CN112912803A - 数控装置、学习装置及学习方法 - Google Patents

Abstract

本发明所涉及的数控装置(1)具有：数据收集部(11)，其基于表示工作机械(2)的运转动作的内容的运转数据，决定在工作机械(2)的温度和工作机械(2)的位移量之间的关系的学习中所使用的学习用数据的时间长度即第1时间长度，基于决定出的第1时间长度，生成包含表示工作机械(2)的温度的温度数据、表示工作机械(2)的位移的位移数据和运转数据在内的学习用数据；以及学习部(12)，其使用学习用数据，对工作机械(2)的温度和工作机械(2)的位移量之间的关系进行学习而生成学习模型。

Description

数控装置、学习装置及学习方法

技术领域

本发明涉及对工作机械的热位移量进行推定的数控装置、学习装置及学习方法。

背景技术

工作机械是通过使用刀具对工件赋予力或者能量而进行去除加工、折弯加工的加工的加工装置。工作机械通常具有多个驱动轴。驱动轴例如是由电动机和与电动机连接的大于或等于1个构件构成的。工作机械具有：主轴，其是用于使刀具或者工件进行旋转的驱动轴；以及进给轴，其是进行刀具和工件的相对位置的定位的驱动轴。工作机械的各驱动轴由数控装置进行控制。数控装置将刀具相对于工件的相对位置指定给驱动轴，驱动轴基于指令进行动作，由此刀具和工件接触而实现加工。

另一方面，如果由于在工作机械的内外存在的热源使工作机械引起热变形，则在刀具和工件之间会发生热位移。热位移是指由于工作机械的温度变化而产生的机械位置的误差。作为向工作机械赋予温度变化的代表性的主要原因的例子，举出工作机械的周围温度的变化和电动机的发热。由于这些主要原因，如果以支柱及主轴头为代表的构件的温度分布变得不一致，则构件会发生畸变，因此工作机械的平行度及直角度降低。另外，主轴、滚珠丝杠等由于温度变化而伸长，由此发生热位移。

热位移成为加工误差的主要原因。作为用于对工作机械的热位移进行抑制的对策例，具有下述对策，即，将工作机械设置于恒温室，或在工作机械具有冷却装置，以使得不对工作机械赋予温度变化。通过进行这些对策，从而能够与工作机械的内外的状况无关而使工作机械的温度保持恒定，但存在下述问题，即，为了工作机械而准备恒温室，或在存在需要通过冷却装置进行冷却的构件的情况下，无法防止由通过冷却装置冷却的构件的热变形引起的热位移。

作为用于对工作机械的热位移进行抑制的其他对策，存在预先以热位移量对由数控装置生成的指令值进行校正的方法。在该方法中，具有下述优点，即，通过使用工作机械的运转数据、传感器数据等求出将热位移抵消的校正量而与指令值相加，从而不受工作机械的设置环境及机械构造的限制，能够减小由热位移引起的加工误差。

在专利文献1中提出了下述技术，即，对表示工作机械的动作状态数据和热位移量之间的关系的计算式进行学习，使用该计算式和动作状态数据对热位移量进行计算，使用计算出的热位移量对工作机械的机械位置进行校正。在专利文献1的方法中，反复学习各种动作状态的计算式，将以采样时间单位推定出的热位移量在规定期间内进行合计，由此计算出热位移量。

专利文献1：日本特开2018－111145号公报

发明内容

但是，在专利文献1所记载的方法中，没有与工作机械的运转动作同步，而是始终将以一定的期间为单位的动作状态数据设为学习用数据，因此如果在1个学习用数据中存在热位移量的时间变化的倾向不同的数据，则学习无法正确地进行。例如，如果决定热位移量的条件改变，则对热位移赋予影响的工作机械内外的温度变化的倾向也改变。下面，将对热位移赋予影响的工作机械内外的温度变化的倾向称为热倾向。成为热倾向的变化的主要原因的条件变化的具体例，是电动机从旋转状态向静止状态变化的情况、用于冷却的冷却液从喷出状态向停止状态变化的情况等。在如上所述条件的变化发生的状况下，在工作机械的机械要素中发生的热倾向也变化。在使用热倾向正在变化的期间内的、与该期间相比期间短的多个学习用数据的情况下，无法根据这些学习用数据对热倾向变化的期间整体的计算式进行学习。因此，在专利文献1所记载的方法中，求出使用如上所述的学习用数据而求出热位移量的计算式，因此存在无法高精度地学习温度和热位移量之间的关系这样的问题。

