否相等。当测量数据数量与最初的设定数量相等时(S48:是),结束处理。即,在结束了步骤S48的处理的时间点的“第i+1个测量数据群”成为最优化的测量数据群。当测量数据数量与最初的设定数量不相等时(S48:否),处理转到步骤S49。
在步骤S49中,最优化测量数据选定部16将i增加1。之后,处理返回步骤S45。
<第二实施方式所产生的效果>
如上所述,在第二实施方式中,除了第一实施方式达到的效果,通过从测量数据群去除贡献度小的测量数据,能够将测量数据群缩小。
进一步,如上所述,能够拆除与控制装置30的端子连接的传感器,因此通过拆除对精度提高贡献度小的传感器或者变更传感器的位置,能够以较少的传感器进行高精度的修正。另外,传感器的削减与成本降低和维护的容易性相关。特别是在预先设置大量的传感器并取得测量数据的基础上,通过机器学习的自动分析计算贡献度,并删除贡献度小的传感器,从而能够通过较少的传感器进行高精度的修正。
[第三实施方式]
以下,根据附图说明本发明的第三实施方式。图11是表示本实施方式的机器学习装置的细节的框图。图12是表示本实施方式的机器学习装置中对精度提高没有贡献的测量数据的检测时的动作的流程图。
<热位移修正系统100B的结构>
第三实施方式的热位移修正系统100B与第一实施方式的热位移修正系统100相比,在以下方面不同,如图11所示,机器学习装置10B的构成要素除了机器学习装置10的构成要素,还追加检测部17。关于其它结构,与上述第一实施方式基本相同,所以对相同的部件标注相同的符号并省略其说明。第三实施方式通过使用稀疏正则化学习来检测对精度提高没有贡献的测量数据。
检测部17根据通过稀疏正则化学习而设定的热位移量预测式来检测对热位移量预测的精度提高没有贡献的测量数据。
<检测时的动作>
接着,说明机器学习装置10B中的判定测量数据群中包括的测量数据的贡献度的动作。图12是表示该贡献度判定时的机器学习装置10B的动作的流程图。
在步骤S51中,机器学习装置10B的测量数据取得部11从控制装置30取得测量数据群。更具体地说,测量数据取得部11取得机床35的机械要素及其周围的温度数据以及/或机床35的动作状态数据。
在步骤S52中,机器学习装置10B的热位移量取得部12取得例如通过涡流传感器检测出的机床35的机械要素的热位移量的实际测量值。具体地说,例如测量热位移量的X、Y、Z轴方向分量,并将这些测量值的组作为实际测量值。
在步骤S53中,机器学习装置10B的存储部13将通过测量数据取得部11取得的测量数据群作为输入数据,将通过热位移量取得部12取得的机械要素的热位移量的实际测量值作为标签,设为相互关联的组,存储为训练数据。
在步骤S54中,机器学习装置10的计算式学习部14进行使用了该训练数据的稀疏正则化的机器学习。
在步骤S55中检测系数ak=0的测量数据Xk。通过这样,检测部17根据通过稀疏正则化学习而设定的热位移量预测式来检测对热位移量预测的精度提高没有贡献的测量数据。
另外,在第二实施方式的机器学习装置10A中,使用检测部17代替贡献度判定部15,并与最优化测量数据选定部16组合,由此也能够将测量数据群最优化。更具体地说,检测部17检测系数ak=0的、对热位移量预测的精度提高没有贡献的测量数据,最优化测量数据选定部16从当前取得的测量数据群去除对热位移量预测的精度提高没有贡献的测量数据,从而能够选定被缩小化的测量数据群。
<第三实施方式所达到的效果>
如上所述,在第三实施方式中能够达到与第二实施方式达到的效果同样的效果。
[其他实施方式]
上述实施方式是本发明的优选实施方式,但是不将本发明的范围限定于上述实施方式,在不脱离本发明主旨的范围内能够实施进行了各种变更的方式。
[变形例1]
在上述实施方式中,根据广义线性模型的多元回归,将热位移量预测计算式设为了多项式,但是不限于此,也可以基于非线性模型的多元回归分析。
[变形例2]
另外,在上述实施方式中,记载了通过删除测量数据将测量数据群最优化的技术,但是不限于此,也可以通过追加测量数据将测量数据群最优化。具体地说,当机器学习的结果为所设定的热位移量预测计算式的精度不足阈值时,可以追加测量数据。进一步,在删除某个测量数据的基础上可以追加其他的测量数据。
特别是当在机床的维护人员和终端用户侧追加了传感器时,通过基于热位移量预测计算式的修正式的自动调整来提高热位移修正的精度。
另外,例如为了提高热位移修正的精度,例如可以进行基于改变温度传感器的配置位置而得到的测量数据群的机器学习。此时,评价由切换配置后得到的热位移预测式计算出的热位移量预测值和热位移量实际测量值之间的误差与由根据切换配置前的测量数据群的机器学习而得到的热位移修正式计算出的热位移量预测值和热位移量实际测量值之间的误差之间的差异,由此能够判定是否提高了精度。
[变形例3]
另外,在上述实施方式中,将机床35设为了切削机械,但不限于此。机床35例如也可以是线放电加工机或激光加工机。
[变形例4]
另外,控制装置30也可以构成为具备热位移修正装置20。
或者,控制装置30也可以构成为具备机器学习装置10、10A、10B。
[变形例5]
上述实施方式中的机器学习装置10、10A、10B可以是具备CPU的计算机系统。此时,CPU读出例如存储在ROM等存储部中的程序,根据该程序使计算机作为测量数据取得部11、热位移量取得部12、存储部13、计算式学习部14、贡献度判定部15、最优化测量数据选定部16、检测部17来执行。
Claims (13)
