CN116635802A - 数控装置 - Google Patents

数控装置 Download PDF

Info

Publication number
CN116635802A
CN116635802A CN202180086302.3A CN202180086302A CN116635802A CN 116635802 A CN116635802 A CN 116635802A CN 202180086302 A CN202180086302 A CN 202180086302A CN 116635802 A CN116635802 A CN 116635802A
Authority
CN
China
Prior art keywords
torque
machine learning
numerical control
control device
cutting
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.)
Pending
Application number
CN202180086302.3A
Other languages
English (en)
Inventor
西胁健二
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN116635802A publication Critical patent/CN116635802A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37355—Cutting, milling, machining force
    • 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
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40293—Gantry, portal
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45094—Milling robot

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Numerical Control (AREA)

Abstract

数控装置(100)具有：电动机状态观测部(1)，其输出表示对电动机的状态进行观测得到的结果的电动机状态信号；切削状态观测部(5)，其输出表示工作机械是否进行切削的切削状态信号；第一扭矩推定部(21)，其基于电动机状态信号及工作机械的物理模型参数，对作为电动机的扭矩的推定值的第一推定扭矩和作为第一推定扭矩的成分的物理状态变量进行输出；特征量生成部(3)，其根据第一推定扭矩、物理状态变量和电动机状态信号的至少一个及切削状态信号而生成特征量；以及机器学习模型计算部(4)，其根据特征量及机器学习模型参数对机器学习校正量进行计算，以计算出的机器学习校正量接近电动机状态信号所包含的实际扭矩和第一推定扭矩的差分的方式对机器学习模型参数进行学习，对学习到的机器学习模型参数进行存储。