本发明就是鉴于上述情况而提出的，其目的在于，得到能够高精度地学习温度和热位移量之间的关系的数控装置。

为了解决上述的课题，达到目的，本发明所涉及的数控装置对工作机械进行控制，该数控装置具有数据生成部，其基于表示工作机械的运转动作的内容的运转数据而决定在工作机械的温度和工作机械的热位移量之间的关系的学习中所使用的学习用数据的时间长度即第1时间长度，基于决定出的第1时间长度，生成包含表示工作机械的温度的温度数据、表示工作机械的位移的位移数据和运转数据在内的学习用数据。数控装置还具有学习部，其使用学习用数据，对工作机械的温度和工作机械的热位移量之间的关系进行学习而生成学习模型。

发明的效果

本发明所涉及的数控装置具有下述效果，即，能够高精度地学习温度和热位移量之间的关系。

附图说明

图1是表示本发明所涉及的数控装置的实施方式的结构例的框图。

图2是表示工作机械的结构例的图。

图3是表示处理电路的结构例的图。

图4是表示对工作机械的热倾向赋予影响的代表性的机械要素的状态的变化的图。

图5是表示对从时刻t1至时刻t2为止的时间宽度Tw1的区间的温度数据进行重新采样的例子的图。

图6是表示对从时刻t2至时刻t3为止的时间宽度Tw2的区间的温度数据进行重新采样的例子的图。

图7是神经网络的模型图。

图8是表示数控装置中的学习处理顺序的一个例子的流程图。

图9是表示数控装置中的热位移量的推定处理顺序的一个例子的流程图。

具体实施方式

下面，基于附图对本发明的实施方式所涉及的数控装置、学习装置及学习方法详细地进行说明。此外，本发明不受本实施方式限定。

实施方式.

图1是表示本发明所涉及的数控装置的实施方式的结构例的框图。本实施方式的数控装置1能够与工作机械2连接。在图1中，示出了数控装置1与工作机械2连接的状态。数控装置1基于加工程序3对工作机械2进行控制。加工程序3是为了使工作机械2执行期望的运转而对数控装置1赋予的一系列的命令文。在图1中图示出加工程序3从数控装置1的外部被赋予的例子，但并不限定于此，加工程序也可以保存于数控装置1的内部。

图2是表示工作机械2的结构例的图。下面，在本实施方式中，对工作机械2是进行切削加工的加工装置的例子进行说明，但应用本实施方式的学习方法的工作机械2并不限定于进行切削加工的加工装置，工作机械2的驱动轴的数量也并不限定于图2所示的例子。

工作机械2具有主轴21、进给轴22－1～22－3、冷却液装置27、冷却装置28、温度传感器29和位移传感器30。在工作机械2中，主轴21基于来自数控装置1的指令进行旋转，安装于主轴21的刀具与主轴21的旋转一起进行旋转，由此对在未图示的工作台上固定的工件进行切削加工。进给轴22－1～22－3基于来自数控装置1的指令进行动作，以使得刀具和工件的相对位置成为指定的位置。

主轴21具有大于或等于1个构件即机构要素23和主轴电动机24。机构要素23例如为齿轮、轴、工具系统等。进给轴22－1具有进给轴机构25－1和进给轴电动机26－1。进给轴22－2具有进给轴机构25－2和进给轴电动机26－2。进给轴22－3具有进给轴机构25－3和进给轴电动机26－3。下面，将进给轴22－1～22－3各自在不单独区分时记载为进给轴22，将进给轴机构25－1～25－3各自在不单独区分时记载为进给轴机构25，将进给轴电动机26－1～26－3各自在不单独区分时记载为进给轴电动机26。进给轴机构25例如是联接器、滚珠丝杠、工作台。

进给轴22－1是确定X轴方向的位置的驱动轴，进给轴22－2是确定Y轴方向的位置的驱动轴，进给轴22－3是确定Z轴方向的位置的驱动轴。关于X轴、Y轴、Z轴的定义，例如使刀具轴向与Z轴一致，将与刀具轴向垂直的平面内的刀具行进方向设为X轴，将与X轴和Z轴分别垂直的方向设为Y轴。

冷却装置28对主轴电动机24、进给轴电动机26－1～26－3、机构要素23及进给轴机构25－1～25－3之中的至少一部分进行冷却。冷却液装置27对加工部进行冷却。加工部是由刀具对工件进行加工的工作机械2内的加工区域。

温度传感器29周期性地对工作机械2的温度进行检测，将表示检测出的温度的温度数据输出至数控装置1。将温度传感器29的数据的检测周期称为温度检测周期。在图2中，将温度传感器29图示出1个，但通常温度传感器29为多个，设置于工作机械内外的多个部位。成为温度传感器29的温度的检测对象的部位，例如是将主轴电动机24、进给轴电动机26－1～26－3、机构要素23及进给轴机构25－1～25－3构成的大于或等于1个构件、冷却液装置27的未图示的罐、工作机械2的周围等。在温度传感器29的温度的检测对象是工作机械2的周围等情况下，由温度传感器29进行检测的温度不是工作机械2的构件本身的温度，但在本说明书中，也包含如上所述的情况而称为工作机械2的温度。具体地说，成为温度传感器29的温度的检测对象的部位例如是工作台、底座、支柱、主轴头等。温度传感器29可以相对于1个构件而设置有多个。

