DE102019112111B4 - Wärmeversatzkompensationsvorrichtung - Google Patents

Wärmeversatzkompensationsvorrichtung Download PDF

Info

Publication number
DE102019112111B4
DE102019112111B4 DE102019112111.6A DE102019112111A DE102019112111B4 DE 102019112111 B4 DE102019112111 B4 DE 102019112111B4 DE 102019112111 A DE102019112111 A DE 102019112111A DE 102019112111 B4 DE102019112111 B4 DE 102019112111B4
Authority
DE
Germany
Prior art keywords
ambient temperature
manufacturing machine
temperature change
offset compensation
learned model
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.)
Active
Application number
DE102019112111.6A
Other languages
English (en)
Other versions
DE102019112111A1 (de
Inventor
Kei HAGIHARA
Yoshito Miyazaki
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.)
Fanuc Corp
Original Assignee
Fanuc 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 Fanuc Corp filed Critical Fanuc Corp
Publication of DE102019112111A1 publication Critical patent/DE102019112111A1/de
Application granted granted Critical
Publication of DE102019112111B4 publication Critical patent/DE102019112111B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/404Numerical 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/34Director, elements to supervisory
    • G05B2219/34082Learning, online reinforcement learning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/37Measurements
    • G05B2219/37431Temperature
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49206Compensation temperature, thermal displacement, use measured temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)

Abstract

Wärmeversatzkompensationsvorrichtung (1), die ein Wärmeversatzkompensationsausmaß für jede Achse, die eine Herstellungsmaschine (70) aufweist, schätzt, wobei die Wärmeversatzkompensationsvorrichtung (1)eine Maschinenlernvorrichtung (100), die ein Wärmeversatzkompensationsausmaß für jede Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf einen Betriebszustand der Herstellungsmaschine (70) lernt, umfasst,wobei die Maschinenlernvorrichtung (100)eine Modelldatenwahleinheit (130), die unter einer Veränderung der Umgebungstemperatur der Herstellungsmaschine (70) ein gelerntes Modell wählt, das für ein zusätzliches Lernen des Wärmeversatzkompensationsausmaßes bei jeder Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, undeine Gelernte-Modelle-Speichereinheit (200), die ein Muster einer Umgebungstemperaturveränderungskurve, die einen Wandel der Veränderung der Umgebungstemperatur der Herstellungsmaschine (70) angibt, und ein gelerntes Modell, das unter der Veränderung der Umgebungstemperatur gelernt wurde, in Verbindung bringt und speichert,aufweist, wobeidie Modelldatenwahleinheit (130) das gelernte Modell, das für das zusätzliche Lernen des Wärmeversatzkompensationsausmaßes bei jeder Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, auf Basis der in der Gelernte-Modelle-Speichereinheit (200) gespeicherten Umgebungstemperaturveränderungskurven wählt,wobei die Maschinenlernvorrichtung (100) ferner eine Umgebungstemperaturveränderungskurvenbeobachtungseinheit (120) aufweist, die eine Veränderung der Umgebungstemperatur der Herstellungsmaschine (70) empfängt, unddie Modelldatenwahleinheit (130) die Gelernte-Modelle-Speichereinheit (200) nach einer Umgebungstemperaturveränderungskurve, die der Veränderung der Umgebungstemperatur der Herstellungsmaschine (70), welche Veränderung durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit (120) beobachtet wurde, ähnlich ist, durchsucht, und automatisch ein mit der gefundenen Umgebungstemperaturveränderungskurve verbundenes gelerntes Modell als gelerntes Modell, das für das zusätzliche Lernen des Wärmeversatzkompensationsausmaßes für jede Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, wählt,wobei die Ähnlichkeit der Umgebungstemperaturveränderungskurven durch einen Wellenmustervergleich zwischen der beobachteten Umgebungstemperaturveränderungskurve und den in der Gelernte-Modelle-Speichereinheit (200) gespeicherten Umgebungstemperaturveränderungskurvenmustern ermittelt wird.