Description

数控装置
技术领域
本发明涉及生成对控制对象进行模拟的模型的数控装置。
背景技术
针对将工作机械设为控制对象的数控装置，要求高速且高精度的控制方法及故障检测方法。为了提高它们的性能，准确地模拟出控制对象的模型是必不可缺少的。但是，在实际的数控装置的动作中，无法忽略控制对象中的配线、主轴、刀具或者工件等的安装质量、重心位置、惯性张量及伸缩罩的摩擦等之类的物理模型参数的误差，另外，针对振动、摩擦等电动机速度还包含大量非线性的成分。因此，难以预先给予能够对它们高精度地进行再现的模型。
近年来，提出了用于对如上所述的模型中的力及扭矩的推定误差进行抑制的控制方式。例如，在专利文献1中公开了下述技术，即，电动机的控制装置取得M系列或者正弦波状的指令，以扭矩推定误差成为最小的方式，针对每个采样周期对惯性张量、摩擦系数及弹簧常数进行修正，由此在动作中对物理模型参数的初始值所包含的误差进行修正。
专利文献1：日本特开2013－128387号公报
发明内容
但是，在专利文献1所记载的技术中，电动机的控制装置的运动假定为能够通过惯性张量、摩擦及来自弹簧的扭矩而模型化，存在无法表现未作为模型考虑的干扰这样的问题。另外，关于摩擦的模型也进行了简化，因此存在不具有针对如斯特里贝克效应、迟滞等这样的非线性度强的复杂现象的表现能力这样的问题。
本发明就是鉴于上述情况而提出的，其目的在于得到能够实现针对非线性度强的现象的高精度的扭矩推定的数控装置。
为了解决上述课题，并达到目的，本发明所涉及的数控装置控制对工件进行切削的工作机械的电动机。本发明所涉及的数控装置具有：电动机状态观测部，其输出表示对电动机的状态进行观测得到的结果的电动机状态信号；切削状态观测部，其输出表示工作机械是否进行切削的切削状态信号；第一扭矩推定部，其基于电动机状态信号及工作机械的物理模型参数，对电动机的扭矩的推定值即第一推定扭矩和第一推定扭矩的成分即物理状态变量进行输出；特征量生成部，其根据第一推定扭矩、物理状态变量和电动机状态信号的至少一个及切削状态信号而生成特征量并输出；以及机器学习模型计算部，其根据特征量及机器学习模型参数对机器学习校正量进行计算，以计算出的机器学习校正量接近电动机状态信号所包含的实际扭矩和第一推定扭矩的差分的方式对机器学习模型参数进行学习，对学习到的机器学习模型参数进行存储。
发明的效果
本发明所涉及的数控装置，具有能够实现针对非线性度强的现象的高精度的扭矩推定这一效果。
附图说明
图1是表示实施方式1所涉及的数控装置的结构例的框图。
图2是表示实施方式1所涉及的数控装置的控制对象即对象机械的示意图。
图3是表示由实施方式1所涉及的物理模型存储部进行推定的物理模型参数即非线性摩擦模型的例子的图。
图4是表示实施方式1所涉及的特征量生成部及机器学习模型计算部的结构例的框图。
图5是在实施方式1所涉及的特征量生成部及机器学习模型计算部的结构中表示自回归项的图。
图6是表示实施方式1所涉及的数控装置中的物理模型参数及机器学习模型参数的学习流程的流程图。
图7是表示实施方式1所涉及的表示数控装置的控制对象即对象机械的动作的电动机速度、通过数控装置进行推定的第一推定扭矩及通过数控装置进行推定的第二推定扭矩的图。
图8是用于对通过实施方式1中的数控装置实施的异常检测进行说明的图。
图9是用于对通过实施方式2中的数控装置实施的切削负荷的检测进行说明的图。
图10是用于对通过实施方式3中的数控装置实施的刀具的磨损或者缺损的检测进行说明的图。
图11是表示将实施方式1至3所涉及的数控装置所具有的处理电路由处理器及存储器构成的情况下的例子的图。
图12是表示将实施方式1至3所涉及的数控装置所具有的处理电路由专用的硬件构成的情况下的例子的图。
具体实施方式
下面，基于附图对实施方式所涉及的数控装置详细地进行说明。
实施方式1.
图1是表示实施方式1所涉及的数控装置100的结构例的框图。数控装置100对作为工作机械的对象机械10的电动机进行控制。数控装置100具有电动机状态观测部1、物理模型计算部2、特征量生成部3、机器学习模型计算部4和切削状态观测部5。物理模型计算部2具有第一扭矩推定部21和物理模型存储部22。机器学习模型计算部4具有第二扭矩推定部41和机器学习模型存储部42。
对数控装置100所涉及的控制对象即对象机械10进行说明。图2是表示实施方式1所涉及的数控装置100的控制对象即对象机械10的示意图。对象机械10是通过相对于工件15使刀具14相对地移动而进行工件15的切削加工的工作机械。在这里，作为对象机械10，以加工中心为例进行说明。
对象机械10由柱11、主轴头12、工作台13和刀具14构成。刀具14受到由主轴电动机产生的驱动力而旋转。柱11及主轴头12或者工作台13受到由伺服电动机产生的驱动力而直进驱动。省略主轴电动机及伺服电动机的图示。数控装置100对刀具14相对于工件15的位置及朝向进行控制。
在实施方式1中，作为对象机械10而例示出移动轴为3轴的加工中心，但作为对象机械10的工作机械并不限定于3轴的加工中心。数控装置100能够广泛地应用于由电动机驱动的工作机械。作为对象机械10即工作机械的例子，能够进一步举出5轴加工中心、攻丝中心、车床及复合车床等工作机械、安装机等。
电动机状态观测部1观测对象机械10的电动机的状态，输出表示观测结果的电动机状态信号。具体地说，电动机状态观测部1输出与作为移动轴的第1轴、第2轴及第3轴和主轴相对应的各致动器的位置、速度、加速度的至少一个、和主轴电动机及伺服电动机的各扭矩即实际扭矩而作为电动机状态信号。
作为实际扭矩，可以使用由传感器从电动机直接测量出的值，也可以使用从致动器取得的输入电流值的换算值。电动机状态信号并不仅限定于各致动器的位置、速度、加速度及实际扭矩的信号。电动机状态信号可以包含有在对象机械10的各轴或者规定出的部位设置的内置传感器或者外置传感器的传感数据，例如各轴的致动器的温度数据、从红外线传感器、超声波传感器等传感器得到的距离数据、从视觉传感器得到的动态图像数据、及对它们进行图像处理而得到的特征量数据等的值。
第一扭矩推定部21将电动机状态观测部1的输出即电动机状态信号和物理模型存储部22的输出即后面记述的物理模型参数作为输入，通过运动方程式对实际扭矩的推定值即第一推定扭矩进行计算。即，第一扭矩推定部21基于电动机状态信号及对象机械10的物理模型参数，使用运动方程式对电动机的扭矩的推定值即第一推定扭矩进行推定。第一扭矩推定部21输出第一推定扭矩和第一推定扭矩的成分即物理状态变量。
在物理状态变量中，不仅包含惯性项、离心力的项、科里奥利力的项、重力项，在库仑摩擦的项、粘性摩擦的项、臂的振动的项、弹性挠曲的项的基础上，还包含后面记述的非线性摩擦模型这种为了对第一推定扭矩进行计算而对某物理现象进行模拟而导入的函数的项。在物理状态变量中包含摩擦推定值，由此数控装置100能够通过机器学习模型计算部4对摩擦模型的不确定性及摩擦推定值相对于实际扭矩的摩擦成分的误差进行校正。
在运动方程式中使用的电动机状态信号及物理模型参数，各自与各致动器的位置、速度、加速度和各连杆的质量、重心位置、惯性张量相对应。即，在物理模型参数中包含对象机械10的连杆机构中的质量、对象机械10的连杆机构中的重心位置及对象机械10的连杆机构中的惯性张量。由此，数控装置100在利用与对象机械10的已知的机构相关的信息的逆动力学中，能够对系数的质量、重心位置、惯性张量进行学习而作为物理模型参数，使第一推定扭矩相对于实际扭矩的推定精度提高。另外，在数控装置100中，机器学习模型计算部4中的校正值相对地变小，能够使第二推定扭矩的泛化性能提高。在这里，作为运动方程式，例如能够使用牛顿欧拉法、拉格朗日的运动方程式等。
第一扭矩推定部21使用运动方程式，该运动方程式包含将通过电动机状态信号求出的电动机的速度作为输入，对扭矩的摩擦成分的推定值进行输出的连续且平滑的摩擦模型。如后面所述，机器学习模型计算部4使用神经网络，但神经网络能够计算的是相对于输入连续的函数，因此优选特征量及向特征量生成部3的输入是连续的。因此，数控装置100通过对还包含速度零附近而成为连续的摩擦模型进行定义，从而关于在物理模型存储部22内没有完全学习的摩擦成分，也能够使用神经网络进行学习及校正。
物理模型存储部22将在对象机械10的状态为非切削状态时使对象机械10以一定期间动作时的电动机状态信号作为教师数据，以减少电动机状态信号所包含的实际扭矩和第一推定扭矩的差分的方式对物理模型参数进行学习。物理模型存储部22对学习到的物理模型参数进行存储。数控装置100通过对物理模型参数进行学习，从而对由传感器、配线类的安装、加工误差、组装误差等引起的物理特性的变化进行校正，能够使实际扭矩的推定精度提高。另外，通常来说，物理模型参数能够根据规格表、CAD(Computer Aided Design)数据等计算出大致的值，因此通过将这些值赋予为学习时的初始值，从而能够使学习的速度、收敛性等提高。但是，在这些值未知或者难以计算的情况下，可以通过任意的常数进行初始化。