位移传感器30对在工作机械2的加工部内的刀具和工件之间产生的位移量进行检测，将检测结果作为热位移数据而输出至数控装置1。位移传感器30是能够检测至少1个轴向的位移的传感器。也可以构成为设置多个位移传感器30，对多个轴向的位移进行检测。

另外，在工作机械2设置有对工作机械2的运转状态进行检测的未图示的大于或等于1个传感器，传感器将工作机械2的运转状态的检测结果作为运转状态数据而向数控装置1输出。运转状态数据是包含主轴电动机24及进给轴电动机26－1～26－3的各电动机的位置及速度及电流之中的至少1个在内的信息。

在这里，对温度和热位移之间的关系进行叙述。热位移量是指由于工作机械2的内外的温度变化的影响而使工作机械2的构件畸变或伸长，由此在刀具和工件之间产生的位移量。作为对工作机械2赋予温度变化的主要原因，举出由工作机械2的各电动机的驱动引起的发热、工作机械2的各驱动轴的摩擦热、通过冷却液装置27进行的冷却、通过切削产生的切削热、通过冷却装置28进行的冷却、周围温度等。

本实施方式的数控装置1针对对工作机械2进行控制的控制指令而推定工作机械2的热位移量，将通过加上使推定出的热位移量抵消的校正量而对热位移量进行校正后的指令即运转动作指令输出至工作机械2。如果热位移量无法高精度地推定，则数控装置1针对指令的校正精度也降低，会产生加工误差。本实施方式的数控装置1以后面记述的运转动作单位生成学习用数据而进行与热位移量相关的学习，以使得能够高精度地推定热位移量。运转动作单位是表示工作机械2的热倾向恒定的时间区间。关于运转动作单位的详细内容在后面记述。下面，对本实施方式的数控装置1的结构及动作进行说明。

如图1所示，数控装置1具有数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16。

数据生成部即数据收集部11基于运转数据而决定在工作机械2的温度和工作机械2的热位移量之间的关系的学习中使用的学习用数据的时间长度即第1时间长度，基于第1时间长度而生成包含温度数据、位移数据和运转数据在内的学习用数据。运转数据是表示工作机械2的运转动作的内容的数据，是包含加工程序3的解析结果、运转状态数据和控制指令在内的信息。详细地说，数据收集部11接收从工作机械2的温度传感器29输出的温度数据、以及从工作机械2的位移传感器30输出的热位移数据。另外，数据收集部11从控制部13接收运转数据。控制指令是用于通过工作机械2的各电动机使刀具和工件进行期望的动作的指令。加工程序3的解析结果是表示主轴电动机24的旋转速度即转速、以进给轴电动机26的速度为代表的工作机械2的运转动作的信息。具体地说，在解析结果中，例如包含表示向主轴21的转速指令(旋转速度指令)、向进给轴22的位置指令、向进给轴22的速度指令、刀具编号、冷却液的射出指令、及冷却液的停止指令之中的至少1个的信息。

并且，数据收集部11使用温度数据、热位移数据及运转数据而生成学习用数据，将学习用数据向学习部12输出。详细地说，数据收集部11使用运转数据的信息，将温度数据及热位移数据以运转动作单位进行分割而生成分割数据，通过以时间宽度不同的分割数据内的采样个数成为一定的采样个数的方式进行重新采样，从而生成学习用数据。重新采样的详细内容在后面记述。在这里，向数据收集部11输入各数据的周期全部相同，与向数据收集部11输入的各数据相对应的时刻设为以该周期为单位而全部相等。因此，数据收集部11对运转数据进行监视，在运转数据中存在满足后面记述的运转动作单位的分隔条件的变化的情况下，将该变化点设为学习用数据的最后，将其下一个输入的温度数据、热位移数据及运转数据设为下一个学习用数据的最初。或者，数据收集部11也可以将温度数据、热位移数据及运转数据与时刻一起进行保存。该时刻是在温度数据、热位移数据及运转数据的各数据附带有时刻的情况下附在数据中的时刻，在数据中没有附带时刻的情况下设为是由数据收集部11接收到数据的时刻。