Description

  • ALLGEMEINER STAND DER TECHNIK
  • Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft eine Wärmeversatzkompensationsvorrichtung mit einer Temperaturkompensationsfunktion für die Maschinengenauigkeit.
  • Beschreibung des Stands der Technik
  • Der Wärmeversatz einer Herstellungsmaschine wie etwa einer Werkzeugmaschine ist einer der Faktoren, die die Bearbeitungsgenauigkeit stören. Wenn Wärmequellen einer Herstellungsmaschine betrachtet werden, lassen sich diese grob in zwei Arten, (1) eine interne Wärmequelle, die in Verbindung mit dem Betrieb der Herstellungsmaschine auftritt, und (2) eine externe Wärmequelle, die in der Einrichtungsumgebung der Herstellungsmaschine wirkt, einteilen. Unter den genannten werden atmosphärische Faktoren wie eine Temperaturveränderung oder heiße Luft/kalte Luft, und die Wärmeausstrahlung durch Sonnenlicht, Beleuchtungseinrichtungen und dergleichen als externe Wärmequelle betrachtet. Wenn eine Bearbeitung durch eine Herstellungsmaschine durchgeführt wird, ist es nötig, den Wärmeversatz infolge einer Temperaturveränderung unter Berücksichtigung dieser internen Wärmequelle und externen Wärmequelle zu kompensieren, um die Maschinengenauigkeit sicherzustellen.
  • Eine Technologie, um die Wirkung des Wärmeversatzes durch Vorhersagen des Ausmaßes eines Wärmeversatzes infolge einer auf derartigen Wärmequellen beruhenden Temperaturveränderung und Korrigieren eines Vorschubausmaßes in jeder Koordinatenachsenrichtung zu verringern, ist herkömmlich allgemein bekannt. Es ist jedoch schwierig, das Wärmeversatzausmaß infolge einer Temperaturveränderung in einer Herstellungsmaschine genau vorherzusagen, und es besteht eine Grenze für die Kompensation des Wärmeversatzes durch Korrigieren des Vorschubausmaßes in jeder Koordinatenachsenrichtung.
  • Als herkömmliche Technologie zur Lösung eines solchen Problems ist zum Beispiel in der JP 2011-131371 A eine Technologie offenbart, bei der mehrere Temperatursensoren eingebracht werden, die Zweckdienlichkeit jedes Temperatursensors berechnet wird, ein verwendeter Temperatursensor gewählt wird, und der Wärmeversatz einer Werkzeugmaschine unter Verwendung eines Werts, der durch den gewählten Temperatursensor gemessen wird, kompensiert wird. Außerdem ist in der JP 2003 - 094291 A eine Technologie offenbart, bei der der Wärmeversatz einer Werkzeugmaschine durch einen relationalen Ausdruck unter Verwendung eines neuronalen Netzwerks berechnet wird und die Wirkung des Wärmeversatzes durch Korrigieren einer Position jeder beweglichen Einheit eliminiert wird.
  • Doch eine wie in der JP 2003-094291 A oder dergleichen ersichtliche Temperaturkompensation für die Maschinengenauigkeit einer Herstellungsmaschine durch maschinelles Lernen weist das Problem auf, dass sie im Hinblick auf Änderungen von Installationsbedingungen einer Herstellungsmaschine empfindlich ist. Selbst im Fall einer Tätigkeit an der gleichen Herstellungsmaschine ist es dann, wenn die Herstellungsmaschine an einem Ort in einem Umfeld mit unterschiedlichen Umgebungstemperaturen eingerichtet ist, nicht möglich, eine Wärmeversatzkompensation korrekt vorzunehmen, wenn ein gelerntes Modell so, wie es ist, verwendet wird, und wird ein zusätzliches Lernen durch eine Maschinenlernvorrichtung nötig. Wenn eine Herstellungsmaschine in einer Fabrik betrieben wird, wird häufig eine Änderung des Layouts der Herstellungsmaschine vorgenommen. Daher ist die Leistungsfähigkeit schlecht, wenn jedes Mal ein zusätzliches Lernen erforderlich wird.
  • Aus DE 10 2015 115 838 A1 ist eine Bearbeitungsmaschine bekannt, in der eine Vielzahl von Temperatursensoren vorgesehen ist und in der eine in der Art eines neuronalen Netzes aufgebaute Auswerteeinheit auf Grundlage der gemessenen Temperaturwerte Korrekturparameter für die jeweiligen Achsen der Bearbeitungsmaschine bestimmt.
  • US 2010 / 0 152 881 A1 offenbart ein Verfahren zur thermischen Fehlerkompensation für Werkzeugmaschinen, wobei ein Wärmesensor in der Nähe einer Wärmequelle der Werkzeugmaschine vorgesehen ist und ein thermischer Fehlerkompensationswert auf der Grundlage der erfassten Temperatur bestimmt wird.
  • KURZDARSTELLUNG DER ERFINDUNG
  • Daher ist es eine Aufgabe der vorliegenden Erfindung, eine Wärmeversatzkompensationsvorrichtung bereitzustellen, die in einem Umfeld, in dem eine Umgebungsbedingung unbekannt ist, eine effiziente Vornahme einer Temperaturkompensation für die Maschinengenauigkeit ermöglicht. Diese Aufgabe wird durch eine Wärmeversatzkompensationsvorrichtung gemäß Anspruch 1 gelöst.
  • Bei der Wärmeversatzkompensationsvorrichtung einer Ausführungsform der vorliegenden Erfindung wird für Basisdaten ein maschinelles Lernen in einem Umfeld mit einer isothermen Umgebungstemperatur vorgenommen, und wird nach dem Lernen eine Folgerungsgleichung oder ein neuronales Netzwerk unterhalten. Und wenn eine Herstellungsmaschine in einer tatsächlichen Betriebsumgebung eingerichtet ist und ein zusätzliches Lernen durchgeführt wird, wird auch eine Temperaturveränderung des Umgebungstemperaturumfelds aufgezeichnet und werden ein Durchschnittswert und ein Abweichungswert bei einer Temperaturveränderungskurve an einem Tag als Label von gelernten Daten unterhalten. Dann werden mit jeder Änderung des Layouts Daten aufgezeichnet und gesammelt. Wenn die Herstellungsmaschine in einem Umfeld mit einer unbekannten Umgebungstemperatur eingerichtet ist, wird aus den Daten, die in der Vergangenheit gesammelt wurden, ein gelerntes Modell, das in einem Umgebungstemperaturumfeld mit einer ziemlich ähnlichen Tendenz der Temperaturveränderungskurve an einem Tag gelernt wurde, gewählt und ein zusätzliches Lernen begonnen.
  • Auf eine solche Weise ist es durch Vornehmen eines zusätzlichen Lernens auf Basis eines gelernten Modells, das in einem Umgebungstemperaturumfeld mit einer ähnlichen Tendenz der Temperaturveränderungskurve gelernt wurde, möglich, die Zeit, die für das zusätzliche Lernen erforderlich ist, stark zu verringern.