在物理模型存储部22中的物理模型参数的学习时，使用将上述运动方程式变形，仅将物理模型参数分离出的优异决定系统的线性方程式。牛顿的运动方程式、欧拉的运动方程式及拉格朗日的运动方程式都在没有针对位置、速度、加速度考虑非线性的项的情况下，能够通过由质量、重心位置、惯性张量构成的常数系数和由位置、速度、加速度构成的变量之积的线性结合进行表现。即，如果将针对实际扭矩的动力学计算的误差设为Δf，则各轴的运动方程式能够使用由质量、重心位置、惯性张量构成的物理模型参数w及由速度v和加速度a构成的系数矩阵A(v，a)，通过如式(1)那样变量分离后的形式进行记述。
Δf＝A(v，a)w…(1)
由此，物理模型存储部22通过最小二乘法针对每个轴关于w对式(1)进行求解，由此能够对各轴的物理模型参数进行计算。另外，物理模型存储部22针对如5轴的工作机械那样可能发生轴间干涉的驱动机械，将与各轴的w相关的式(1)汇总为一个线性方程式而同时求解，由此能够作为物理模型计算部2整体而得到更优的解。物理模型存储部22关于物理模型参数w的辨识方法，在最小二乘法以外，在正则化最小二乘法、卡尔曼滤波器的基础上，还可以使用贝叶斯推定、遗传算法、神经网络等。
此外，物理模型存储部22在运动方程式中考虑摩擦的影响时，通过接下来所示的由库仑摩擦及粘性摩擦构成的摩擦模型即线性摩擦模型等，以速度的函数和摩擦系数的线性结合表现的摩擦系数能够分离的算式对摩擦进行表现，由此关于摩擦系数也能够与式(1)同样地，作为物理模型参数而同时地进行推定。将由物理模型存储部22推定的摩擦系数通过式(2)表示。此外，在通过图像导入的式(2)及后面记述的式(3)中对qi的上部赋予点，但无法将其在说明部分中进行表现。因此，在说明部分中，将在qi的上部赋予点的情况简记为qi。
【式1】
在这里，针对以速度qi动作的轴i的摩擦模型Fi，rFC,i是库仑摩擦系数，rFV,i是粘性摩擦系数。但是，在以工作机械为代表的多轴机构的动作中，粘性摩擦针对速度没有完全地成为线性的关系，特别是在致动器的高速动作时，与假定为线性的情况下的值相比常常确认到变小。在这样的情况下，优选使用与考虑针对速度的非线性度相比自由度更高的摩擦模型对摩擦进行推定，在将实际扭矩和第一推定扭矩的差分中的摩擦成分去除后，对其他物理模型参数进行推定。作为如上所述的摩擦模型即非线性摩擦模型，作为一个例子而举出式(3)所示的以下所示的函数。
【式2】
在这里，ωls是低速动作的边界速度，ωhs是高速动作的边界速度，rST,i是摩擦的饱和系数。将非线性摩擦模型的图形在图3示出。图3是表示由实施方式1所涉及的物理模型存储部22推定的物理模型参数即非线性摩擦模型的例子的图。在图3中，横轴表示电动机速度，纵轴表示摩擦。
非线性摩擦模型在库仑摩擦系数rFC,i及粘性摩擦系数rFV,i的基础上具有共计4个参数，针对速度qi是非线性的函数，因此根据实际扭矩和第一推定扭矩的差分，使用非线性最小二乘法即Levenberg－Marquardt法而求出它们。Levenberg－Marquardt法具有初始值依赖性，因此在一次摩擦时假定线性度而将库仑摩擦系数rFC,i及粘性摩擦系数rFV,i加入至物理模型参数w，通过上述式(1)计算出各摩擦系数后，将它们设为初始值，由此能够防止由初始值依赖性导致的推定的失败。即，物理模型存储部22在物理模型参数的学习中，能够使用最小二乘法、正则化最小二乘法、非线性最小二乘法或者卡尔曼滤波器等。数控装置100通过使用最小二乘法、非线性最小二乘法、非线性最小二乘法或者卡尔曼滤波器，从而能够根据动作数据对对象机械10的运动方程式及状态方程式中的未知的系数进行推定。动作数据例如是电动机状态信号所包含的数据。
物理模型存储部22对在这里得到的非线性摩擦模型的系数进行存储而作为物理模型参数，将各时刻的非线性摩擦模型的输出追加至物理状态变量。数控装置100将摩擦模型的系数作为物理模型参数而由物理模型存储部22存储，由此能够对由历时劣化、异常等引起的粘性摩擦或库仑摩擦的变化进行检测。物理模型存储部22例如在物理模型参数的学习中，对非线性摩擦模型的系数及其他物理模型参数交替地进行推定。数控装置100通过对摩擦模型的系数及其他物理模型参数交替地进行推定，从而能够更复杂且详细地设计摩擦模型。另外，数控装置100能够在几乎去除摩擦的影响的状态下进行其他物理模型参数的推定，因此能够更高精度地对物理模型参数进行学习。
但是，关于非线性摩擦模型，并不限定于速度的函数，也可以是还依赖于位置、加速度、电动机温度等的多变量函数，非线性摩擦模型的各系数可以通过Gauss－Newton法、最急下降法、扩展卡尔曼滤波器、无香卡尔曼滤波器等进行辨识。另外，作为非线性摩擦模型，也可以使用基于支持向量回归模型、回归树、随机森林、多变量自适应回归样条模型、神经网络等机器学习算法的模型生成方法，但在后面记述的机器学习模型计算部4中，通过以神经网络为代表的机器学习部411进行第一推定扭矩的校正，因此非线性摩擦模型只要能够将着眼于摩擦的静态特性的仅宏观的影响去除即可，如果考虑作为被赋予为阳的仅速度的函数就足够。
切削状态观测部5观测通过对象机械10进行的切削状态，对表示观测结果的切削状态信号进行输出。切削状态信号是表示对象机械10是否正在进行切削的信号。切削状态观测部5从对象机械10取得加工程序，基于加工程序的内容对切削状态进行观测。
向特征量生成部3输入电动机状态观测部1的输出即电动机状态信号、第一扭矩推定部21的输出即第一推定扭矩及物理状态变量和切削状态观测部5的输出即切削状态信号。特征量生成部3将第一推定扭矩、物理状态变量、电动机状态信号和切削状态信号作为输入，对向机器学习部411的输入即特征量进行输出。
在对切削负荷进行推定等情况下，刀具信息、加工信息和应用判定信息追加至向特征量生成部3的输入。刀具信息是与刀具14的类别及形状有关的信息。刀具信息包含刀具直径、刀具长度、刀具形状、刀具14的刃数的信息或者刀具14的凸出长度的信息。另外，在刀具14是车削加工中使用的刀具14的情况下，刀具信息也可以包含刀具14的刀片形状的信息或者刀具14的后角的信息。加工信息是与对象机械10中的加工条件有关的信息。加工信息包含与进给速度或者进给宽度这样的加工条件有关的信息。
应用判定是与切削中的异常的检测、切削中的负荷的检测和刀具14的磨损或者缺损的检测各自有关的判定。应用判定信息表示进行与异常检测、切削负荷检测及磨损或者缺损的检测各自有关的判定之中的任一者。即，应用判定信息是表示进行与在加工中可能发生的多个现象各自有关的判定之中的任一者的信息。
应用判定信息由对象机械10的用户向特征量生成部3输入。用户从“异常检测”、“切削负荷检测”和“刀具的磨损或者缺损的检测”中对应用判定的对象进行选择，将表示选择出的对象的应用判定信息向特征量生成部3输入。在应用判定的对象中还包含在内部处理使用“异常检测”、“切削负荷检测”或者“刀具的磨损或者缺损的检测”的功能。该功能的例子是如切削负荷控制那样，通过参数由用户直接对切削负荷量进行指定的功能，如FSW(Friction Stir Welding)那样，虽然用户没有指定负荷量，但通过加工条件对负荷量进行控制的功能等。在这些各功能中，通过内部处理进行“切削负荷检测”。此外，在数控装置100仅进行异常检测、切削负荷检测和磨损或者缺损的检测的任一者的情况下，应用判定信息可以是固定值。或者，应用判定信息也可以不向特征量生成部3输入。
特征量生成部3根据输入的应用判定信息而判断是进行“异常检测”、“切削负荷检测”和“刀具的磨损或者缺损的检测”之中的哪一个应用判定。特征量生成部3基于该判断的结果而决定是使用进行切削时的通过学习得到的机器学习模型参数和没有进行切削时的通过学习得到的机器学习模型参数的哪一者对第2推定扭矩进行推定。另外，特征量生成部3在从实际扭矩减去第2推定扭矩的运算中，基于该判断的结果而决定是使用在进行切削时取得的实际扭矩和在没有进行切削时取得的实际扭矩的哪一者。特征量生成部3对包含与决定的事项有关的信息在内的特征量进行输出。
这些特征量生成部3的输入及推定对象即实际扭矩是按照时间序列变化的值。机器学习模型存储部42还需要分别考虑时间轴方向的相关性，因此赋予为同时包含特征量和过去的一定期间的值在内的矢量。另外，在实施方式1中设为对象的如工作机械那样的多轴机构中，轴间的相互干涉的影响不小，因此关于与各个轴相对应的输入的值，也优选设为同时包含的矢量。但是，关于特征量中的扭矩成分，赋予为实际扭矩和第一推定扭矩的差分，针对设为推定对象的实际扭矩仅使用过去的值。