学习部12使用从数据收集部11接收到的学习用数据，对工作机械2的温度和工作机械2的热位移量之间的关系进行学习而生成学习模型，将生成的学习模型向热位移推定部15输出。控制部13对在加工程序3中记述的指令进行解析。另外，控制部13从工作机械2接收运转状态数据，基于运转状态数据和在加工程序3中记述的指令，生成用于使主轴电动机24及进给轴电动机26－1～26－3各自进行与在加工程序3中记述的指令相对应的动作的控制指令。与主轴电动机24及进给轴电动机26－1～26－3的各电动机的动作相关的控制指令的生成方法能够使用通常的方法，因此省略详细的说明。控制部13将生成的控制指令向热位移校正部16输出。另外，控制部13将包含加工程序3的解析结果、运转状态数据和控制指令在内的信息即运转数据向数据收集部11及数据选择部14输出。

数据选择部14基于运转数据而决定在热位移的推定中使用的推定用数据的时间长度即第2时间长度，基于决定出的第2时间长度而生成包含温度数据和运转数据在内的推定用数据。详细地说，数据选择部14从工作机械2的温度传感器29接收并取得温度数据。并且，数据收集部11从控制部13取得运转数据。数据选择部14在从运转数据进行解析的运转动作单位的区间将温度数据在时间上进行分割，将分割后的温度数据作为推定用数据而输出至热位移推定部15。此时，数据选择部14与数据收集部11同样地，通过以时间宽度不同的分割数据内的采样个数成为一定的采样个数的方式进行重新采样，从而生成推定用数据。

热位移推定部15使用由学习部12生成的学习模型和从数据选择部14接收到的推定用数据，对在工作机械2中产生的热位移量进行推定。具体地说，热位移推定部15向表示由学习部12生成的学习模型的计算式输入从数据选择部14输入的推定用数据，由此计算热位移量。另外，热位移推定部15针对计算出的热位移量而进行与由数据选择部14进行的重新采样相反的处理，由此使热位移推定部15中的热位移量的输出周期与温度传感器29的温度检测周期相匹配，将与重新采样相反的处理后的热位移量向热位移校正部16输出。

热位移校正部16通过根据由热位移推定部15推定出的热位移量而计算出的校正量对向工作机械2的控制指令进行校正。详细地说，热位移校正部16针对由控制部13生成的控制指令，加上将由热位移推定部15推定出的热位移量抵消的校正量，将加上校正量而得到的控制指令作为运转动作指令输出至工作机械2。具体地说，热位移校正部16针对控制指令所包含的各轴方向的位置指令，将使由热位移推定部15推定出的各轴方向的热位移量乘以－1而得到的值作为校正量进行相加。作为另一例，还举出下述例子，即，对针对由热位移推定部15推定出的各轴方向的热位移量乘以预先在热位移校正部16中设定的负的系数而得到的值进行计算而作为校正量。并且，作为其他例子，还举出下述例子，即，基于预先在热位移校正部16中设定的对应表，对与推定出的热位移量相对应的校正量进行计算。

接下来，对数控装置1的硬件结构进行说明。图1所示的数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16是通过处理电路实现的。处理电路可以是具有处理器的电路，也可以是专用硬件。

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3所示的结构的处理电路。图3是表示处理电路的结构例的图。处理电路200具有处理器201及存储器202。在数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16通过图3所示的处理电路200实现的情况下，处理器201将在存储器202中储存的程序读出并执行，由此将它们实现。即，在数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16通过图3所示的处理电路200实现的情况下，它们的功能是使用作为软件的程序而实现的。存储器202还被用作处理器201的作业区域。处理器201是CPU(Central Processing Unit)等。存储器202例如相当于RAM(Random Access Memory)、ROM(Read Only Memory)、闪存等非易失性或者易失性的半导体存储器、磁盘等。

在实现数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16的处理电路是专用硬件的情况下，处理电路例如是FPGA(FieldProgrammable Gate Array)、ASIC(Application Specific Integrated Circuit)。此外，数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16也可以将具有处理器的处理电路及专用硬件进行组合而实现。数据收集部11、学习部12、控制部13、数据选择部14、热位移推定部15及热位移校正部16也可以通过多个处理电路而实现。

接下来，对本实施方式的数控装置1的动作进行说明。首先，对运转动作单位进行说明。图4是表示对工作机械2的热倾向赋予影响的代表性的机械要素的状态的变化的图。在图4中示出了工作机械2的结构要素即主轴21、进给轴22、冷却液装置27及冷却装置28各自的运行状态和程序运转状态的时间上的推移的例子。图4的横轴表示时间。程序运转状态示出了程序是否正在运转。程序运转是指在通过数控装置1进行的按照加工程序3的控制下工作机械2进行动作。在切削加工中，例如按照下述流程进行作业，即，进行用于使工作机械2进行某种加工的程序运转，如果该程序运转结束，则由作业者进行工件的换装等作业，然后进行用于下一个加工的程序运转。