1.一种机器学习装置,通过机器学习将计算式最优化,该计算式根据包括具有进行热膨胀的机械要素的机床的上述机械要素及其周边的温度数据以及/或上述机械要素的动作状态数据的测量数据群推定上述机械要素的热位移量,其特征在于,
该机器学习装置具备:
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,相互关联地存储为训练数据;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器学习,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,
上述计算式学习部根据将作为训练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,设定上述热位移量预测计算式。
2.根据权利要求1所述的机器学习装置,其特征在于,
上述测量数据取得部进一步通过将测量数据追加到上述测量数据群中以及/或从上述测量数据群中去除测量数据来取得第二测量数据群,
在上述存储部中存储上述第二测量数据群作为输入数据,
上述计算式学习部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.根据权利要求2所述的机器学习装置,其特征在于,
该机器学习装置还具备判定上述测量数据群中包括的测量数据的针对热位移量的预测的贡献度的贡献度判定部,
上述贡献度判定部根据第一误差与第二误差之间的差异来判定作为上述贡献度计算对象的测量数据的贡献度,该第一误差为通过基于包括作为贡献度计算对象的测量数据的测量数据群而设定的第一热位移量预测计算式计算出的第一热位移量预测值与热位移量实际测量值之间的误差,该第二误差为通过根据除去作为上述贡献度计算对象的测量数据后的上述第二测量数据群而设定的第二热位移量预测计算式计算出的第二热位移量预测值与热位移量实际测量值之间的误差。
4.根据权利要求3所述的机器学习装置,其特征在于,
该机器学习装置还具备:最优化测量数据选定部,其选择由当前取得的测量数据群中使用预先设定的数量的测量数据成为最佳精度的测量数据的组合组成的最优化测量数据群,
上述最优化测量数据选定部从当前取得的测量数据群中选择排除了通过上述贡献度判定部判定的贡献度最少的测量数据后的测量数据群,作为第1个测量数据群,
从第i个测量数据群中选择排除了通过上述贡献度判定部判定的贡献度最少的测量数据后的测量数据群作为第(i+1)个测量数据群,重复以上选择,由此选择由预先设定的数量的测量数据组成的最优化测量数据群,其中,i≤1。
5.根据权利要求1~4中的任意一项所述的机器学习装置,其特征在于,
上述热位移量预测计算式使用上述测量数据群中包括的测量数据的1次延迟要素。
6.根据权利要求1~5中的任意一项所述的机器学习装置,其特征在于,
上述热位移量预测计算式使用上述测量数据群中包括的测量数据的时间迁移要素。
7.根据权利要求1~6中的任意一项所述的机器学习装置,其特征在于,
根据神经网络的机器学习来设定上述热位移量预测计算式。
8.根据权利要求1~6中的任意一项所述的机器学习装置,其特征在于,
上述计算式学习部根据使用考虑了L2正则化项的多元回归分析的机器学习来设定上述热位移量的预测计算式。
9.根据权利要求1~6中的任意一项所述的机器学习装置,其特征在于,
上述计算式学习部使用稀疏正则化学习来设定上述热位移量的预测计算式。
10.根据权利要求9所述的机器学习装置,其特征在于,
该机器学习装置还具备检测上述测量数据群中包括的对热位移量预测的精度提高没有贡献的测量数据的检测部,
上述检测部根据通过稀疏正则化学习而设定的上述热位移量的预测计算式进行检测。
11.根据权利要求1~10中的任意一项所述的机器学习装置,其特征在于,
上述机器学习装置被包括在上述机床的控制装置中。
12.一种机床的热位移修正装置,其特征在于,
具备:
修正量计算部,其根据通过权利要求1~11中的任意一项所述的机器学习装置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的上述机械要素的热位移量对应的修正量;以及
修正部,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。
13.根据权利要求12所述的热位移修正装置,其特征在于,
上述热位移修正装置被包括在上述机床的控制装置中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-054266 | 2017-03-21 | ||
JP2017054266A JP6564412B2 (ja) | 2017-03-21 | 2017-03-21 | 機械学習装置及び熱変位補正装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629419A true CN108629419A (zh) | 2018-10-09 |
CN108629419B CN108629419B (zh) | 2023-07-14 |
Family
ID=63449949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810219204.2A Active CN108629419B (zh) | 2017-03-21 | 2018-03-16 | 机器学习装置以及热位移修正装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11650565B2 (zh) |