  • Nun handelt es sich bei einer Form der vorliegenden Erfindung um eine Wärmeversatzkompensationsvorrichtung, die ein Wärmeversatzkompensationsausmaß für jede Achse, die eine Herstellungsmaschine aufweist, schätzt, wobei die Vorrichtung eine Maschinenlernvorrichtung aufweist, die dazu ausgebildet ist, ein Wärmeversatzkompensationsausmaß für jede Achse, die die Herstellungsmaschine aufweist, in Bezug auf einen Betriebszustand der Herstellungsmaschine zu lernen, wobei die Maschinenlernvorrichtung eine Modelldatenwahleinheit, die dazu ausgebildet ist, unter einer Veränderung der Umgebungstemperatur der Herstellungsmaschine ein gelerntes Modell zu wählen, das für ein zusätzliches Lernen des Wärmeversatzkompensationsausmaßes bei jeder Achse, die die Herstellungsmaschine aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine geeignet ist, eine Gelernte-Modelle-Speichereinheit, das ein Muster einer Umgebungstemperaturveränderungskurve, die einen Wandel der Veränderung der Umgebungstemperatur der Herstellungsmaschine angibt, und ein gelerntes Modell, das unter der Veränderung der Umgebungstemperatur gelernt wurde, in Verbindung bringt und speichert, aufweist, wobei die Modelldatenwahleinheit das gelernte Modell, das für das zusätzliche Lernen des Wärmeversatzkompensationsausmaßes bei jeder Achse, die die Herstellungsmaschine aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine geeignet ist, auf Basis der in der Gelernte-Modelle-Speichereinheit gespeicherten Umgebungstemperaturveränderungskurven wählt.
  • Nach einer Ausführungsform der vorliegenden Erfindung wird es durch passendes Verwenden eines gelernten Modells, das in verschiedenen Arten von Umgebungstemperaturumfeldern gelernt wurde, möglich, die Zeit, die bei einer Änderung des Layouts für ein zusätzliches Lernen erforderlich ist, zu verringern.
  • Figurenliste
  • Die oben beschriebenen und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung von Ausführungsformen unter Bezugnahme auf die beiliegenden Zeichnungen offensichtlich werden. In diesen Zeichnungen
    • ist 1 eine schematische Ansicht des Hardwareaufbaus einer Wärmeversatzkompensationsvorrichtung nach einer Ausführungsform;
    • ist 2 ein schematisches Funktionsblockdiagramm der Wärmeversatzkompensationsvorrichtung nach der Ausführungsform; und
    • ist 3 eine Ansicht, die ein Beispiel für Umgebungstemperaturveränderungskurven und gelernte Modelle, die in einer Gelernte-Daten-Speichereinheit gespeichert sind, veranschaulicht.
  • AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
  • Nachstehend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen beschrieben werden.
  • 1 ist eine schematische Ansicht des Hardwareaufbaus, die einen Hauptabschnitt einer Wärmeversatzkompensationsvorrichtung nach einer Ausführungsform der vorliegenden Erfindung darstellt. Eine Wärmeversatzkompensationsvorrichtung 1 kann als Steuervorrichtung zur Steuerung einer Herstellungsmaschine wie etwa verschiedenen Bearbeitungsmaschinen oder Werkzeugmaschinen eingerichtet werden. Außerdem kann die Wärmeversatzkompensationsvorrichtung 1 als Computer wie etwa ein Personal Computer, der zusammen mit einer (Steuervorrichtung zur Steuerung einer) Herstellungsmaschine bereitgestellt ist, als Zellencomputer, der über ein Netzwerk mit einer (Steuervorrichtung zur Steuerung einer) Herstellungsmaschine verbunden ist, als Host-Computer, oder als Cloud-Server eingerichtet werden. In 1 ist ein Beispiel für einen Fall dargestellt, in dem die Wärmeversatzkompensationsvorrichtung 1 als Computer, der über ein Netzwerk mit einer (Steuervorrichtung zur Steuerung einer) Herstellungsmaschine verbunden ist, eingerichtet ist.
  • Eine in der Wärmeversatzkompensationsvorrichtung 1 nach der vorliegenden Ausführungsform enthaltene CPU 11 ist ein Prozessor, der die Wärmeversatzkompensationsvorrichtung 1 als Ganzes steuert. Die CPU 11 liest ein in einem ROM 12 gespeichertes System/Programm über einen Bus 20 und steuert die gesamte Wärmeversatzkompensationsvorrichtung 1 gemäß dem System/Programm. In einem RAM 13 werden temporäre Berechnungsdaten, verschiedene Arten von Daten, die von einem Betreiber über eine Eingabevorrichtung (nicht dargestellt) eingegeben werden, und dergleichen vorübergehend gespeichert.
  • Ein nichtflüchtiger Speicher 14 ist als Speicher ausgebildet, in dem ein Speicherzustand zum Beispiel durch eine Stützung mittels einer Batterie (nicht dargestellt) selbst dann aufrechterhalten wird, wenn die Bestromung der Wärmeversatzkompensationsvorrichtung 1 abgeschaltet ist. In dem nichtflüchtigen Speicher 14 sind verschiedene Arten von Daten, die von einem Betreiber durch Betätigen einer Eingabevorrichtung 40 eingegeben wurden, Daten, die über eine Schnittstelle 19 von einer Herstellungsmaschine 70 empfangen wurden, ein Programm, das über eine Schnittstelle (nicht dargestellt) eingegeben wurde, und dergleichen gespeichert. Das Programm oder verschiedene Arten von Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können bei Ausführung/Verwendung in den RAM 13 extrahiert werden. Außerdem sind Systeme/Programme, die ein bekanntes Analyseprogramm zum Analysieren von Informationen, die von der Herstellungsmaschine 70 empfangen werden, ein System/Programm zur Steuerung der Kommunikation mit einer Maschinenlernvorrichtung 100 (später beschrieben), oder dergleichen beinhalten, im Voraus in den ROM 12 geschrieben.