在图4所示的例子中，在从时刻t1至时刻t3的期间，在主轴21装载有刀具#1，主轴电动机24以每一分钟旋转1000周的旋转速度进行旋转。在图4中，如“S1000”那样，通过S和数字表示的字符示出了主轴电动机24的旋转速度，S表示是主轴电动机24，紧接在S之后的数值表示旋转速度。在图4中，旋转速度是通过每一分钟的旋转次数即转速表示的。在从时刻t1至时刻t3之间，主轴21的轴由于主轴电动机24的发热及主轴21的轴承的摩擦热而伸长。

在从时刻t3至时刻t4的期间，主轴电动机24处于静止状态，因此主轴21本身不发热。在从时刻t4至时刻t7为止的期间，在主轴21装载有刀具#2，以每一分钟旋转3000周的旋转速度进行旋转。在时刻t3至t4的期间由于主轴21也发热，因此发生热位移，但由于是与从时刻t1至时刻t3不同的刀具及不同的旋转速度，因此发热的倾向与从时刻t1至时刻t3为止的期间不同。如上所述，可知主轴21的热倾向不一定是恒定的，根据装载的刀具、转速等而不同。

与主轴21同样地，在进给轴22、冷却液装置27及冷却装置28中也发生运转状态的变化，因此与运转动作相应地，热倾向不同。例如，在进给轴22中，在从时刻t1至时刻t2的期间，进给轴电动机26以每一分钟旋转100周的旋转速度进行旋转，在从时刻t2至时刻t3的期间，进给轴电动机26以每一分钟旋转200周的旋转速度进行旋转。在图4中，如“F100”那样，通过F和数字表示的字符示出了进给轴电动机26的旋转速度，F表示是进给轴电动机26，接近在F之后的数值表示旋转速度。在进给轴22中，在从时刻t1至时刻t2的期间和从时刻t2至时刻t3的期间中，由于进给轴电动机26的旋转速度不同，因此发热量不同。另外，根据冷却液装置27是否正在喷出冷却液，由冷却液冷却的部分及其周边的温度会发生变化。根据冷却装置28是否正在运行，由冷却装置28冷却的部分及其周边的温度也会发生变化。

并且，在时刻t7以后程序运转结束，因此有可能进行加工部的门的开闭、工件的换装这样的换产调整，工作机械2的热环境与程序正在运转时不同。根据以上所述，在工作机械2产生的热位移的倾向针对从时刻t1至时刻t2为止的区间、从时刻t2至时刻t3为止的区间、···、时刻t7以后的程序运转停止中的区间而不同。

在本实施方式中，如从时刻t1至时刻t2为止的区间、从时刻t2至时刻t3为止的区间、···、时刻t7以后的程序运转停止中的区间等那样，将工作机械2的运转动作不同的各区间定义为运转动作单位。本实施方式的数控装置1的数据收集部11基于从控制部13接收到的运转数据，决定成为运转动作单位的区间。详细地说，根据运转数据而求出在运转动作的内容中存在变化的时刻，将该时刻作为分隔而决定成为运转动作单位的区间。即，学习用数据的时间长度即第1时间长度，是将工作机械2所包含的机械要素内的至少1个机械要素的动作状态发生变化的定时作为分隔而决定的。而且，数据收集部11将温度数据、热位移数据及运转数据通过成为运转动作单位的区间单位进行分割。

在运转数据中，如前述所示，包含加工程序3的解析结果、运转状态数据及控制指令。一般来说，关于主轴电动机24的旋转速度及进给轴电动机26的旋转速度，由于包含于加工程序3的解析结果、控制指令及运转状态数据的任意者，因此数据收集部11能够基于加工程序3的解析结果、控制指令及运转状态数据的任意者而求出主轴电动机24的旋转速度及进给轴电动机26的旋转速度。表示冷却液装置27及冷却装置28是否正在运行的信息包含于运转状态数据。或者，在由数控装置1对这些装置进行控制的情况下，在控制指令中也包含与它们的运行状态相关的指令，因此数据收集部11也可以根据控制指令而掌握冷却液装置27及冷却装置28的运行状态。此外，为了进行学习，各电动机、冷却液装置27及冷却装置28的动作的状态也包含于控制指令，作为控制的结果而包含于运转状态数据。可以将指令和结果的任意者用于学习，但通过在工作机械2的运转状态数据的基础上对其指令值也一并进行学习，从而能够期待生成性能更高的学习模型。

此外，在图4中示出了针对工作机械2的结构要素的每个种类的状态变化，但通常工作机械2具有多个进给轴22。另外，有时与工作机械2的机械要素的数量相应地具有多台冷却装置28。在如上所述的情况下，在各个结构要素的状态发生了变化的定时，能够将各数据分割为运转动作单位。