JP (1) | JP6564412B2 (zh) |
CN (1) | CN108629419B (zh) |
DE (1) | DE102018204137B4 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310930A (zh) * | 2018-12-11 | 2020-06-19 | 富士通株式会社 | 优化装置、优化方法和非暂态计算机可读存储介质 |
CN111452021A (zh) * | 2019-01-22 | 2020-07-28 | 发那科株式会社 | 机器人装置及热位移量推定装置 |
CN112912803A (zh) * | 2018-10-31 | 2021-06-04 | 三菱电机株式会社 | 数控装置、学习装置及学习方法 |
CN113168157A (zh) * | 2018-12-13 | 2021-07-23 | 三菱电机株式会社 | 机器学习装置、加工程序生成装置及机器学习方法 |
CN113366394A (zh) * | 2019-03-11 | 2021-09-07 | 株式会社日立制作所 | 实时控制器及使用该实时控制器的分散控制系统、工业机械 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6890110B2 (ja) * | 2018-10-31 | 2021-06-18 | Dmg森精機株式会社 | 工作機械の熱変位補正方法 |
FI128569B (fi) | 2018-11-09 | 2020-08-14 | Ab Hur Oy | Laite liikuntasuoritusta varten |
JP6799047B2 (ja) * | 2018-11-19 | 2020-12-09 | ファナック株式会社 | 暖機運転評価装置、暖機運転評価方法及び暖機運転評価プログラム |
JP7210268B2 (ja) * | 2018-12-25 | 2023-01-23 | オークマ株式会社 | 工作機械の熱変位補正方法、熱変位補正プログラム、熱変位補正装置 |
JP2022523564A (ja) | 2019-03-04 | 2022-04-25 | アイオーカレンツ, インコーポレイテッド | 機械学習を使用するデータ圧縮および通信 |
JP2022532018A (ja) * | 2019-04-05 | 2022-07-13 | ディッケル マホ ゼーバッハ ゲーエムベーハー | 数値制御された工作機械の熱的に誘発された位置変化を補償するための方法および装置 |
WO2021010263A1 (ja) * | 2019-07-12 | 2021-01-21 | 株式会社NejiLaw | 応力監視装置、応力監視システム及び監視システム |
JP7303065B2 (ja) | 2019-08-23 | 2023-07-04 | ファナック株式会社 | 機械学習装置、制御システム及び機械学習方法 |
JP6856162B2 (ja) * | 2019-09-24 | 2021-04-07 | ダイキン工業株式会社 | 制御システム |
DE112021003279T5 (de) * | 2020-06-17 | 2023-04-20 | Fanuc Corporation | Informationsverarbeitungsvorrichtung, Steuervorrichtung und ein Optimierungsverfahren |
JP2022007131A (ja) * | 2020-06-25 | 2022-01-13 | オークマ株式会社 | 工作機械の精度診断装置及び精度診断方法 |
DE102020123479A1 (de) | 2020-09-09 | 2022-03-10 | Precitec Gmbh & Co. Kg | Verfahren zur Zustandsüberwachung eines Laserbearbeitungskopfes und Laserbearbeitungssystem zum Durchführen desselben |
JP2022111725A (ja) | 2021-01-20 | 2022-08-01 | オークマ株式会社 | 工作機械の熱変位補正装置及び熱変位補正方法 |
CN113157019A (zh) * | 2021-04-23 | 2021-07-23 | 湖北文理学院 | 一种数控机床主轴伺服电机温度主动控制的方法 |
WO2023238192A1 (ja) * | 2022-06-06 | 2023-12-14 | ファナック株式会社 | 熱変位補正装置及びプログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN116090340B (zh) * | 2022-12-30 | 2023-09-12 | 朗坤智慧科技股份有限公司 | 一种基于数据分析的热工控制时间延迟估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5420810A (en) * | 1992-12-11 | 1995-05-30 | Fujitsu Limited | Adaptive input/output apparatus using selected sample data according to evaluation quantity |