图4是表示实施方式1所涉及的特征量生成部3及机器学习模型计算部4的结构例的框图。在图4中，z是单位延迟运算符，Nd是表示延迟的单位时刻数的大于或等于0的整数。图4所示的单位延迟运算符可以说是在特征量生成部3中设置的存储装置。即，特征量生成部3具有对第一推定扭矩、物理状态变量、电动机状态信号、切削状态信号、刀具信息、加工信息和应用判定信息进行存储的存储装置。
特征量生成部3从在存储装置中存储的信息中对设为特征量的信息进行提取。数控装置100将与物理状态变量及电动机状态信号相关的时间序列变化的信息设为输入而包含于特征量，由此机器学习模型计算部4能够更详细地预测对象机械10的动作。由此，数控装置100能够使第二推定扭矩相对于实际扭矩的推定精度提高。
特征量生成部3在特征量的生成中，可以不必须使用全部第一推定扭矩、物理状态变量、电动机状态信号、切削状态信号、刀具信息、加工信息及应用判定信息。特征量生成部3可以使用第一推定扭矩、物理状态变量、电动机状态信号、切削状态信号、刀具信息、加工信息及应用判定信息之中的仅一部分而生成特征量。特征量生成部3可以根据第一推定扭矩、物理状态变量和电动机状态信号的至少一个及切削状态信号而生成特征量并输出。
第二扭矩推定部41具有机器学习部411。第二扭矩推定部41将由特征量生成部3生成的特征量、第一扭矩推定部21的输出即第一推定扭矩和机器学习模型存储部42的输出即机器学习模型参数设为输入，基于使用了特征量及机器学习模型参数的机器学习部411的机器学习对机器学习校正量进行计算。第二扭矩推定部41将在第一推定扭矩中加上机器学习校正量而得到的扭矩作为第二推定扭矩进行输出。
机器学习部411通过将由特征量生成部3生成的特征量和机器学习模型存储部42的输出即机器学习模型参数设为输入，以第二推定扭矩相对于实际扭矩的误差变得最小的方式对机器学习校正量进行输出的神经网络构成。即，输出的机器学习校正量的理想值与实际扭矩和第一推定扭矩的差分一致，在作为输入的特征量中包含延迟的过去的实际扭矩和第一推定扭矩的差分，因此机器学习部411在如图5所示的输入输出关系中具有自回归项。
图5是在实施方式1所涉及的特征量生成部3及机器学习模型计算部4的结构中表示自回归项的图。图5是从图4提取出与自回归项相关的部分。在这里，机器学习模型参数是指神经网络中的加权矩阵及偏置矢量。另外，作为神经网络的种类，使用在中间层的输入输出关系中具有递归的构造的递归神经网络、LSTM(Long Short Term Memory)、GRU(GatedRecurrent Unit)这样的被称为递归型的神经网络在提高针对如上所述的时间序列数据的预测精度方面也是有效的方法。
另外，为了削减学习负荷及计算量，可以取代神经网络而是使用多项式模型、重回归模型、支持向量回归模型、回归树、随机森林、多变量自适应回归样条模型等，在可以忽略轴间的相互干涉等情况下，可以针对每个轴而独立地应用机器学习部411。
但是，以神经网络为代表的机器学习部411所使用的通用的函数近似模型通常来说不适于不连续函数的近似。因此，在第一推定扭矩中，如果通过式(2)的线性摩擦模型进行了摩擦量的扭矩的近似及校正，则实际扭矩和第一推定扭矩的差分引起不连续的跳跃，将这些值包含于输入输出，形成自回归项的机器学习部411的机器学习模型参数的学习结果及机器学习校正量的计算结果有可能显著地恶化。并且，在实际的工作机械中，粘接和滑动交替地引起而发生的粘滑现象、斯特里贝克曲线所表示的与润滑相关的摩擦等造成影响，速度零附近及低速动作时的摩擦的非线性度强，因此非常难以将这些模型赋予为阳。
因此，如式(3)所示的非线性摩擦模型那样，通过使用将速度零附近连续且平滑地连接的摩擦模型，从而第一推定扭矩及特征量的各值各自变得连续。由此，关于难以通过上述第一推定扭矩及非线性摩擦模型再现的摩擦成分，也能够通过加入机器学习校正量而高精度地推定。并且，特征量是同时包含过去的一定期间的速度、非线性摩擦模型的输出等的矢量。因此，机器学习部411关于依赖于摩擦的迟滞特性等之前的状态而变化的推定误差要因进行学习，能够作为机器学习校正量进行校正。
如上所述，第二扭矩推定部41使用在输入输出关系中包含自回归项的机器学习，根据特征量及机器学习模型参数对机器学习校正量进行计算。第二扭矩推定部41将计算出的机器学习校正量与第一推定扭矩相加而对第二推定扭矩进行输出。另外，第二扭矩推定部41可以作为在输入输出关系中包含自回归项的机器学习而使用利用了神经网络的机器学习。数控装置100通过作为机器学习的方法而利用神经网络，从而能够对在运动方程式上难以表现的扭矩成分进行学习而作为非线性多自由度模型并保存。
第二扭矩推定部41在用于对机器学习校正量进行计算的机器学习中，作为输入输出关系所包含的自回归项，可以使用实际扭矩和第一推定扭矩的差分。实际扭矩和第一推定扭矩的差分是针对第一推定扭矩的校正量的目标值。校正量的目标值伴随对象机械10的电动机的动作而按照时间序列变化。因此，数控装置100在对下一个时刻的最佳的校正量进行推定时，具有将过去的校正量的目标值包含于输入的自回归项，由此能够更高精度地进行推定。
机器学习模型存储部42在物理模型存储部22中的物理模型参数的学习后，将使对象机械10进行一定期间动作时的特征量及实际扭矩和第一推定扭矩的差分分别设为输入输出的教师数据，以减少机器学习校正量相对于实际扭矩和第一推定扭矩的差分的误差的方式对机器学习模型参数进行学习。即，机器学习模型存储部42以机器学习校正量接近实际扭矩和第一推定扭矩的差分的方式，通过有教师学习对机器学习模型参数进行学习。机器学习模型存储部42对学习到的机器学习模型参数进行存储。
学习开始时的机器学习模型参数可以通过任意的常数进行初始化，但特别是通过神经网络表现的机器学习部411针对机器学习模型参数即加权矩阵、偏置等具有初始值依赖性。因此，在机器学习部411中，关于加权矩阵，在一致分布、通常的正态分布的基础上，通常通过来源于切断正态分布、He的正态分布、Glorot的正态分布等正态分布的概率分布进行初始化。
另外，机器学习模型存储部42作为学习方法而利用小批量梯度下降法及误差逆传输法，针对每个批次对通过加权矩阵及偏置矢量表示的机器学习模型参数进行更新。即，机器学习模型存储部42可以作为机器学习模型参数的学习时所使用的有教师学习方法而使用误差逆传输法。但是，在教师数据无法以充分的量准备等情况下，机器学习模型存储部42可以取代小批量梯度下降法，而是使用通常的梯度下降法、概率的梯度下降法等。
另外，机器学习模型存储部42为了使机器学习部411中的神经网络的泛化性能提高，在学习时使用将神经元随机地排除在外的dropout、针对每个恒定相位延迟对误差进行监视而提前终止学习的early stopping这样的方法也是有效的。机器学习模型存储部42在学习时应用dropout时，在机器学习校正量的推断时需要将dropout概率应用于加权矩阵，因此关于如上所述的超参数也作为机器学习模型参数而追加并保存。
使用流程图对至此为止的物理模型参数及机器学习模型参数的学习流程进行说明。图6是表示实施方式1所涉及的数控装置100中的物理模型参数及机器学习模型参数的学习流程的流程图。
物理模型存储部22根据规格表的值对各连杆的物理模型参数即质量、重心位置及惯性张量的初始值进行设定(步骤S1)。电动机状态观测部1输出对象机械10的电动机状态信号即实际扭矩、位置、速度及加速度的时间序列数据而作为教师数据(步骤S2)。
第一扭矩推定部21针对位置、速度及加速度，通过动力学计算对第一推定扭矩进行计算(步骤S3)。第一扭矩推定部21在动力学方程式中追加线性摩擦模型的项(步骤S4)。物理模型存储部22在物理模型参数中追加库仑摩擦系数及粘性摩擦系数(步骤S5)。物理模型存储部22根据实际扭矩和第一推定扭矩的差分，在线性方程式中使用变形后的动力学方程式及最小二乘法，对物理模型参数进行辨识(步骤S6)。
物理模型存储部22将辨识出的物理模型参数中的库仑摩擦系数及粘性摩擦系数作为初始值，通过Levenberg－Marquardt法对非线性摩擦模型进行辨识，将得到的各系数追加至物理模型参数(步骤S7)。物理模型存储部22针对从实际扭矩减去第一推定扭矩及非线性摩擦模型的值而得到的结果，将摩擦模型的项去除，在线性方程式中使用变形后的动力学方程式及最小二乘法，对除了摩擦系数以外的物理模型参数再次进行辨识(步骤S8)。第一扭矩推定部21在动力学方程式中追加非线性摩擦模型的项，使用学习到的物理模型参数，对第一推定扭矩再次进行计算(步骤S9)。
特征量生成部3将第一推定扭矩、物理状态变量、电动机状态信号、切削状态信息、加工信息、刀具信息及应用判定信息设为输入，将它们汇总为还同时包含过去的一定期间的值的矢量，作为特征量而输出(步骤S10)。机器学习模型存储部42针对机器学习模型参数即加权矩阵及偏置，将加权矩阵通过正态分布、将偏置通过常数而初始化(步骤S11)。
机器学习模型存储部42作为学习时的条件对early stopping、dropout等超参数进行设定，将这些值向机器学习模型参数追加(步骤S12)。第二扭矩推定部41将输入设为特征量，将输出设为实际扭矩和第一推定扭矩的差分即机器学习校正量的理想值，按照机器学习模型参数中的学习时的条件，通过误差逆传输法对机器学习模型参数的加权矩阵及偏置进行学习(步骤S13)。
在这里，关于第二推定扭矩的泛化性能的提高，如上所述，事先在物理模型存储部22中进行物理模型参数的学习，将针对第一推定扭矩的机器学习校正量设为自回归项，在机器学习模型存储部42中进行机器学习模型参数的学习所得到的贡献度大。其原因在于，数控装置100通过对物理模型参数和机器学习模型参数进行区分，从而能够分别对在运动方程式中由模型化容易的已知的物理现象引起的扭矩推定误差成分、和在运动方程式中由模型化困难的扭矩推定误差成分进行区分而进行学习，机器学习部411的输出即机器学习校正量的绝对值变小。换言之，被赋予为阳的扭矩推定误差成分不包含于机器学习校正量，因此数控装置100能够减少机器学习模型参数所包含的参数量，其结果，能够防止机器学习模型存储部42中的学习的过度学习和实现高速化，并且还能够削减学习所使用的教师数据。
关于与机器学习校正量相关的自回归项也同样地，与通过机器学习模型计算部4对实际扭矩和在物理模型参数使用初始值的运动方程式所得到的计算结果的差分进行学习，设为机器学习校正量的结构，或者与将在物理模型参数使用初始值的运动方程式所得到的计算结果包含于特征量，将第二推定扭矩直接作为机器学习部411的输出而对机器学习模型参数进行学习的结构相比，机器学习校正量的绝对值变小，能够抑制神经网络等所涉及的扭矩推定误差范围。并且，作为使用自回归项的优点，举出容易对依赖于电动机特性的齿槽扭矩、扭矩脉动、齿轮间的扭矩传递中的反向间隙的影响等在运动方程式的式中难以赋予的在时间轴方向周期性地变化的推定误差要因进行学习等。
实际上，将对物理模型参数进行学习后的第一推定扭矩，并且对根据实际扭矩和第一推定扭矩的差分对机器学习模型参数进行学习后的第二推定扭矩在图7示出。图7是表示实施方式1所涉及的表示数控装置100的控制对象即对象机械10的动作的电动机速度、由数控装置100推定的第一推定扭矩及由数控装置100推定的第二推定扭矩的图。在各项目中，横轴表示时间。如图7所示，第二推定扭矩与第一推定扭矩相比与实际扭矩更近似。
另外，在机器学习部411使用神经网络的情况下，不知晓特征量所包含的哪个参数对机器学习校正量造成何种程度的影响，非常难以根据机器学习模型参数的变化对对象机械10的物理特性的变化进行推测。但是，在物理模型参数的学习中能够直接对这些物理特性的各值进行确认的实施方式1中，数控装置100对物理模型参数和机器学习模型参数进行区分而学习，因此可以说是适于异常检测的结构。
作为使用进行了学习的物理模型计算部2及机器学习模型计算部4的异常检测的例子，考虑主要对实际扭矩和第二推定扭矩的差分进行监视的方法。数控装置100通过对实际扭矩和第二推定扭矩的差分进行监视，从而观测值大致集中于零附近，将绝对值直接视作实际扭矩的异常度。作为具体的异常检测方法，可以是根据实际扭矩和第二推定扭矩的差分的绝对值是否超过预先设定的阈值而进行检测的单纯方法。此外，作为将特征量及实际扭矩和第二推定扭矩的差分设为输入的正常、异常这2类别分类问题，可以准备附带标签的教师数据，使用逻辑回归、支持向量机、决策树、神经网络等进行判别。
数控装置100在作为教师数据的异常时的动作数据不易收集的情况下，可以进行针对使用SMOTE(Synthetic Minority Over－sampling TEchnique)、ADASYN(ADAptiveSYNthetic)等而取得的异常时的动作数据的过采样，可以通过K－means法、自组织化对应图等无教师学习分类为通过正常、异常区分的2个簇。另外，在数控装置100中，并不限定于类别数及簇数正常、异常这两个，也可以与异常度的程度相匹配而更精细地阶段性地设定，可以任意地设定实际扭矩和第二推定扭矩的差分的绝对值以外的异常度。
关于图1的虚线所示的物理模型存储部22中的物理模型参数及机器学习模型存储部42中的机器学习模型参数的学习的定时，如果设想到以故障检测为目的的用途，则优选在出厂阶段的试验运转时等数控装置100作为劣化程度的比较对象而在成为理想状态的环境下执行。但是，工作机械的主轴和刀具14安装于前端，对放置于工作台13的工件15进行切削，因此在该情况下，各连杆的质量、重心位置、惯性张量这样的物理特性变化。因此，数控装置100在各状态下对物理模型参数及机器学习模型参数都重新学习等，需要考虑工件15的质量。
通常来说在设置工件15时，产生了通过数控装置100等对向这些物理模型参数的影响进行设定的工作量。与此相对，在实施方式1中，在物理模型存储部22中，根据使对象机械10在一定期间动作时的电动机状态信号对它们进行学习，由此关于该设定的过程也能够实现自动化。另外，通过正确地设定物理模型参数的值，从而还具有减少循环时间、轨迹偏差、碰撞时的按压力等优点，是在位置控制、速度控制等的基础上，还能够应对力控制、阻抗控制的高速化、高精度化的技术，上述方法的用途并不限定于异常检测。
机器学习模型存储部42单独地进行通过对象机械10进行切削时的有教师学习和没有通过对象机械10进行切削时的有教师学习。机器学习模型存储部42对通过基于进行切削时的输入输出的学习得到的机器学习模型参数、和通过基于没有进行切削时的输入输出的学习得到的机器学习模型参数进行存储。机器学习模型计算部4被输入包含切削状态信号和应用判定信息在内的特征量，由此能够对与切削时有关的学习和与非切削时有关的学习进行切换而执行。
图8是用于对通过实施方式1中的数控装置100实施的异常检测进行说明的图。在图8中示出实际扭矩和由数控装置100推定的第二推定扭矩。横轴表示时间。在这里进行说明的处理是在应用判定信息表示用于对异常进行检测的判定的情况下执行的。
在实施方式1中，机器学习模型计算部4在表示异常检测的应用判定信息作为特征量而被输入的情况下，在第二扭矩推定部41中对实际扭矩和由机器学习模型计算部4计算出的第二推定扭矩的差分进行监视。第二扭矩推定部41根据通过基于没有进行切削时的输入输出的学习得到的机器学习模型参数而对第二推定扭矩进行计算，对实际扭矩和计算出的第二推定扭矩的差分进行监视。第二扭矩推定部41在差分大于或等于某恒定的值的情况下，对异常的发生进行检测。异常是电动机的扭矩异常。
数控装置100在切削状态信号表示非切削的情况下，由机器学习模型计算部4进行使用了与非切削时有关的学习模型的计算，由此能够对扭矩的异常进行检测。数控装置100在检测出异常的情况下，以实际扭矩和第二推定扭矩的差分小于或等于上述恒定的值的方式对加工条件的参数进行调整。如果举例，则是数控装置100进行降低进给速度的调整。数控装置100在检测出异常的情况下，可以输出表示检测出异常的警报。
实施方式2.
在实施方式2中，说明在数控装置100中对切削负荷进行检测的情况。在实施方式2中，对与上述实施方式1相同的结构要素标注同一标号，省略与实施方式1重复的说明。图9是用于对通过实施方式2中的数控装置100实施的切削负荷的检测进行说明的图。在图9中示出实际扭矩和由数控装置100推定的第二推定扭矩。横轴表示时间。
实施方式2中的处理是在应用判定信息表示用于对切削负荷进行检测的判定的情况下执行的。在切削状态信号表示非切削的情况下，第一扭矩推定部21在动力方程式中追加非线性摩擦模型的项，使用学习到的物理模型参数对第一推定扭矩进行计算。特征量生成部3将第一推定扭矩、物理状态变量、电动机状态信号、切削状态信号、刀具信息、加工信息和应用判定信息设为输入，对向机器学习部411的输入即特征量进行输出。
机器学习模型存储部42在表示切削负荷检测的应用判定信息和表示非切削的切削状态信号作为特征量而被输入的情况下，将机器学习模型参数的加权矩阵存储于机器学习模型存储部42。第二扭矩推定部41将输入设为特征量，将输出设为实际扭矩和第一推定扭矩的差分即机器学习校正量的理想值，按照机器学习模型参数中的学习时的条件，通过误差逆传输法对机器学习模型参数的加权矩阵及偏置进行学习。
在通过基于切削状态信号表示非切削的情况下的输入输出的学习得到的学习模型中，通过第二扭矩推定部41进行计算的第二推定扭矩与使对象机械10动作的实际扭矩近似。但是，在切削状态信号表示切削的情况下，作为由对象机械10实际上对工件15进行切削时的实际扭矩，对将使对象机械10动作的扭矩和用于切削工件15的扭矩相加得到的扭矩进行测量。因此，数控装置100从测量出的实际扭矩减去第二推定扭矩，由此能够求出对象机械10对工件15进行切削时所需的扭矩即切削负荷扭矩。切削负荷检测是指求出切削负荷扭矩。
在实施方式2中，机器学习模型计算部4在表示用于对切削负荷进行检测的判定的应用判定信息作为特征量而输入的情况下，在第二扭矩推定部41中求出实际扭矩和由机器学习模型计算部4计算出的第二推定扭矩的差分即切削负荷扭矩。第二扭矩推定部41根据通过基于没有进行切削时的输入输出的学习得到的机器学习模型参数对第二推定扭矩进行计算，求出实际扭矩和计算出的第二推定扭矩的差分即切削负荷扭矩。数控装置100在切削状态信号表示非切削的情况下，由机器学习模型计算部4进行使用了与非切削时有关的学习模型的计算，由此能够对切削负荷进行检测。
实施方式3.
在实施方式3中，说明在数控装置100中对刀具14的磨损或者缺损进行检测的情况。在实施方式3中，对与上述实施方式1或者2相同的结构要素标注同一标号，省略与实施方式1或者2重复的说明。图10是用于对通过实施方式3中的数控装置100实施的刀具14的磨损或者缺损的检测进行说明的图。在图10中示出实际扭矩和由数控装置100推定的第二推定扭矩。横轴表示时间。
实施方式3中的处理是应用判定信息表示用于对刀具14的磨损或者缺损进行检测的判定的情况下执行的。在切削状态信号表示切削的情况下，第一扭矩推定部21在动力方程式中追加非线性摩擦模型的项，使用学习到的物理模型参数对第一推定扭矩进行计算。特征量生成部3将第一推定扭矩、物理状态变量、电动机状态信号、切削状态信号、刀具信息、加工信息和应用判定信息设为输入，对向机器学习部411的输入即特征量进行输出。
机器学习模型存储部42在表示用于对刀具14的磨损或者缺损进行检测的判定的应用判定信息和表示切削的切削状态信号作为特征量而被输入的情况下，将机器学习模型参数的加权矩阵存储于机器学习模型存储部42。第二扭矩推定部41将输入设为特征量，将输出设为实际扭矩和第一推定扭矩的差分即机器学习校正量的理想值，按照机器学习模型参数中的学习时的条件，通过误差逆传输法对机器学习模型参数的加权矩阵及偏置进行学习。
在通过基于切削状态信号表示切削的情况下的输入输出的学习而得到的学习模型中，通过第二扭矩推定部41进行计算的第二推定扭矩能够推定为使对象机械10动作的实际扭矩和切削负荷扭矩的合算即实际扭矩。在应用判定信息表示用于对刀具14的磨损或者缺损进行检测的判定的情况下，数控装置100从第二推定扭矩减去测量出的实际扭矩，由此能够求出通过刀具14的磨损而上升的切削负荷扭矩。因此，数控装置100能够根据第二推定扭矩和测量出的实际扭矩的差分即切削负荷扭矩，对刀具14的磨损的程度进行检测。另外，在应用判定信息表示用于对刀具14的磨损或者缺损进行检测的判定的情况下，数控装置100在被测量的第二推定扭矩仅是使对象机械10动作的实际扭矩的情况下，能够对刀具14的缺损进行检测。
在实施方式3中，机器学习模型计算部4在表示用于对刀具14的磨损或者缺损进行检测的判定的应用判定信息作为特征量而被输入的情况下，在第二扭矩推定部41中对实际扭矩和由机器学习模型计算部4计算出的第二推定扭矩的差分进行监视。第二扭矩推定部41根据通过基于进行切削时的输入输出的学习得到的机器学习模型参数对第二推定扭矩进行计算，对实际扭矩和计算出的第二推定扭矩的差分进行监视。
第二扭矩推定部41在测量出的实际扭矩大于第二推定扭矩的情况下，将第二推定扭矩和测量出的实际扭矩的差分的上升量推定为由刀具14的磨损引起的切削负荷扭矩的上升量。第二扭矩推定部41基于切削负荷扭矩的上升量对刀具14的磨损的程度进行检测。另外，第二扭矩推定部41在测量出的实际扭矩小于第二推定扭矩，或者测量出的实际扭矩比第二推定扭矩极端小的情况下，对刀具14缺损进行检测。
数控装置100在切削状态信号表示切削的情况下，由机器学习模型计算部4进行使用了与切削时有关的学习模型的计算，由此能够对刀具14的磨损或者缺损进行检测。数控装置100在检测出刀具14的磨损或者缺损的情况下，使对象机械10减速及停止。数控装置100在检测出刀具14的磨损或者缺损的情况下，可以输出表示检测出刀具14的磨损或者缺损的警报。
接下来，对实施方式1至3所涉及的数控装置100的硬件结构进行说明。在数控装置100中，电动机状态观测部1、物理模型计算部2、特征量生成部3、机器学习模型计算部4及切削状态观测部5通过处理电路实现。处理电路可以是执行在存储器中储存的程序的处理器及存储器，也可以是专用的硬件。
图11是表示将实施方式1至3所涉及的数控装置100所具有的处理电路由处理器91及存储器92构成的情况下的例子的图。在处理电路由处理器91及存储器92构成的情况下，数控装置100的处理电路的各功能通过软件、固件或者软件和固件的组合实现。软件或者固件被记述为程序，储存于存储器92。在处理电路中，通过将在存储器92中存储的程序由处理器91读出而执行，从而实现各功能。即，处理电路具有存储器92，该存储器92用于对数控装置100的处理最终得以执行的程序进行储存。另外，这些程序可以说使计算机执行数控装置100的顺序及方法。
处理器91可以是CPU(Central Processing Unit)、处理装置、运算装置、微处理器、微型计算机或者DSP(Digital Signal Processor)等。另外，存储器92例如是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存、EPROM(Erasable ProgrammableROM)、EEPROM(注册商标)(Electrically EPROM)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘或者DVD(Digital Versatile Disc)等。
图12是表示将实施方式1至3所涉及的数控装置100所具有的处理电路由专用的硬件构成的情况下的例子的图。在处理电路由专用的硬件构成的情况下，图12所示的处理电路93例如是单一电路、复合电路、被程序化的处理器、被并行程序化的处理器、ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)或者它们的组合。可以将数控装置100的各功能按照功能类别通过处理电路93实现，也可以将各功能汇总而通过处理电路93实现。
此外，关于数控装置100的各功能，也可以将一部分通过专用的硬件实现，将一部分通过软件或者固件实现。如上所述，处理电路能够通过专用的硬件、软件、固件或者它们的组合而实现上述各功能。
如以上说明所述，在实施方式1至3中，将数控装置100的模型通过物理模型计算部2和机器学习模型计算部4的组合进行表现，该物理模型计算部2利用对象机械10的力学的物理特性和在运动方程式上被赋予为阳的物理现象的信息而进行扭矩的推定，该机器学习模型计算部4包含针对物理模型计算部2的推定扭矩的校正量而作为自回归项，进行在运动方程式上难以表现的非线性度强的扭矩成分的推定。数控装置100通过依次对它们进行学习，从而能够根据少量的动作数据而高速地对针对实际扭矩的扭矩推定精度及泛化性能高的对象机械10的模型进行学习。另外，数控装置100将实际扭矩和扭矩推定值进行比较，即，将实机和学习到的模型进行比较，由此关于轻微的异常也能够进行检测。
即，数控装置100依次对物理模型参数和机器学习模型参数进行学习，由此能够分别对对象机械10的力学的物理特性、在运动方程式上被赋予为阳的物理现象所涉及的扭矩成分和在运动方程式上难以表现的非线性度强的扭矩成分进行区分并学习而进行推定。由此，数控装置100缩短学习整体所花费的时间，通过物理模型参数的学习而减小机器学习校正量的绝对值，因此能够使第二推定扭矩相对于实际扭矩的泛化性能提高。另外，数控装置100在第二扭矩推定部41中，通过输入输出关系的自回归项而高效地对时间轴方向的特征量间的相关性进行学习，从而能够使第二推定扭矩的推定精度提高。以上，数控装置100具有下述效果，即，针对非线性度强的复杂的现象，也能够进行高精度的扭矩推定。
此外，在实施方式1至3中，将作为工作机械的对象机械10设为数控装置100的控制对象，但数控装置100能够与机械的轴数、关节的直进、旋转的机构无关地应用。数控装置100也能够应用于通过机械人等进行的切削控制、安装机等。
以上的各实施方式所示的结构示出本发明的内容的一个例子。各实施方式的结构能够与其他的公知技术进行组合。也可以将各实施方式的结构彼此适当组合。在不脱离本发明的主旨的范围能够将各实施方式的结构的一部分省略或者变更。
标号的说明
1电动机状态观测部，2物理模型计算部，3特征量生成部，4机器学习模型计算部，5切削状态观测部，10对象机械，11柱，12主轴头，13工作台，14刀具，15工件，21第一扭矩推定部，22物理模型存储部，41第二扭矩推定部，42机器学习模型存储部，91处理器，92存储器，93处理电路，100数控装置，411机器学习部。

Claims (19)

1.一种数控装置，其控制对工件进行切削的工作机械的电动机，
该数控装置的特征在于，具有：
电动机状态观测部，其输出表示对所述电动机的状态进行观测得到的结果的电动机状态信号；
切削状态观测部，其输出表示所述工作机械是否进行切削的切削状态信号；
第一扭矩推定部，其基于所述电动机状态信号及所述工作机械的物理模型参数，对作为所述电动机的扭矩的推定值的第一推定扭矩和作为所述第一推定扭矩的成分的物理状态变量进行输出；
特征量生成部，其根据所述第一推定扭矩、所述物理状态变量和所述电动机状态信号的至少一个及所述切削状态信号而生成特征量并输出；以及
机器学习模型计算部，其根据所述特征量及机器学习模型参数对机器学习校正量进行计算，以计算出的所述机器学习校正量接近所述电动机状态信号所包含的实际扭矩和所述第一推定扭矩的差分的方式对所述机器学习模型参数进行学习，对学习到的所述机器学习模型参数进行存储。
2.根据权利要求1所述的数控装置，其特征在于，
所述特征量生成部具有对所述第一推定扭矩、所述物理状态变量、所述电动机状态信号、所述切削状态信号、与在所述工作机械中使用的刀具有关的信息即刀具信息和与所述工作机械中的加工条件有关的信息即加工信息进行存储的存储装置，从在所述存储装置中存储的信息中对设为所述特征量的信息进行提取。
3.根据权利要求2所述的数控装置，其特征在于，
所述机器学习模型计算部对通过基于进行所述切削时的输入输出的学习得到的所述机器学习模型参数和通过基于没有进行所述切削时的输入输出的学习得到的所述机器学习模型参数进行存储。
4.根据权利要求3所述的数控装置，其特征在于，
所述机器学习模型计算部将根据通过基于没有进行所述切削时的输入输出的学习得到的所述机器学习模型参数而计算出的所述机器学习校正量与所述第一推定扭矩相加，由此对第二推定扭矩进行计算，对所述实际扭矩和计算出的所述第二推定扭矩的差分进行监视，基于所述差分对异常进行检测。
5.根据权利要求3所述的数控装置，其特征在于，
所述机器学习模型计算部将根据通过基于没有进行所述切削时的输入输出的学习得到的所述机器学习模型参数而计算出的所述机器学习校正量与所述第一推定扭矩相加，由此对第二推定扭矩进行计算，求出所述实际扭矩和计算出的所述第二推定扭矩的差分即切削负荷扭矩。
6.根据权利要求3所述的数控装置，其特征在于，
所述机器学习模型计算部将根据通过基于进行了所述切削时的输入输出的学习得到的所述机器学习模型参数而计算出的所述机器学习校正量与所述第一推定扭矩相加，由此对第二推定扭矩进行计算，对所述实际扭矩和计算出的所述第二推定扭矩的差分进行监视，基于所述差分对所述刀具的磨损或者缺损进行检测。
7.根据权利要求2至6中任一项所述的数控装置，其特征在于，
所述存储装置还对表示是进行用于对加工中的多个现象各自进行检测的判定的哪一者的判定信息进行存储。
8.根据权利要求2至7中任一项所述的数控装置，其特征在于，
所述刀具信息包含所述刀具的刃数的信息或者所述刀具的凸出长度的信息。
9.根据权利要求2至7中任一项所述的数控装置，其特征在于，
所述刀具是在车削加工中使用的刀具，
所述刀具信息包含所述刀具的刀片形状的信息或者所述刀具的后角的信息。
10.根据权利要求1至9中任一项所述的数控装置，其特征在于，
所述机器学习模型计算部作为在输入输出关系中包含自回归项的机器学习而使用神经网络，对所述机器学习校正量进行计算，且在所述机器学习模型参数的学习时使用误差逆传输法。
11.根据权利要求10所述的数控装置，其特征在于，
所述机器学习模型计算部作为所述自回归项而使用所述实际扭矩和所述第一推定扭矩的差分。
12.根据权利要求1至11中任一项所述的数控装置，其特征在于，
所述第一扭矩推定部基于所述电动机状态信号及所述物理模型参数，使用运动方程式对所述第一推定扭矩和所述物理状态变量进行输出。
13.根据权利要求12所述的数控装置，其特征在于，
所述运动方程式包含将通过所述电动机状态信号而求出的所述电动机的速度设为输入，对扭矩的摩擦成分的推定值进行输出的连续且平滑的摩擦模型。
14.根据权利要求1至11中任一项所述的数控装置，其特征在于，
还具有物理模型计算部，该物理模型计算部以减少所述实际扭矩和所述第一推定扭矩的差分的方式对所述物理模型参数进行学习并存储。
15.根据权利要求14所述的数控装置，其特征在于，
所述第一扭矩推定部基于所述电动机状态信号及所述物理模型参数，使用运动方程式对所述第一推定扭矩和所述物理状态变量进行输出，
所述运动方程式包含将通过所述电动机状态信号而求出的所述电动机的速度设为输入而对扭矩的摩擦成分的推定值进行输出的连续且平滑的摩擦模型，
所述物理模型计算部对所述摩擦模型的系数作为所述物理模型参数进行学习并存储。
16.根据权利要求15所述的数控装置，其特征在于，
在所述物理状态变量中包含所述摩擦模型。
17.根据权利要求16所述的数控装置，其特征在于，
所述物理模型计算部在所述物理模型参数的学习中，对所述摩擦模型的系数及其他所述物理模型参数交替地进行推定。
18.根据权利要求16或17所述的数控装置，其特征在于，
所述物理模型计算部在所述物理模型参数的学习中，使用最小二乘法、正则化最小二乘法、非线性最小二乘法或者卡尔曼滤波器。
19.一种数控装置，其控制对工件进行切削的工作机械的电动机，
该数控装置的特征在于，具有：
电动机状态观测部，其输出表示对所述电动机的状态进行观测得到的结果的电动机状态信号；
切削状态观测部，其输出表示所述工作机械是否进行切削的切削状态信号；
第一扭矩推定部，其基于所述电动机状态信号及所述工作机械的物理模型参数，对作为所述电动机的扭矩的推定值的第一推定扭矩和作为所述第一推定扭矩的成分物理状态变量进行输出；
特征量生成部，其根据所述第一推定扭矩、所述物理状态变量和所述电动机状态信号的至少一个及所述切削状态信号而生成特征量并输出；以及
第二扭矩推定部，其将根据所述特征量及机器学习模型参数以与所述电动机状态信号所包含的实际扭矩和所述第一推定扭矩的差分接近的方式计算出的机器学习校正量与所述第一推定扭矩相加而对第二推定扭矩进行输出。
CN202180086302.3A 2021-01-26 2021-01-26 数控装置 Pending CN116635802A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002683 WO2022162740A1 (ja) 2021-01-26 2021-01-26 数値制御装置