以区间单位分割后的数据，作为第1时间长度的区间的长度即时间宽度不是恒定的。例如，在图4所示的例子中，从时刻t1至时刻t2为止的时间宽度Tw1和从时刻t2至时刻t3为止的时间宽度Tw2不同。在区间的时间宽度不恒定的情况下，各区间所包含的数据的采样个数也不恒定。如果针对每个区间的采样个数不同，则学习部12中的学习的处理变得繁琐。

因此，在本实施方式中，数据收集部11如图5、6所示，以与各区间相对应的学习用数据成为相同的采样个数的方式，对以区间单位分割后的温度数据及热位移数据进行重新采样，生成学习用数据。即，数据收集部11以构成学习用数据的数据的采样个数在学习用数据间成为相同的方式，对温度数据及位移数据进行重新采样，生成学习用数据。图5示出了对从时刻t1至时刻t2为止的时间宽度Tw1的区间的温度数据进行了重新采样的例子，图6示出了对从时刻t2至时刻t3为止的时间宽度Tw2的区间的温度数据进行了重新采样的例子。图5所示的从时刻t1至时刻t2为止的区间的采样个数为L1，图6所示的从时刻t2至时刻t3为止的区间的采样个数为L2。温度数据是以一定周期进行温度检测，因此时间宽度越长的区间，则该区间所包含的温度数据的采样个数变得越多。如图4至图6所示那样，时间宽度Tw2比时间宽度Tw1长，因此L2是大于L1的值。

数据收集部11如图5、6所示，以从时刻t1至时刻t2为止的区间的采样个数和从时刻t2至时刻t3为止的区间的采样个数都成为L的方式，进行重新采样。此外，重新采样的方法能够使用通常的方法，重新采样的方法并没有特别限制。数据收集部11与温度数据同样地也对热位移数据进行重新采样。数据收集部11关于运转数据也可以进行重新采样，但运转数据用于针对运转动作的各个内容对温度数据及热位移数据进行判别，因此只要以运转动作单位存在数据即可，无需进行重新采样。

接下来，说明通过学习部12进行的学习。学习部12使用从数据收集部11接收到的学习用数据，生成与热位移量相关的学习模型。学习模型例如是以下的式(1)所示的数学多项式。

[式1]

在式(1)中，N为温度传感器29的数量，L为1个学习用数据内的采样个数，d_x、d_y、d_z分别是X、Y、Z轴方向的热位移量。另外，j是以采样点单位将时刻离散化而通过编号表示的，T_i，j表示时刻j的第i个温度传感器29的温度数据，a_i、b_i、c_i、C₁、C₂、C₃是模型参数。i表示用于对温度传感器29进行识别的温度传感器29的编号。

学习部12使用学习用数据对上述式(1)内的模型参数进行辨识。作为模型参数的辨识的方法，能够使用最小二乘法等公知的辨识方法。学习部12以运转数据内的决定运转动作单位的数据的值相同的数据处于相同的组的方式进行分组，针对每个组使用对应的学习用数据对模型参数进行辨识，由此能够针对运转动作的各个内容而构建学习模型。此外，作为学习模型的数学多项式并不限定于上述(1)，也可以是其他算式。

作为学习方法的其他例，存在机械学习方法的一种即使用神经网络的方法。在使用神经网络的情况下，不针对运转动作的各个内容而构建学习模型，与运转动作的内容无关地，能够通过单一的学习模型而表现温度数据和热位移数据之间的关系。图7是神经网络的模型图。在图7中，示出了由将温度数据设为输入的输入层、将热位移数据进行输出的输出层、和从输入层向输出层传输信号的大于或等于1层的中间层构成的网络构造。各层所包含的节点的输入输出关系通过下面的式(2)表示。

[式2]

在式(2)中，x_m，k表示从第m个节点向第k个节点输入的信号，y_k表示从第k个节点输出的信号。另外，w_m，k是第m个节点和第k个节点的加权系数，b_k是第k个节点的偏差，f表示激活函数。在激活函数f中例如能够使用S形函数或者归一化线性函数。图7所示的神经网络通过使用误差反向传播法的学习法，从而能够对学习用数据所包含的温度数据和热位移量之间的关系进行学习。此外，在这里，对图7所示那样的使用多层感知器型的神经网络的学习模型进行了叙述，但也可以使用卷积神经网络。作为其他例子，也可以使用再生神经网络。

接下来，对数控装置1的学习处理和热位移的校正处理进行说明。图8是表示数控装置1中的学习处理顺序的一个例子的流程图。数控装置1的数据收集部11对温度数据、热位移数据和运转数据进行收集，生成学习用数据(步骤S1)。具体地说，数据收集部11从工作机械2取得温度数据及热位移数据，从控制部13取得运转数据。如前述所示，数据收集部11以运转动作单位对各数据进行分割，通过对分割后的温度数据及热位移数据进行重新采样而生成学习用数据。

学习部12根据由数据收集部11生成的学习用数据对温度数据和热位移的数据之间的关系进行学习，生成学习模型(步骤S2)。通过以上的处理，生成对温度数据和热位移的数据之间的关系进行了学习的学习模型。数控装置1通过针对各种运转动作而执行上述的学习动作，从而构建对各种运转动作中的温度数据和热位移数据之间的关系进行了学习的学习模型。

接下来，对热位移的校正处理进行说明。图9是表示数控装置1中的热位移量的推定处理顺序的一个例子的流程图。数控装置1的数据选择部14取得温度数据和运转数据，生成推定用数据(步骤S11)。具体地说，数据选择部14从工作机械2取得温度数据，从控制部13取得运转数据。而且，数据选择部14与数据收集部11同样地，基于运转数据而决定第2时间长度即推定用数据的时间长度。第2时间长度是将工作机械2所包含的机械要素内的至少1个机械要素的动作状态发生变化的定时作为分隔而决定的。数据选择部14以运转动作单位对运转数据及温度数据进行分割，对分割后的温度数据进行重新采样，将重新采样后的数据和分割后的运转数据作为推定用数据而向热位移推定部15输出。即，数据选择部14以构成推定用数据的数据的采样个数在推定用数据间成为相同的方式，对温度数据进行重新采样，生成推定用数据。

热位移推定部15使用推定用数据和学习模型，对热位移量进行推定(步骤S12)。学习模型从学习部12向热位移推定部15输入。热位移推定部15将推定出的热位移量输出至热位移校正部16。热位移推定部15针对计算出的热位移量，进行与由数据选择部14进行的重新采样相反的处理，由此使热位移推定部15中的热位移量的输出周期与温度传感器29的温度检测周期相匹配。在这里，是以温度传感器29的温度检测周期和控制指令的输出周期相同为前提的，热位移推定部15为了使热位移量的输出周期与控制指令的输出周期相匹配，进行了与重新采样相反的处理。

接下来，热位移校正部16针对控制指令而加上将热位移量抵消的校正量(步骤S13)。具体地说，热位移校正部16针对从控制部13接收到的控制指令，加上将热位移量抵消的校正量，将加上校正量而得到的结果作为运转动作指令而输出至工作机械2。通过以上的处理，数控装置1能够针对控制指令而实施对热位移量进行校正的处理。因此，数控装置1能够减小由热位移产生的加工误差。

如以上说明所述，本实施方式的数控装置1通过由数据收集部11将温度数据和热位移数据分割为运转动作单位而生成学习用数据，学习部12根据学习用数据对温度和热位移之间的关系进行学习。并且，本实施方式的数控装置1通过由数据选择部14将温度数据分割为运转动作单位而生成推定用数据，热位移推定部15使用推定用数据和学习模型对热位移量进行推定。因此，能够以运转动作单位生成适于运转动作的内容的精度高的学习模型。即，本实施方式的数控装置1能够高精度地学习温度和热位移量之间的关系，由此，能够高精度地对热位移量进行推定。因此，本实施方式的数控装置1与不考虑运转动作的内容，而是使用将一定的期间作为单位的数据生成学习模型的例子相比，能够使热位移量的推定精度提高。因此，本实施方式的数控装置1能够使用推定精度高的热位移量的推定值对控制指令进行校正，因此能够减小加工误差。

此外，在本实施方式中，关于通过刀具的旋转对工件进行切削的结构的工作机械2进行了叙述，但能够应用本发明的工作机械并不限定于此。例如，如车床那样对刀具进行固定、工件进行旋转的结构的工作机械也能够具有与本实施方式同等的效果。

另外，在本实施方式中，对温度和热位移量之间的关系进行学习，使用检测出的温度和学习模型而推定出热位移量。并不限定于此，也可以在温度的基础上，对各驱动轴的位置及旋转速度之中的至少1个和热位移量之间的关系进行学习，使用温度、各驱动轴的位置及旋转速度之中的至少1个和学习模型而推定热位移量。

另外，在以上的说明中，对温度传感器29及位移传感器30是工作机械2的结构要素的例子进行了说明，但温度传感器29及位移传感器30之中的至少一部分也可以不是工作机械2的结构要素，而是之后设置于工作机械2的传感器。

另外，在以上的说明中，由数控装置1生成学习模型，但也可以构成为独立于数控装置1的其他学习装置具有数据收集部11及学习部12。在该情况下，学习装置从数控装置1接收运转数据，从工作机械2接收温度数据及热位移数据。学习装置内的数据收集部11及学习部12进行与上述的例子相同的动作。学习装置将由学习部12生成的学习模型向数控装置1输出。另外，也可以构成为独立于数控装置1的其他学习装置具有学习部12。在该情况下，向学习装置从数控装置1输入运转数据及学习用数据，学习装置将学习模型向数控装置1输出。

以上的实施方式所示的结构，表示本发明的内容的一个例子，也能够与其他公知技术进行组合，在不脱离本发明的主旨的范围，也能够对结构的一部分进行省略、变更。

标号的说明

1数控装置，2工作机械，3加工程序，11数据收集部，12学习部，13控制部，14数据选择部，15热位移推定部，16热位移校正部，21主轴，22－1～22－3进给轴，23机构要素，24主轴电动机，25－1～25－3进给轴机构，26－1～26－3进给轴电动机，27冷却液装置，28冷却装置，29温度传感器，30位移传感器。

Claims (11)

1.一种数控装置，其对工作机械进行控制，

该数控装置的特征在于，具有：

数据生成部，其基于表示所述工作机械的运转动作的内容的运转数据，决定在所述工作机械的温度和所述工作机械的热位移量之间的关系的学习中所使用的学习用数据的时间长度即第1时间长度，基于决定出的所述第1时间长度，生成包含表示所述工作机械的温度的温度数据、表示所述工作机械的位移的位移数据、和所述运转数据在内的所述学习用数据；以及

学习部，其使用所述学习用数据，对所述工作机械的温度和所述工作机械的热位移量之间的关系进行学习而生成学习模型。

2.根据权利要求1所述的数控装置，其特征在于，具有：

数据选择部，其基于所述运转数据而决定在热位移的推定中使用的推定用数据的时间长度即第2时间长度，基于决定出的所述第2时间长度，生成包含所述温度数据和所述运转数据在内的所述推定用数据；

热位移推定部，其使用由所述学习部生成的所述学习模型和所述推定用数据，对在所述工作机械中产生的热位移量进行推定；以及

热位移校正部，其通过根据由所述热位移推定部推定出的热位移量而计算出的校正量，对向所述工作机械的控制指令进行校正。

3.根据权利要求2所述的数控装置，其特征在于，

所述第2时间长度是将所述工作机械所包含的机械要素内的至少1个机械要素的动作状态发生变化的定时作为分隔而决定的。

4.根据权利要求2或3所述的数控装置，其特征在于，

所述数据选择部以构成所述推定用数据的数据的采样个数在所述推定用数据间成为相同的方式，对所述温度数据进行重新采样，生成所述推定用数据。

5.根据权利要求1至4中任一项所述的数控装置，其特征在于，

所述第1时间长度是将所述工作机械所包含的机械要素内的至少1个机械要素的动作状态发生变化的定时作为分隔而决定的。

6.根据权利要求1至3中任一项所述的数控装置，其特征在于，

所述数据生成部以构成所述学习用数据的数据的采样个数在所述学习用数据间成为相同的方式，对所述温度数据及所述位移数据进行重新采样，生成所述学习用数据。

7.根据权利要求1至6中任一项所述的数控装置，其特征在于，

具有控制部，该控制部生成用于对所述工作机械进行控制的控制指令，

所述运转数据包含所述控制指令、对加工程序进行解析而得到的结果即解析结果、以及表示所述工作机械的动作状态的检测结果的运转状态数据。

8.根据权利要求7所述的数控装置，其特征在于，

所述运转状态数据包含所述工作机械所具有的电动机的位置及速度及电流之中的至少1个。

9.根据权利要求7或8所述的数控装置，其特征在于，

所述解析结果包含表示向主轴的转速指令、向进给轴的位置指令、向进给轴的速度指令、刀具编号、冷却液的射出指令及冷却液的停止指令之中的至少1个的信息。

10.一种学习装置，其特征在于，具有：

数据生成部，其基于表示工作机械的运转动作的内容的运转数据，决定在所述工作机械的温度和所述工作机械的热位移量之间的关系的学习中所使用的学习用数据的时间长度即第1时间长度，基于决定出的所述第1时间长度，生成包含表示所述工作机械的温度的温度数据、表示所述工作机械的位移的位移数据、和所述运转数据在内的所述学习用数据；以及

学习部，其使用所述学习用数据，对所述工作机械的温度和所述工作机械的热位移量之间的关系进行学习而生成学习模型。

11.一种学习方法，其是对工作机械进行控制的数控装置中的学习方法，

该学习方法的特征在于，包含：

数据生成步骤，基于表示所述工作机械的运转动作的内容的运转数据，决定在所述工作机械的温度和所述工作机械的热位移量之间的关系的学习中所使用的学习用数据的时间长度即第1时间长度，基于决定出的所述第1时间长度，生成包含表示所述工作机械的温度的温度数据、表示所述工作机械的位移的位移数据、和所述运转数据在内的所述学习用数据；以及

学习步骤，使用所述学习用数据，对所述工作机械的温度和所述工作机械的热位移量之间的关系进行学习而生成学习模型。

Images