US5561741A (en) * | 1994-07-22 | 1996-10-01 | Unisys Corporation | Method of enhancing the performance of a neural network |
US20020004688A1 (en) * | 2000-07-06 | 2002-01-10 | Fujitsu Limited | Method of correcting thermal displacement of machine tool |
JP2003094291A (ja) * | 2001-09-27 | 2003-04-03 | Kanto Seiki Kk | 工作機械の熱変形補正方法および装置 |
US20080215178A1 (en) * | 2007-01-29 | 2008-09-04 | Okuma Corporation | Method for estimating thermal displacement in machine tool |
JP2011056655A (ja) * | 2009-08-10 | 2011-03-24 | Tottori Univ | 工作機械、その工作機械の熱流入量および温度分布を近似する方法ならびにその方法のためのプログラム |
CN102521656A (zh) * | 2011-12-29 | 2012-06-27 | 北京工商大学 | 非平衡样本分类的集成迁移学习方法 |
CN103559508A (zh) * | 2013-11-05 | 2014-02-05 | 福建省视通光电网络有限公司 | 一种基于连续型Adaboost视频车辆检测方法 |
CN104359556A (zh) * | 2014-11-14 | 2015-02-18 | 武汉大学 | 一种用于宽带光谱成像系统的最优化训练样本选择方法 |
US20160076970A1 (en) * | 2014-09-17 | 2016-03-17 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS601211B2 (ja) | 1981-07-17 | 1985-01-12 | 株式会社古川製作所 | 真空包装装置 |
JPH068107A (ja) * | 1992-06-29 | 1994-01-18 | Hitachi Seiko Ltd | 工作機械における熱変位補正方法 |
JPH0775937A (ja) * | 1993-09-07 | 1995-03-20 | Sodick Co Ltd | 工作機械及びその制御方法 |
JPH08141883A (ja) * | 1994-11-24 | 1996-06-04 | Toyoda Mach Works Ltd | 工作機械の熱変位補正方法 |
JPH08300242A (ja) | 1995-05-07 | 1996-11-19 | Hitachi Seiki Co Ltd | 工作機械の熱変位補正方法及びその装置 |
JPH11114776A (ja) | 1997-10-13 | 1999-04-27 | Niigata Eng Co Ltd | 工作機械の熱変位補正装置 |
JP4488564B2 (ja) | 1999-11-17 | 2010-06-23 | 関東精機株式会社 | 工作機械の熱変形抑制方法および温度制御装置 |
JP2002086329A (ja) * | 2000-09-13 | 2002-03-26 | Mori Seiki Co Ltd | 工作機械の熱変位補正量算出方法及び熱変位補正量算出装置 |
DE10085406T1 (de) * | 2000-12-14 | 2003-08-07 | Mitsubishi Electric Corp | Numerisches Steuerungssystem und Wellensteuerungsverfahren in numerischem Steuerungssystem |
JP2003004291A (ja) | 2001-06-20 | 2003-01-08 | Fujitsu General Ltd | 空気調和機 |
JP2004154907A (ja) | 2002-11-07 | 2004-06-03 | Toshiba Mach Co Ltd | 多軸工作機械の熱変位補正方法および装置 |
JP4242760B2 (ja) * | 2003-12-25 | 2009-03-25 | オークマ株式会社 | 工作機械の熱変位補正方法 |
JP4299761B2 (ja) * | 2004-10-22 | 2009-07-22 | ヤマザキマザック株式会社 | 工作機械の熱変位補正方法及び熱変位補正装置 |
JP2010120150A (ja) | 2008-11-22 | 2010-06-03 | Mori Seiki Co Ltd | 工作機械の熱変形補正のための推定方法 |
JP4917665B1 (ja) * | 2010-11-11 | 2012-04-18 | ファナック株式会社 | 工作機械の熱変位補正方法及び熱変位補正装置 |