  • Eine Schnittstelle 21 ist eine Schnittstelle, um die Wärmeversatzkompensationsvorrichtung 1 und die Maschinenlernvorrichtung 100 zu verbinden. Die Maschinenlernvorrichtung 100 weist einen Prozessor 101 zur Steuerung der gesamten Maschinenlernvorrichtung 100, einen ROM 102, der ein System/Programm oder dergleichen speichert, einen RAM 103 zur Durchführung einer vorübergehenden Speicherung bei jeder Art von Verarbeitung im Zusammenhang mit dem maschinellen Lernen, und einen nichtflüchtigen Speicher 104, der zur Speicherung von Lernmodellen oder dergleichen verwendet wird, auf. Die Maschinenlernvorrichtung 100 kann verschiedene Arten von Informationen, die durch die Wärmeversatzkompensationsvorrichtung 1 über die Schnittstelle 21 empfangen werden können, beobachten. Außerdem zeigt die Wärmeversatzkompensationsvorrichtung 1 Informationen im Zusammenhang mit einem von der Maschinenlernvorrichtung 100 ausgegebenen Wärmeversatzkompensationsausmaß über eine Schnittstelle 17 an einer Anzeigevorrichtung 50 an, oder sendet die Informationen im Zusammenhang mit dem Wärmeversatzkompensationsausmaß über die Schnittstelle 19 an die Herstellungsmaschine 70.
  • 2 ist ein schematisches Funktionsblockdiagramm der Wärmeversatzkompensationsvorrichtung 1 und der Maschinenlernvorrichtung 100 nach einer ersten Ausführungsform. Jeder Funktionsblock, der in 2 dargestellt ist, wird ausgeführt, wenn die CPU 11, die in der in 1 dargestellten Wärmeversatzkompensationsvorrichtung 1 enthalten ist, und der Prozessor 101 der Maschinenlernvorrichtung 100 jeweilige Systeme/Programme ausführen und einen Betrieb jeder Einheit der Wärmeversatzkompensationsvorrichtung 1 und der Maschinenlernvorrichtung 100 steuern.
  • Die Wärmeversatzkompensationsvorrichtung 1 der vorliegenden Ausführungsform bringt die Maschinenlernvorrichtung 100 dazu, Informationen, die mit einer Umgebungstemperaturveränderungskurve jeder Herstellungsmaschine 70 in Zusammenhang stehen und von der Herstellungsmaschine 70 über ein Netzwerk 2 empfangen werden, und Informationen, die mit einem Betriebszustand der Herstellungsmaschine 70 in Zusammenhang stehen, zu beobachten, zeigt ein Wärmeversatzkompensationsausmaß, das zur Kompensation des in jeder Herstellungsmaschine 70 erzeugten Wärmeversatzes dient und durch Benutzen eines Lernergebnisses durch die Maschinenlernvorrichtung 100 bestimmt wird, an der Anzeigevorrichtung 50 an, und nimmt seine Übertragung über das Netzwerk 2 zu jeder Herstellungsmaschine 70 vor.
  • Andererseits verfügt die Maschinenlernvorrichtung 100, die in der Wärmeversatzkompensationsvorrichtung 1 enthalten ist, über eine Zustandsbeobachtungseinheit 100, um eine Beobachtung als Zustandsvariable, die einen Zustand eines Arbeitsbetriebs jeder Herstellungsmaschine 70 angibt, vorzunehmen, eine Labeldatenerlangungseinheit 115, um ein Wärmeversatzausmaß für jede Achse der Herstellungsmaschine 70 in Bezug auf die durch die Zustandsbeobachtungseinheit 110 beobachtete Zustandsvariable als Labeldaten zu erlangen, eine Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120, um Informationen im Zusammenhang mit einer Umgebungstemperaturveränderungskurve jeder Herstellungsmaschine 70 von der Herstellungsmaschine 70 zu empfangen, eine Modelldatenwahleinheit 130, um auf Basis der Informationen im Zusammenhang mit der Umgebungstemperaturveränderungskurve jeder Herstellungsmaschine 70, welche Kurve durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 beobachtet wird, ein gelerntes Modell, das zum Lernen eines Wärmeversatzkompensationsausmaßes in Bezug auf einen Betriebszustand der Herstellungsmaschine 70 geeignet ist, als gelerntes Modell, das in jeder Herstellungsmaschine 70 verwendet wird, aus einer in dem nichtflüchtigen Speicher 104 bereitgestellten Gelernte-Modelle-Speichereinheit 200 zu wählen, eine Lerneinheit 140, um auf Basis der durch die Zustandsbeobachtungseinheit 110 beobachteten Zustandsvariablen und der durch die Labeldatenerlangungseinheit 115 erlangten Labeldaten ein maschinelles Lernen des gelernten Modells, das gemäß der Umgebungstemperaturveränderungskurve jeder Herstellungsmaschine 70 gewählt wurde, vorzunehmen, eine Modelldatenspeichereinheit 150, um jedes gelernte Modell, dessen maschinelles Lernen durch die Lerneinheit 140 vorgenommen wurde, in der Gelernte-Modelle-Speichereinheit 200 zu speichern, und eine Schätzergebnisausgabeeinheit 160, um auf Basis eines Ergebnisses des Lernens durch die Lerneinheit 140 ein Wärmeversatzkompensationsausmaß in Bezug auf den Betriebszustand jeder Herstellungsmaschine 70 abzuleiten und auszugeben.
  • Die Zustandsbeobachtungseinheit 110 erlangt als Zustandsvariable einen Zustand eines Arbeitsbetriebs der Herstellungsmaschine 70, wobei dieser Zustand von der Herstellungsmaschine 70 erlangt wird. Als Zustand des Arbeitsbetriebs der Herstellungsmaschine 70, welcher Zustand durch die Zustandsbeobachtungseinheit 110 erlangt wird, können zum Beispiel eine gegenwärtige Umgebungstemperatur der Herstellungsmaschine 70, eine Temperatur jedes Teils der Herstellungsmaschine 70, und eine Geschwindigkeit, Beschleunigung, oder dergleichen eines Motors der Herstellungsmaschine 70 angeführt werden. Beispielsweise kann die Zustandsbeobachtungseinheit 110 ein Programm zur Steuerung der Herstellungsmaschine 70, welches Programm in der Herstellungsmaschine 70 ausgeführt wird, einen Wert des Stroms, der in dem Motor, der in der Herstellungsmaschine 70 enthalten ist, fließt, oder Detektionswerte, die durch Vorrichtungen wie etwa Sensoren, die gesondert in jeder Einheit der Herstellungsmaschine 70 bereitgestellt sind, detektiert werden, erlangen.
  • Die Labeldatenerlangungseinheit 115 erlangt in Bezug auf eine durch die Zustandsbeobachtungseinheit 110 beobachtete Zustandsvariable (den Zustand des Arbeitsbetriebs der Herstellungsmaschine 70) Labeldaten (das Wärmeversatzkompensationsausmaß für jede Achse der Herstellungsmaschine 70 zur Zeit der Beobachtung dieser Zustandsvariablen). Zum Beispiel kann die Labeldatenerlangungseinheit 115 für die Labeldaten in Bezug auf eine Zustandsvariable einen auf Basis eines Versatzausmaßes für jede Achse, welches Ausmaß bei der Bearbeitung eines Werkstücks durch die Herstellungsmaschine 70 durch einen an jeder Einheit der Herstellungsmaschine 70 angebrachten Messsensor oder dergleichen gemessen wird, berechneten Wert erlangen. Oder die Labeldatenerlangungseinheit 115 kann für die Labeldaten in Bezug auf eine Zustandsvariable nachträglich einen auf Basis eines Messergebnisses eines in der Herstellungsmaschine 70 bearbeiteten Werkstücks berechneten Wert oder einen von einem Arbeiter festgelegten Kompensationswert erlangen.