Publications (1)

Publication Number Publication Date
CN116635802A true CN116635802A (zh) 2023-08-22

Family

ID=78001457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180086302.3A Pending CN116635802A (zh) 2021-01-26 2021-01-26 数控装置

Country Status (4)

Country Link
JP (1) JP6949284B1 (zh)
CN (1) CN116635802A (zh)
DE (1) DE112021006961T5 (zh)
WO (1) WO2022162740A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7343735B1 (ja) 2023-04-07 2023-09-12 ファナック株式会社 加工シミュレーション装置及び加工シミュレーション方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5209810B1 (ja) 2011-07-27 2013-06-12 ファナック株式会社 イナーシャと摩擦係数とばね定数を同時に推定する機能を備える電動機の制御装置
JP5832382B2 (ja) * 2012-06-15 2015-12-16 三菱電機株式会社 数値制御装置
JP2017177255A (ja) * 2016-03-29 2017-10-05 ソニー株式会社 制御装置及び制御方法
JP6577527B2 (ja) * 2017-06-15 2019-09-18 ファナック株式会社 学習装置、制御装置及び制御システム
CN113748597B (zh) * 2019-04-16 2024-05-10 三菱电机株式会社 电动机控制装置

Also Published As

Publication number Publication date
WO2022162740A1 (ja) 2022-08-04
JPWO2022162740A1 (zh) 2022-08-04
DE112021006961T5 (de) 2023-11-30
JP6949284B1 (ja) 2021-10-13

Similar Documents

Publication Publication Date Title
CN113748597B (zh) 电动机控制装置
Eski et al. Fault detection on robot manipulators using artificial neural networks
US10254750B2 (en) Machining machine system which determines acceptance/rejection of workpieces
JP6219897B2 (ja) 最適な加減速を生成する工作機械
Bona et al. Friction compensation in robotics: an overview
CN110187694B (zh) 故障预测装置以及机器学习装置
JP6567205B1 (ja) 機械学習装置、補正パラメータ調整装置および機械学習方法
RU2682195C1 (ru) Устройство диагностики неисправностей и способ диагностики неисправностей
JP6469065B2 (ja) 機械学習装置及び加工時間予測装置
US11822308B2 (en) Polishing tool wear amount prediction device, machine learning device, and system
JP6324641B1 (ja) 異常診断装置及び異常診断方法
JP6517567B2 (ja) サーボモータ制御装置及び衝突検出方法
CN110941183B (zh) 一种基于神经网络的工业机器人动力学辨识方法
US11059142B2 (en) Controller, machine learning device, and system
CN108803499A (zh) 控制装置以及机器学习装置
CN111347421A (zh) 用于扭矩估计的方法和装置
US20190278251A1 (en) Collision position estimation device and machine learning device
CN112109080A (zh) 调整辅助装置
US11579000B2 (en) Measurement operation parameter adjustment apparatus, machine learning device, and system
JP6949284B1 (ja) 数値制御装置
Zhang et al. Model-based design of the vehicle dynamics control for an omnidirectional automated guided vehicle (AGV)
CN113711138B (zh) 伺服控制装置
JP6906711B1 (ja) 摩擦補償装置、衝突検知装置、トルクフィードフォワード演算装置およびロボット制御装置並びに摩擦補償方法
CN109507879B (zh) 控制装置以及机器学习装置
CN109844658B (zh) 运动控制装置的参数化的自动优化

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