JP5568005B2 (ja) * | 2010-12-28 | 2014-08-06 | オークマ株式会社 | 工作機械の熱変位補正装置及び方法 |
CN103391827B (zh) * | 2011-02-24 | 2016-01-20 | 三菱电机株式会社 | 放电加工装置及放电加工系统 |
JP5502912B2 (ja) * | 2012-01-19 | 2014-05-28 | ファナック株式会社 | 工作機械の熱変位補正装置 |
CN103926874B (zh) | 2013-12-03 | 2016-05-25 | 江苏齐航数控机床有限责任公司 | 数控机床热误差补偿建模温度测点组合的选择优化方法 |
JP6267041B2 (ja) * | 2014-03-31 | 2018-01-24 | ファナック株式会社 | 工作機械の熱変位補正装置 |
JP5956497B2 (ja) | 2014-04-08 | 2016-07-27 | ファナック株式会社 | 機械の熱変位補正装置 |
JP5837148B1 (ja) * | 2014-06-18 | 2015-12-24 | ファナック株式会社 | 工作機械の熱変位補正装置 |
CN106488828B (zh) | 2014-10-29 | 2017-12-29 | 山崎马扎克公司 | 具备热位移修正量设定变更装置的机床 |
JP6438366B2 (ja) * | 2015-08-28 | 2018-12-12 | ファナック株式会社 | 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた制御装置および電動機装置 |
JP6464203B2 (ja) * | 2017-01-10 | 2019-02-06 | ファナック株式会社 | 工作機械の機械学習装置および熱変位補正装置 |
-
2017
- 2017-03-21 JP JP2017054266A patent/JP6564412B2/ja active Active
-
2018
- 2018-03-16 CN CN201810219204.2A patent/CN108629419B/zh active Active
- 2018-03-16 US US15/923,534 patent/US11650565B2/en active Active
- 2018-03-19 DE DE102018204137.7A patent/DE102018204137B4/de active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5420810A (en) * | 1992-12-11 | 1995-05-30 | Fujitsu Limited | Adaptive input/output apparatus using selected sample data according to evaluation quantity |
US5561741A (en) * | 1994-07-22 | 1996-10-01 | Unisys Corporation | Method of enhancing the performance of a neural network |
US20020004688A1 (en) * | 2000-07-06 | 2002-01-10 | Fujitsu Limited | Method of correcting thermal displacement of machine tool |
JP2003094291A (ja) * | 2001-09-27 | 2003-04-03 | Kanto Seiki Kk | 工作機械の熱変形補正方法および装置 |
US20080215178A1 (en) * | 2007-01-29 | 2008-09-04 | Okuma Corporation | Method for estimating thermal displacement in machine tool |
JP2011056655A (ja) * | 2009-08-10 | 2011-03-24 | Tottori Univ | 工作機械、その工作機械の熱流入量および温度分布を近似する方法ならびにその方法のためのプログラム |
CN102521656A (zh) * | 2011-12-29 | 2012-06-27 | 北京工商大学 | 非平衡样本分类的集成迁移学习方法 |
CN103559508A (zh) * | 2013-11-05 | 2014-02-05 | 福建省视通光电网络有限公司 | 一种基于连续型Adaboost视频车辆检测方法 |
US20160076970A1 (en) * | 2014-09-17 | 2016-03-17 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
CN104359556A (zh) * | 2014-11-14 | 2015-02-18 | 武汉大学 | 一种用于宽带光谱成像系统的最优化训练样本选择方法 |
Non-Patent Citations (3)
Title |
---|