  • Die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 empfängt eine Umgebungstemperaturveränderungskurve jeder Herstellungsmaschine. Zum Beispiel empfängt die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 einen Temperaturwert, der durch einen in der Herstellungsmaschine 70 oder um die Herstellungsmaschine 70 eingerichteten Temperatursensor detektiert wird, als Umgebungstemperaturveränderungskurve der Herstellungsmaschine 70. Bei der Umgebungstemperaturveränderungskurve der Herstellungsmaschine 70, welche Kurve durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 empfangen wird, handelt es sich um Daten, die einen Wandel der Temperaturveränderung um die Herstellungsmaschine 70 in einem vorherbestimmten Zeitraum angeben. Für die Umgebungstemperaturveränderungskurve der Herstellungsmaschine 70, welche Kurve durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 beobachtet wird, kann ein durch einen einzelnen Temperatursensor detektierter Temperaturwert verwendet werden. Doch um die Genauigkeit weiter zu erhöhen, kann eine Umgebungstemperatur der Herstellungsmaschine 70 durch Empfangen mehrerer Temperaturwerte, die durch mehrere um die Herstellungsmaschine 70 eingerichtete Temperatursensoren detektiert werden, und Vornehmen einer statistischen Verarbeitung (wie etwa einer Mittelung) an den mehreren Temperaturwerten berechnet werden, und kann eine zeitliche Änderung der berechneten Umgebungstemperatur als Umgebungstemperaturveränderungskurve beobachtet werden.
  • Die Modelldatenwahleinheit 130 wählt aus den in der Gelernte-Modelle-Speichereinheit 200 gespeicherten gelernten Modellen ein gelerntes Modell, das für die durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 beobachtete Umgebungstemperaturveränderungskurve geeignet ist. Das durch die Modelldatenwahleinheit 130 gewählte gelernte Modell wird als Lernmodell für ein zusätzliches Lernen und eine Schätzung in der Herstellungsmaschine 70 an die Lerneinheit 140 gesendet.
  • 3 ist eine Ansicht, die ein Beispiel für in der Gelernte-Modelle-Speichereinheit 200 gespeicherte gelernte Modelle zeigt. Wie in 3 beispielhaft dargestellt wird für jedes gelernte Modell ein Muster einer Umgebungstemperaturveränderungskurve einer Herstellungsmaschine 70, wofür eine Beobachtung einer Zustandsvariablen, die für das Lernen des gelernten Modells verwendet wurde, und eine Erlangung von Labeldaten vorgenommen wurde, in Verbindung gebracht und in der Gelernte-Modelle-Speichereinheit 200 gespeichert.
  • Die Modelldatenwahleinheit 130 kann, bei einem nicht erfindungsgemäßen Beispiel, als einfacher Aufbau eine Liste von Umgebungstemperaturveränderungskurven, die mit den einzelnen in der Gelernte-Modelle-Speichereinheit 200 gespeicherten gelernten Modellen in Verbindung gebracht sind, an der Anzeigevorrichtung 50 anzeigen und einen Arbeiter durch Betätigen der Eingabevorrichtung 40 eine Umgebungstemperaturveränderungskurve, die einem Wandel einer Umgebungstemperaturveränderung in einer gegenwärtigen Einrichtungsumgebung der Herstellungsmaschine 70 ähnlich ist, wählen lassen. In diesem Fall kann jede Umgebungstemperaturveränderungskurve graphisch dargestellt werden und zusammen damit ein statistischer Wert wie etwa ein Durchschnittswert oder ein Abweichungswert jeder Umgebungstemperaturveränderungskurve dargestellt werden, um die Wahl zu unterstützen. Oder die Modelldatenwahleinheit 130 kann eine überlagernde Darstellung einer Umgebungstemperaturveränderungskurve, die für eine Herstellungsmaschine 70 als Ziel der Wahl des gelernten Modells durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 beobachtet wurde, in einer Anzeigeform, die sich von jener einer jeden in der Gelernte-Modelle-Speichereinheit 200 gespeicherten Umgebungstemperaturveränderungskurve unterscheidet (wie etwa als durchgehende Linie und gestrichelte Linie oder Linie in einer anderen Farbe), vornehmen und einen Arbeiter bei der Bestimmung ihrer Ähnlichkeit unterstützen.
  • Als komplexere Ausführung nimmt die Modelldatenwahleinheit 130 erfindungsgemäß einen Wellenmustervergleich zwischen einer Umgebungstemperaturveränderungskurve einer Herstellungsmaschine 70, welche Kurve durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 nach der Einrichtung der Herstellungsmaschine 70 in einer neuen Umgebung beobachtet wurde, und einer Umgebungstemperaturveränderungskurve in Verbindung mit jedem in der Gelernte-Modelle-Speichereinheit 200 gespeicherten gelernten Modell vor und wählt ein gelerntes Modell, das mit einem Umgebungstemperaturveränderungskurvenmuster mit der größten Ähnlichkeit in Verbindung gebracht ist, als gelerntes Modell für das Lernen und die Schätzung der Herstellungsmaschine 70. Auf eine solche Weise wird es möglich, ein gelerntes Modell, das für eine Einrichtungsumgebung der Herstellungsmaschine 70 geeignet ist, automatisch zu wählen, ohne einen Arbeiter zu bemühen.
  • Die Lerneinheit 140 nimmt das Lernen (das zusätzliche Lernen) eines Wärmeversatzkompensationsausmaßes für jede Achse, die jede Herstellungsmaschine 70 aufweist, in Bezug auf einen Betriebszustand der Herstellungsmaschine 70 gemäß einem beliebigen Lernalgorithmus, der zusammenfassend als maschinelles Lernen bezeichnet wird, vor. Die Lerneinheit 140 nimmt das maschinelle Lernen auf Basis einer Zustandsvariablen, die durch die Zustandsbeobachtungseinheit 110 in der Herstellungsmaschine 70 beobachtet wurde, und von Labeldaten, die durch die Labeldatenerlangungseinheit 115 von der Herstellungsmaschine 70 erlangt wurden, unter Verwendung eines (durch die Modelldatenwahleinheit 130) gewählten Lernmodells, das für eine Umgebungstemperaturveränderungskurve der Herstellungsmaschine 70 geeignet ist, vor. Zum Beispiel kann das durch die Lerneinheit 140 vorgenommene maschinelle Lernen ein sogenanntes überwachtes Lernen mit einem Paar aus einer Zustandsvariablen und Labeldaten als Übungsdaten sein. Außerdem kann ein bekanntes Lernmodell wie etwa eine Folgerungsgleichung oder ein neuronales Netzwerk als Lernmodell, das durch die Lerneinheit für das maschinelle Lernen benutzt wird, verwendet werden, und kann ein bekannter Lernalgorithmus als Lernalgorithmus dafür eingesetzt werden.
  • Die Modelldatenspeichereinheit 150 speichert ein gelerntes Modell der Herstellungsmaschine 70, dessen maschinelles Lernen durch die Lerneinheit 140 vorgenommen wurde, in Verbindung mit einer Umgebungstemperaturveränderungskurve der Herstellungsmaschine 70 in der Gelernte-Modelle-Speichereinheit 200. Die Modelldatenspeichereinheit 150 speichert eine Umgebungstemperaturveränderungskurve, die einen Wandel der Veränderung der Umgebungstemperatur der Herstellungsmaschine angibt, und die durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit 120 beobachtet wurde, und ein gelerntes Modell zum Lernen und Schlussfolgern in Bezug auf die Herstellungsmaschine 70 in der Gelernte-Modelle-Speichereinheit 200. Hier kann durch ein bekanntes Bestimmungsverfahren eine Bestimmung, dass das Lernen beendet ist, erfolgen oder kann eine Bestimmung, dass das Lernen beendet ist, erfolgen, wenn ein Arbeiter die Eingabevorrichtung 40 betätigt und die Anweisung gibt, dass das Lernen beendet ist.
  • Auf Basis einer Zustandsvariablen, die durch die Zustandsbeobachtungseinheit 110 von der Herstellungsmaschine 70 beobachtet wurde, schätzt die Schätzergebnisausgabeeinheit 160 unter Verwendung eines gelernten Modells für die Herstellungsmaschine 70, welches Modell durch die Lerneinheit 140 gelernt wurde, ein Wärmeversatzkompensationsausmaß für die Herstellungsmaschine 70, und gibt das geschätzte Wärmeversatzkompensationsausmaß für die Herstellungsmaschine 70 aus. Die Schätzung des Wärmeversatzkompensationsausmaßes für die Herstellungsmaschine 70, welche Schätzung durch die Schätzergebnisausgabeeinheit 160 ausgegeben wurde, wird an die Herstellungsmaschine 70 gesendet und für die Wärmeversatzkompensation verwendet. Außerdem kann die Schätzung des Wärmeversatzkompensationsausmaßes für die Herstellungsmaschine 70, welche Schätzung durch die Schätzergebnisausgabeeinheit 160 ausgegeben wurde, zum Beispiel an der Anzeigevorrichtung 50 angezeigt werden.
  • Im Vorhergehenden wurde eine Ausführungsform der vorliegenden Erfindung beschrieben. Die vorliegende Erfindung ist jedoch nicht ausdrücklich auf das Beispiel der oben beschriebenen Ausführungsform beschränkt, sondern kann durch beliebige Änderungen auf unterschiedliche Weisen ausgeführt werden.
  • Beispielsweise wurde bei der oben beschriebenen Ausführungsform das Beispiel der Einrichtung der Wärmeversatzkompensationsvorrichtung 1 an einem Host-Computer beschrieben. Doch die Wärmeversatzkompensationsvorrichtung 1 kann zum Beispiel an einer Steuervorrichtung, die eine Herstellungsmaschine 70 steuert, eingerichtet werden.
  • Außerdem wurde bei der oben beschriebenen Ausführungsform ein Aufbau beschrieben, bei dem die Gelernte-Modelle-Speichereinheit 200 in einem internen Abschnitt der Maschinenlernvorrichtung 100 enthalten ist. Doch die Gelernte-Modelle-Speichereinheit 200 kann an einem beliebigen Ort eingerichtet werden, solange die Maschinenlernvorrichtung 100 darauf zugreifen kann. Zum Beispiel ist es denkbar, die Gelernte-Modelle-Speichereinheit 200 an einem Host-Computer oder einem Cloud-Computer einzurichten und an jeder Herstellungsmaschine 70 eine Maschinenlernvorrichtung 100 einzurichten. Da die Gelernte-Modelle-Speichereinheit 200 in einem solchen Fall von mehreren Maschinenlernvorrichtungen 100 gemeinsam verwendet werden kann, können von den einzelnen Maschinenlernvorrichtung 100 gelernte Modelle gesammelt werden und wird die Effizienz des Sammelns der gelernten Modelle verbessert.
  • Überdies wurde bei der oben beschriebenen Ausführungsform die Ausführungsform für einen Fall, in dem die Lerneinheit 140 ein überwachtes Lernen vornimmt, beschrieben. Doch solange das Lernen einer Wärmeversatzkompensation vorgenommen werden kann, kann ein anderes Maschinenlernverfahren wie etwa das bestärkende Lernen eingesetzt werden. Zum Beispiel kann in einem Fall, in dem das bestärkende Lernen vorgenommen wird, ein Aufbau ausgeführt werden, bei dem ein Zustand eines Arbeitsbetriebs jeder Herstellungsmaschine 70 und ein Wärmeversatzkompensationsausmaß, das in Bezug auf jede Achse in der Herstellungsmaschine 70 festgelegt ist, durch eine Zustandsüberwachungseinheit 110 überwacht werden, und eine Funktionseinheit zur Erlangung der Richtigkeit/Unrichtigkeit des Wärmeversatzkompensationsausmaßes als Bestimmungsdaten bereitgestellt ist. Auf eine solche Weise stellt eine Labeldatenerlangungseinheit 115 oder dergleichen keinen wesentlichen Aufbau dar. Solange der Aufbau auf eine solche Weise erfolgt, dass Informationen, die gemäß der Weise des in einer Lerneinheit 140 ausgeführten Lernens erforderlich werden, von einer Herstellungsmaschine 70 erlangt werden können, kommt es nicht zu Problemen im Zusammenhang mit dem maschinellen Lernen. Es ist zu beachten, dass ein Punkt der vorliegenden Erfindung darin besteht, dass ein gelerntes Modell, das zur Verwendung beim maschinellen Lernen und bei der Schätzung geeignet ist, auf Basis einer Umgebungstemperaturveränderungskurve, die eine Umgebung um eine Herstellungsmaschine 70 angibt, gewählt werden kann.
  • Im Vorhergehenden wurden Ausführungsformen der vorliegenden Erfindung beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die Beispiele der oben beschriebenen Ausführungsformen beschränkt, sondern kann durch beliebige Änderungen auf unterschiedliche Weisen ausgeführt werden.

Claims (2)

  1. Wärmeversatzkompensationsvorrichtung (1), die ein Wärmeversatzkompensationsausmaß für jede Achse, die eine Herstellungsmaschine (70) aufweist, schätzt, wobei die Wärmeversatzkompensationsvorrichtung (1) eine Maschinenlernvorrichtung (100), die ein Wärmeversatzkompensationsausmaß für jede Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf einen Betriebszustand der Herstellungsmaschine (70) lernt, umfasst, wobei die Maschinenlernvorrichtung (100) eine Modelldatenwahleinheit (130), die unter einer Veränderung der Umgebungstemperatur der Herstellungsmaschine (70) ein gelerntes Modell wählt, das für ein zusätzliches Lernen des Wärmeversatzkompensationsausmaßes bei jeder Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, und eine Gelernte-Modelle-Speichereinheit (200), die ein Muster einer Umgebungstemperaturveränderungskurve, die einen Wandel der Veränderung der Umgebungstemperatur der Herstellungsmaschine (70) angibt, und ein gelerntes Modell, das unter der Veränderung der Umgebungstemperatur gelernt wurde, in Verbindung bringt und speichert, aufweist, wobei die Modelldatenwahleinheit (130) das gelernte Modell, das für das zusätzliche Lernen des Wärmeversatzkompensationsausmaßes bei jeder Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, auf Basis der in der Gelernte-Modelle-Speichereinheit (200) gespeicherten Umgebungstemperaturveränderungskurven wählt, wobei die Maschinenlernvorrichtung (100) ferner eine Umgebungstemperaturveränderungskurvenbeobachtungseinheit (120) aufweist, die eine Veränderung der Umgebungstemperatur der Herstellungsmaschine (70) empfängt, und die Modelldatenwahleinheit (130) die Gelernte-Modelle-Speichereinheit (200) nach einer Umgebungstemperaturveränderungskurve, die der Veränderung der Umgebungstemperatur der Herstellungsmaschine (70), welche Veränderung durch die Umgebungstemperaturveränderungskurvenbeobachtungseinheit (120) beobachtet wurde, ähnlich ist, durchsucht, und automatisch ein mit der gefundenen Umgebungstemperaturveränderungskurve verbundenes gelerntes Modell als gelerntes Modell, das für das zusätzliche Lernen des Wärmeversatzkompensationsausmaßes für jede Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, wählt, wobei die Ähnlichkeit der Umgebungstemperaturveränderungskurven durch einen Wellenmustervergleich zwischen der beobachteten Umgebungstemperaturveränderungskurve und den in der Gelernte-Modelle-Speichereinheit (200) gespeicherten Umgebungstemperaturveränderungskurvenmustern ermittelt wird.
  2. Wärmeversatzkompensationsvorrichtung (1) nach Anspruch 1, wobei die Modelldatenwahleinheit (130) eine Liste der Umgebungstemperaturveränderungskurven, die in der Gelernte-Modelle-Speichereinheit (200) gespeichert sind, anzeigt, und ein gelerntes Modell, das mit einer Umgebungstemperaturveränderungskurve, die aus den angezeigten Umgebungstemperaturveränderungskurven gewählt wurde, verbunden ist, als das gelernte Modell, das für das zusätzliche Lernen des Wärmeversatzkompensationsausmaßes für jede Achse, die die Herstellungsmaschine (70) aufweist, in Bezug auf den Betriebszustand der Herstellungsmaschine (70) geeignet ist, wählt.
DE102019112111.6A 2018-05-16 2019-05-09 Wärmeversatzkompensationsvorrichtung Active DE102019112111B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-094752 2018-05-16
JP2018094752A JP6753893B2 (ja) 2018-05-16 2018-05-16 熱変位補正装置

Publications (2)

Publication Number Publication Date
DE102019112111A1 DE102019112111A1 (de) 2019-11-28
DE102019112111B4 true DE102019112111B4 (de) 2022-07-14

Family

ID=68499553

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019112111.6A Active DE102019112111B4 (de) 2018-05-16 2019-05-09 Wärmeversatzkompensationsvorrichtung

Country Status (4)

Country Link
US (1) US11087238B2 (de)
JP (1) JP6753893B2 (de)
CN (1) CN110501972B (de)
DE (1) DE102019112111B4 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3839414A1 (de) * 2019-12-20 2021-06-23 Hexagon Technology Center GmbH Verbesserte thermische kompensation von mechanischen prozessen
DE102020102863A1 (de) * 2020-02-05 2021-08-05 Festo Se & Co. Kg Parametrierung einer Komponente in der Automatisierungsanlage
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
JP7467824B1 (ja) 2022-12-06 2024-04-16 株式会社東京精密 温度制御装置、温度制御方法、プログラム、プローバ及び学習モデル生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2011131371A (ja) 2009-11-27 2011-07-07 Tottori Univ 工作機械、工作機械の温度測定部の数及び配置の決定方法及びプログラム
DE102015115838A1 (de) 2015-09-18 2017-03-23 Grob-Werke Gmbh & Co. Kg Neuronale Netze in einer Werkzeugmaschine

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3792266B2 (ja) * 1994-06-16 2006-07-05 森精機興産株式会社 工作機械の熱変位補正方法及びその装置
JPH1074188A (ja) * 1996-05-23 1998-03-17 Hitachi Ltd データ学習装置およびプラント制御装置
JP4358705B2 (ja) * 2004-08-17 2009-11-04 中村留精密工業株式会社 工作機械の熱変形誤差の補正方法
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
JP6280078B2 (ja) * 2015-05-11 2018-02-14 ファナック株式会社 工作機械の熱変位補正訓練装置
JP6063016B1 (ja) * 2015-09-29 2017-01-18 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工作機械
JP6235543B2 (ja) * 2015-09-30 2017-11-22 ファナック株式会社 加工機のサイクル加工時間を最適化する機械学習装置、モータ制御装置、加工機、および機械学習方法
JP5969676B1 (ja) * 2015-09-30 2016-08-17 ファナック株式会社 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
JP6156566B2 (ja) * 2015-12-25 2017-07-05 株式会社リコー 診断装置、診断方法、プログラムおよび診断システム
JP6703264B2 (ja) * 2016-06-22 2020-06-03 富士通株式会社 機械学習管理プログラム、機械学習管理方法および機械学習管理装置
JP6450724B2 (ja) * 2016-10-18 2019-01-09 ファナック株式会社 工作機械の加工プログラムの設定値を学習する機械学習装置および加工システム
JP6691087B2 (ja) * 2017-10-04 2020-04-28 ファナック株式会社 熱変位補正システム
JP6683667B2 (ja) * 2017-10-04 2020-04-22 ファナック株式会社 熱変位補正システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2011131371A (ja) 2009-11-27 2011-07-07 Tottori Univ 工作機械、工作機械の温度測定部の数及び配置の決定方法及びプログラム
DE102015115838A1 (de) 2015-09-18 2017-03-23 Grob-Werke Gmbh & Co. Kg Neuronale Netze in einer Werkzeugmaschine

Also Published As

Publication number Publication date
CN110501972B (zh) 2021-06-08
CN110501972A (zh) 2019-11-26
JP2019198928A (ja) 2019-11-21
US11087238B2 (en) 2021-08-10
US20190354892A1 (en) 2019-11-21
JP6753893B2 (ja) 2020-09-09
DE102019112111A1 (de) 2019-11-28

Similar Documents

Publication Publication Date Title
DE102019112111B4 (de) Wärmeversatzkompensationsvorrichtung
DE102017000536B4 (de) Zellsteuereinheit zum Feststellen einer Ursache einer Anomalie bei einer Fertigungsmaschine
DE102017108169B4 (de) Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt
DE102018204137B4 (de) Maschinenlernvorrichtung und Kompensationsvorrichtung für thermische Verschiebung
DE102018115413B4 (de) Gerät zur kompensation thermischer verschiebung und maschinenlernvorrichtung zum lernen von formmessdaten
DE102011102034B4 (de) Online-Abgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb
DE102018200280B4 (de) Visuellsensor-abnormalitätsursachen-schätzsystem
DE102019003382A1 (de) Anomaliedetektor
DE102018103827A1 (de) Lagerverwaltungssystem mit funktionen für das ausführen von lagerverwaltung und vorbeugender instandhaltung
DE112019006789B4 (de) Arbeitsbestimmungsgerät und arbeitsbestimmungsverfahren
DE102016015332A1 (de) Präventivwartungsverwaltungssystem und -verfahren zum Erstellen eines Wartungsplans einer Maschine sowie Zellensteuereinrichtung
DE112011101738T5 (de) Mehrstufiges Prozessmodellierungsverfahren
DE102017211737B4 (de) Überwachungsvorrichtung und Verfahren zur Überwachung eines Systems
DE102019106728B4 (de) Wärmeverschiebungskorrektursystem und computer
DE102017002372B4 (de) Testsystem zum Durchführen eines Maschinentests
DE102018008370A1 (de) Lebensdauervorhersagegerät
DE102020118225A1 (de) Anomaliebestimmungsvorrichtung und Anomaliebestimmungssystem
DE102019115934A1 (de) Einstellerfordernis-bestimmungsvorrichtung
EP3035281A1 (de) Energieeffizienzanalyse einer technischen anlage aus simulation und verbrauch
DE102019001177B4 (de) Steuergerät, maschinelle Lernvorrichtung und System
DE102019109258A1 (de) Wellenformanzeigevorrichtung
DE102018132658A1 (de) Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs
DE102019128707A1 (de) Robotersystem
EP3396477B1 (de) Verfahren zur bestimung von regeln zur charakterisierung des normalen betriebszustands eines arbeitsprozesses
DE102019108328A1 (de) Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Verarbeitung von Messdatensätzen

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: HL KEMPNER PATENTANWAELTE, SOLICITORS (ENGLAND, DE

Representative=s name: HL KEMPNER PATENTANWALT, RECHTSANWALT, SOLICIT, DE

R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final