JULIO ISIDRO 等: "Training set optimization under population structure in genomic selection" * |
唐春霞: "硅锰铁合金埋弧炉供电系统建模分析与工艺指标预测" * |
崔良玉: "高速电主轴热误差测试与建模方法" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112912803A (zh) * | 2018-10-31 | 2021-06-04 | 三菱电机株式会社 | 数控装置、学习装置及学习方法 |
CN111310930A (zh) * | 2018-12-11 | 2020-06-19 | 富士通株式会社 | 优化装置、优化方法和非暂态计算机可读存储介质 |
CN111310930B (zh) * | 2018-12-11 | 2023-07-21 | 富士通株式会社 | 优化装置、优化方法和非暂态计算机可读存储介质 |
CN113168157A (zh) * | 2018-12-13 | 2021-07-23 | 三菱电机株式会社 | 机器学习装置、加工程序生成装置及机器学习方法 |
CN111452021A (zh) * | 2019-01-22 | 2020-07-28 | 发那科株式会社 | 机器人装置及热位移量推定装置 |
CN113366394A (zh) * | 2019-03-11 | 2021-09-07 | 株式会社日立制作所 | 实时控制器及使用该实时控制器的分散控制系统、工业机械 |
CN113366394B (zh) * | 2019-03-11 | 2023-10-10 | 株式会社日立制作所 | 实时控制器及使用该实时控制器的分散控制系统、工业机械 |
Also Published As
Publication number | Publication date |
---|---|
DE102018204137A1 (de) | 2018-09-27 |
US20180275629A1 (en) | 2018-09-27 |
JP6564412B2 (ja) | 2019-08-21 |
JP2018153901A (ja) | 2018-10-04 |
CN108629419B (zh) | 2023-07-14 |
US11650565B2 (en) | 2023-05-16 |
DE102018204137B4 (de) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629419A (zh) | 机器学习装置以及热位移修正装置 | |
CN108628256B (zh) | 机械学习装置以及热位移修正装置 | |
CN108287525B (zh) | 机床的机器学习装置以及热位移修正装置 | |
US10852710B2 (en) | Thermal displacement compensation apparatus | |
US7463945B2 (en) | Electronic fingerprints for machine control and production machines | |
US20170277174A1 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
KR20180103002A (ko) | 마무리 가공량 예측 장치 및 기계 학습 장치 | |
CN109839915A (zh) | 诊断装置、诊断方法及存储介质 | |
CN108475052A (zh) | 诊断设备、计算机程序和诊断系统 | |
US10444731B2 (en) | Controller and machine learning device | |
JP7119337B2 (ja) | 工具寿命予測装置 | |
CN110501972B (zh) | 热位移校正装置 | |
CN109085797A (zh) | 生成计算机数字控制机床偏移而不受周期时间影响的方法 | |
JP2021057030A (ja) | 制御システム | |
US20190033820A1 (en) | Numerical controller | |
CN113785250A (zh) | 校准方法以及获得工件信息的方法 | |
JP6882364B2 (ja) | 機械学習装置及び熱変位補正装置 | |
JP5312475B2 (ja) | 機械装置のエネルギ消費量の分析方法および機械装置 | |
JP6952212B1 (ja) | 機械学習装置 | |
CN116391159A (zh) | 用于批量生产的产品的质量控制 | |
KR20180054354A (ko) | 공작기계의 진동 적응제어방법 | |
CN115702060A (zh) | 信息处理装置、控制装置及优化方法 | |
CN114841058A (zh) | 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质 | |
CN115563999A (zh) | 传感器组件和用于运行传感器组件的方法 | |
JP2022023390A (ja) | 検査システム、検査方法、及び検査プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |