JP2001138175A

JP2001138175A - 工作機械の熱変形抑制方法および温度制御装置

Info

Publication number: JP2001138175A
Application number: JP32639599A
Authority: JP
Inventors: 恭一 ▲えび▼沢; Kyoichi Ebisawa; Koichi Urano; 好市浦野; Ikuo Tanabe; 郁男田辺
Original assignee: Kanto Seiki Co Ltd
Current assignee: Marelli Corp
Priority date: 1999-11-17
Filing date: 1999-11-17
Publication date: 2001-05-22
Anticipated expiration: 2019-11-17
Also published as: JP4488564B2

Abstract

(57)【要約】【目的】ニューラルネットワークの逆解法により強制温
調の最適な目標温度を求め、工作機械の熱変形を高度に
抑制する全く新しい方法を提供する。【構成】工作機械の構造体温度、前記工作機械周囲の温
度、前記工作機械の強制温調温度等に関する入力データ
群を入力し、そのときの前記工作機械の熱変位量を出力
し、入出力間に非線形関数を含むニューラルネットワー
クに、入力データと教師データとを与えることにより、
前記入力データ群と前記熱変位量との関係を学習させる
手順と、前記ニューラルネットワークに学習させた前記
入力データ群と前記熱変位量との関係により、前記熱変
位量が最小となる強制温調温度である最適温調設定温度
を求める手順と、強制温調温度が前記最適温調設定温度
となるように制御して前記工作機械の強制温調を行う手
順とを有する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、工作機械の熱変
形抑制方法および温度制御装置に関するものであり、さ
らに詳しくは、ニューラルネットワークの逆解法により
工作機械の熱変形を抑制する方法およびそれを利用した
温度制御装置に関するものである。

【０００２】

【従来の技術】工作機械の熱変形による加工製品の形状
精度および寸法精度等への影響をできるだけ少なくする
ために、工作機械を強制温調（冷却または加熱）して各
構造体の温度を一定値に保つことや室温等に追従させる
ことは従来から行われていた。また、工作機械の温度変
化による熱変形量を予測して、各座標軸方向の送り量を
補正することにより熱変形による影響を減少させること
も従来から知られていた。

【０００３】

【発明が解決しようとする課題】従来のように、工作機
械を強制温調して各構造体の温度を目標値に保とうとし
ても、各構造体の温度を完全に目標値に追従制御するこ
とは不可能であり、目標値への追従制御による強制温調
によって熱変形による影響を減少させることには限界が
あった。また、工作機械の温度変化による熱変形量を精
度よく予測することも困難であり、各座標軸方向の送り
量を補正することによる熱変形の補償にも限界があっ
た。そして送り方向以外の方向での熱変形を補償するた
めには、各送り軸の制御が複雑となり補償精度がさらに
悪化することとなる。

【０００４】そこで、本発明は、ニューラルネットワー
クの逆解法により強制温調の最適な目標温度を求め、工
作機械の熱変形を高度に抑制する全く新しい方法および
その方法を利用した温度制御装置を提供することを目的
とする。

【０００５】

【問題を解決するための手段】上記目的を達成するため
に、本発明の工作機械の熱変形抑制方法は、工作機械の
構造体温度、前記工作機械周囲の温度、前記工作機械の
強制温調温度等に関する入力データ群を入力し、そのと
きの前記工作機械の熱変位量を出力し、入出力間に非線
形関数を含むニューラルネットワークに、入力データと
教師データとを与えることにより、前記入力データ群と
前記熱変位量との関係を学習させる手順と、前記ニュー
ラルネットワークに学習させた前記入力データ群と前記
熱変位量との関係により、前記熱変位量が最小となる強
制温調温度である最適温調設定温度を求める手順と、強
制温調温度が前記最適温調設定温度となるように制御し
て前記工作機械の強制温調を行う手順とを有するもので
ある。

【０００６】また、上記の工作機械の熱変形抑制方法に
おいて、前記入力データ群は、稼働開始からの時間と、
稼働開始からの前記工作機械各部の温度上昇値と、稼働
開始からの室温上昇値および前記工作機械の強制温調温
度を含むものであることが好ましい。

【０００７】また、上記の工作機械の熱変形抑制方法に
おいて、前記入力データ群は、所定時間だけ過去からの
前記工作機械各部の温度上昇値と所定時間だけ過去から
の室温上昇値とを含むものであることが好ましい。

【０００８】また、上記の工作機械の熱変形抑制方法に
おいて、前記ニューラルネットワークは、入力層、中間
層および出力層の３層構造を有するものであることが好
ましい。

【０００９】また、上記の工作機械の熱変形抑制方法に
おいて、前記ニューラルネットワークは、前記中間層の
入力と出力との関係がシグモイド関数となるものである
ことが好ましい。

【００１０】また、本発明の工作機械の温度制御装置
は、工作機械の構造体温度および前記工作機械周囲の温
度に関するデータを入力するデータ入力手段と、前記工
作機械の構造体温度、前記工作機械周囲の温度、前記工
作機械の強制温調温度等に関する入力データ群を入力
し、そのときの前記工作機械の熱変位量を出力し、入出
力間に非線形関数を含むとともに前記入力データ群と前
記熱変位量との関係を学習させたニューラルネットワー
クに基づいて、前記入力データ群と前記熱変位量との関
係により、前記熱変位量が最小となる強制温調温度であ
る最適温調設定温度を演算する演算手段と、強制温調温
度が前記最適温調設定温度となるように制御を行う制御
手段とを有するものである。

【００１１】また、上記の工作機械の温度制御装置にお
いて、稼働開始時の前記工作機械各部の温度と稼働開始
時の室温とを記憶する手段を有することが好ましい。

【００１２】また、上記の工作機械の温度制御装置にお
いて、所定時間だけ過去からの前記工作機械各部の温度
の履歴データと所定時間だけ過去からの室温の履歴デー
タとを記憶する手段を有することが好ましい。

【００１３】また、上記の工作機械の温度制御装置にお
いて、前記ニューラルネットワークは、入力層、中間層
および出力層の３層構造を有するものであることが好ま
しい。

【００１４】また、上記の工作機械の温度制御装置にお
いて、前記ニューラルネットワークは、前記中間層の入
力と出力との関係がシグモイド関数となるものであるこ
とが好ましい。

【００１５】

【発明の実施の形態】本発明の実施の形態について図面
を参照して説明する。図１は、本発明の熱変形抑制方法
を適用する工作機械を示す図である。工作機械としては
マシニングセンタ１を例にとって説明する。マシニング
センタ１のベッド２上には、テーブル３が設けられてい
る。また、コラム４には主軸頭５がＺ軸方向（鉛直方
向）に移動可能に設けられている。主軸頭５には、Ｚ軸
方向の中心軸を有する主軸６がＺ軸の回りに回転可能に
軸支されている。

【００１６】テーブル３と主軸頭５とは、Ｚ軸と直交す
るＸ，Ｙ軸の両軸方向に相対移動可能に設けられてい
る。ここでは、Ｚ軸は鉛直方法に配置され、Ｘ，Ｙ軸は
水平面内に配置されているが、これに限らず、Ｘ，Ｙ，
Ｚ軸は互いに直交する任意の方向であってもよい。工作
物はテーブル３上に固定され、主軸６の先端に取り付け
られた加工工具によって工作物の加工が行われる。加工
の際には、主軸６が回転駆動され、主軸頭５とテーブル
３とがＸ，Ｙ，Ｚ軸方向に相対移動される。

【００１７】マシニングセンタ１が稼働を開始すると、
主軸６を軸支する軸受や駆動モータが熱源になり、マシ
ニングセンタ１の各部の温度が変動する。また、周囲の
室温も時間に従って変動する。これらの温度変動によ
り、マシニングセンタ１の各部に熱変形が生じ、主軸頭
５（主軸６）とテーブル３とのＸ，Ｙ，Ｚ軸方向の位置
関係に熱変形による変位が生じる。このような熱変位が
工作物の加工精度に悪影響を及ぼすので、マシニングセ
ンタ１の熱変形を抑制するための冷却装置９が設けられ
ている。

【００１８】冷却装置９は、冷却媒体（冷却油）を循環
させることにより、主軸６の軸受やＸ，Ｙ，Ｚ軸方向の
送りねじの強制冷却を行うものである。従来の冷却制
御、例えば、室温同調制御においては、主軸軸受、送り
ねじ等の部材の温度が室温と同調するようにフィードバ
ック制御が行われ、これにより冷却媒体の温度が設定さ
れる。機体温度同調制御においては、主軸軸受、送りね
じ等の部材の温度がベッド２等の機体温度と同調するよ
うにフィードバック制御が行われ、これにより冷却媒体
の温度が設定される。

【００１９】このような従来のフィードバック制御、フ
ィードフォワード制御による強制冷却では、未だ工作機
械の熱変形を充分に抑制することができなかった。本発
明は、ニューラルネットワークの逆解法により強制冷却
の最適な目標温度を求め、工作機械の熱変形を高度に抑
制する全く新しい方法を実現するものである。

【００２０】図２は、本発明に使用するニューラルネッ
トワークの構成を示す図である。このニューラルネット
ワークは、入力層、中間層、出力層からなる３層構造を
有している。入力層のユニットはｎ個設けられており、
上からｉ番目（１≦ｉ≦ｎ）のユニットに対する入力を
Ｔ_i とすると、ｉ番目のユニットの出力もＴ_i である。
すなわち、入力層の各ユニットは、入力された信号をそ
のまま出力するものである。入力層の入力Ｔ_i には、マ
シニングセンタ１の稼働開始からの時間ｔ、稼働開始か
ら時間ｔまでのマシニングセンタ１の機体各部の温度上
昇値、稼働開始から時間ｔまでの室温上昇値、所定時間
Δｔだけ前から時間ｔまでの機体各部の温度上昇値、所
定時間Δｔだけ前から時間ｔまでの室温上昇値、冷却媒
体の温度等のデータが含まれる。

【００２１】中間層のユニットはｍ個設けられており、
上からｊ番目（１≦ｊ≦ｍ）のユニットに対する入力を
Ｕ_j とし、ｊ番目のユニットの出力をＨ_j とする。出力
層のユニットは３個設けられており、上からｋ番目（１
≦ｋ≦３）のユニットに対する入力をＳ_k とし、ｋ番目
のユニットの出力をＯ_k とする。出力Ｏ₁ ，Ｏ₂ ，Ｏ ₃
は熱変位のそれぞれＸ，Ｙ，Ｚ軸方向成分を表す。Ｕ
_j ，Ｈ_j ，Ｓ_k ，Ｏ_k は、次の数１によって表される。

【００２２】

【数１】

【００２３】数１（１）において、Ｗ_jiは入力層と中間
層の結合係数であり、θ_j は中間層の入力へのオフセッ
ト値である。数１（２）により、中間層の入力と出力と
の関係が示される。ただし、数１（２）において、ｅｘ
ｐ（ｘ）は指数関数を表すものである。数１（２）は、
シグモイド関数と呼ばれるものである。数１（３）にお
いて、Ｖ_kjは中間層と出力層の結合係数であり、γ_k は
出力層の入力へのオフセット値である。数１（４）は、
出力層の入力と出力との関係を示すものである。この出
力層の入出力関数としては、数１（４）のように線形１
次関数を用いている。

【００２４】ここでは、ニューラルネットワークとして
３層構造を持ち、中間層の入出力関数をシグモイド関数
とし、出力層の入出力関数を線形１次関数としたものを
示したが、これ以外の構成のものも利用できる。例え
ば、３層以上の多層構造としたり、中間層と出力層に他
の関数を利用したりすることができる。また、出力層の
ユニットの数を３として、熱変位のＸ，Ｙ，Ｚ軸方向成
分を出力するようにしたが、これ以外の座標成分を出力
するようにしてもよい。例えば、出力層のユニットの数
を６として、熱変位のＸ，Ｙ，Ｚ軸方向成分に加えて
Ａ，Ｂ，Ｃ軸方向成分も出力することができる。ここ
で、Ａ，Ｂ，Ｃ軸方向とは、それぞれＸ，Ｙ，Ｚ軸の回
りの回転方向である。また、着目する任意の方向の熱変
位成分のみを出力するようにすることもできる。

【００２５】図２のようなニューラルネットワークに学
習を行うには、入力Ｔ₁ 〜Ｔ_n を与えるとともに、その
出力Ｏ₁ 〜Ｏ₃ に対する教師データＤ₁ 〜Ｄ₃ を与え
る。この入力Ｔ_i には、マシニングセンタ１の稼働開始
からの時間ｔ、稼働開始から時間ｔまでの機体各部の温
度上昇値、稼働開始から時間ｔまでの室温上昇値、所定
時間Δｔだけ前から時間ｔまでの機体各部の温度上昇
値、所定時間Δｔだけ前から時間ｔまでの室温上昇値、
冷却媒体の温度等のデータが含まれる。ここでは、冷却
媒体の温度はＴ_n として与えるものとする。

【００２６】このときのマシニングセンタ１の主軸６と
テーブル３の基準点の相対的な熱変位量のＸ，Ｙ，Ｚ軸
方向成分を測定し、それらの測定値を教師データＤ₁ 〜
Ｄ₃として与える。そして、出力Ｏ_k と教師データＤ_k
との誤差の二乗和が最小になるように、結合係数Ｗ_ji，
Ｖ_kjおよびオフセット値θ_j ，γ_k を修正する。マシニ
ングセンタ１の種々の運転状態に対して入力データＴ₁
〜Ｔ_n と教師データＤ ₁ 〜Ｄ₃ を測定し、学習を繰り返
すことにより実際のマシニングセンタ１の熱変位特性を
シミュレートするようなニューラルネットワークを構築
することができる。実際の結合係数およびオフセット値
の修正は、公知のバックプロパゲーション法を用いて計
算を行うことができる。出力と教師データとの誤差の二
乗和が許容値以下となるまで修正を繰り返し、許容値以
下となれば学習を終了させる。

【００２７】このようにマシニングセンタ１の熱変位特
性を学習させたニューラルネットワークの入力データ、
結合係数、オフセット値を使用して、マシニングセンタ
１の熱変位は、次の数２により計算される。

【００２８】

【数２】

【００２９】ここで、前述のように、入力データＴ₁ 〜
Ｔ_n-1 は稼働開始からの時間および各部の温度上昇値で
あり、入力データＴ_n は冷却媒体の温度である。したが
って、入力データＴ₁ 〜Ｔ_n-1 として測定値を用いるこ
とにより、マシニングセンタ１の熱変位を冷却媒体の温
度のみの関数として表すことができる。数２により、あ
らゆる運転状態において、ある冷却媒体の温度に対する
マシニングセンタ１の熱変位を計算することができる。

【００３０】逆に、マシニングセンタ１の熱変位を最小
とするための冷却媒体の最適設定温度を求めることを逆
解法問題という。この逆解法問題を数２による熱変位を
最小化するための最適化計算によって解くことができ
る。具体的には、熱変位を表す出力Ｏ₁ 〜Ｏ₃ の二乗和
が最小になるような冷却媒体の設定温度Ｔ_n を公知の勾
配法等により求めることができる。また、最適解を求め
る際の直線探索としては公知の黄金分割探索等を用いる
ことができる。

【００３１】図２のようなニューラルネットワークは、
実際には、コンピュータ内のプログラムおよびデータと
して実現される。学習によるニューラルネットワークの
結合係数、オフセット値の修正演算もコンピュータによ
って演算される。さらに、コンピュータによる数値計算
によって逆解法問題を解いて冷却媒体の最適設定温度が
求められる。

【００３２】図３は、本発明の熱変形抑制方法を使用し
た冷却制御装置７の構成を示す図である。図１の冷却装
置９は、この冷却制御装置７および冷却器８を備えてい
る。冷却制御装置７には、情報処理手段としてのＣＰＵ
７１が設けられている。ＣＰＵ７１は、バス７２を介し
てＲＯＭ７３、ＲＡＭ７４等のメモリをアクセスし、ま
た、それ以外の入出力回路等をアクセスして種々の情報
処理を行うことができる。

【００３３】ＣＰＵ７１は、ＲＯＭ７３に記憶されてい
るＢＩＯＳ等のシステムプログラムおよびデータと、Ｒ
ＡＭ７４にロードされたプログラムおよびデータに従っ
て動作する。ＲＡＭ７４には、図２のようなニューラル
ネットワークをモデル化したニューラルネットワークモ
デル７４１が記憶されている。また、ＲＡＭ７４には、
基本プログラムであるＯＳ（オペレーティング・システ
ム）や、ニューラルネットワークの学習を行う学習プロ
グラム７４２、ニューラルネットワークの逆解法により
冷却媒体の最適設定温度を演算する最適温度演算プログ
ラム７４３等がロードされている。

【００３４】冷却制御装置７のバス７２には、補助記憶
装置としての固定ディスク装置７５が接続されている。
固定ディスク装置７５にはＣＰＵ７１によって実行され
るべきＯＳプログラムおよびその他のプログラム等を記
憶しておき、適宜、これらのプログラム等を固定ディス
ク装置７５からＲＡＭ７４にロードする。また、固定デ
ィスク装置７５には、ニューラルネットワークモデル７
４１を構成するためのデータ、数式等も記憶されてい
る。固定ディスク装置７５には、さらに、後述する稼働
開始時温度データ７５１、温度履歴データ７５２が記録
される。

【００３５】冷却制御装置７のバス７２には、文字およ
び図形を表示する表示手段７６、操作者がデータを入力
するための入力手段７７がインターフェース回路を介し
て接続されている。表示手段７６としてはＣＲＴ、液晶
ディスプレイ等が使用でき、入力手段７７としてはキー
ボード、タッチパネル等が使用できる。

【００３６】また、バス７２には、時間を計測するため
の時計回路７８、工作機械（マシニングセンタ１）から
の温度等の測定データを入力するための入力回路７９が
接続されている。さらに、冷却制御装置７にはインター
フェース回路を介して冷却器８が接続されており、冷却
制御装置７によって目標温度に冷却制御された冷却媒体
が冷却器８から工作機械に送られ、工作機械の主軸軸受
やＸ，Ｙ，Ｚ軸の送りねじ等の部材を冷却する。

【００３７】学習プログラム７４２は、学習によるニュ
ーラルネットワークの結合係数、オフセット値の修正演
算を行うものである。ニューラルネットワークモデル７
４１として、メーカーによって予め学習が終了したもの
を記憶させておけば、学習プログラム７４２は必ずしも
必要ではない。さらに、学習済みのニューラルネットワ
ークに基づく最適温度演算プログラム７４３が用意され
ていれば、ニューラルネットワークモデル７４１も不要
である。ただし、ニューラルネットワークモデル７４１
および学習プログラム７４２を搭載していれば、工作機
械ユーザー自身が教師データを用意してニューラルネッ
トワークの学習を行うことができる。

【００３８】ニューラルネットワークの入力データとな
るべき工作機械からの計測データは、入力回路７９を介
して冷却制御装置７に入力され、また、工作機械の稼働
開始信号等も入力回路７９に入力される。稼働開始から
の時間は時計回路７８から読み取ることができる。さら
に、入力回路７９に入力された工作機械各部の温度およ
び室温のデータは、稼働開始時の温度データが稼働開始
時温度データ７５１として、所定時間Δｔだけ過去から
現在までの履歴データが温度履歴データ７５２として固
定ディスク装置７５内に記録される。

【００３９】稼働開始時温度データ７５１と現在の温度
データから工作機械各部および室温の温度上昇値が計算
され、温度履歴データ７５２と現在の温度データから所
定時間Δｔだけ前から現在までの温度上昇値が計算され
る。これらのデータから、数２によって与えられる熱変
位を最小化するような、冷却媒体の最適設定温度を最適
温度演算プログラム７４３により演算し、冷却媒体がそ
の最適設定温度となるように冷却器８を制御する。

【００４０】この冷却制御装置７によって冷却制御を行
った場合には、従来の室温同調制御等に比較して工作機
械の熱変位を大幅に抑制することができ、製品の加工精
度を大幅に向上させることができる。また、Ｘ，Ｙ，Ｚ
軸方向のような直線方向の熱変位を抑制するだけでな
く、Ａ，Ｂ，Ｃ軸方向のような回転方向の熱変位を抑制
することも可能である。さらに、特に熱変位の抑制が必
要な方向に対して、熱変位の抑制を重点的に行うことも
可能である。その場合は、抑制が必要な熱変位を最小化
するように最適化計算を行い、冷却媒体の最適設定温度
を求めればよい。

【００４１】次に、実際に本発明の熱変形抑制方法を工
作機械に適用した実例を示す。工作機械としては卓上旋
盤を使用し、主軸先端部のＺ軸方向（主軸軸線方向）の
熱変位を最小化するものとする。ここで使用した卓上旋
盤の主軸は、Ｘ，Ｙ軸方向には熱変位の生じにくい構造
のため、Ｚ軸方向の熱変位のみを対象とした。ニューラ
ルネットワークの構成は、図２において出力層のユニッ
ト数を１としたものとなり、出力もＯ₁ のみとなる。な
お、入力層のユニット数は１６、中間層のユニット数は
３２とした。また、数１（４）および数２における定数
ａ，ｂは、ａ＝１，ｂ＝０とした。

【００４２】学習のためのデータセットは、室温（夏お
よび冬）、主軸回転速度、強制冷却制御方法等をそれぞ
れ組み合わせた２４通りの運転状態に対応して測定し
た。その２４通りの運転状態のそれぞれに対して、稼働
開始から３０分ごとに１５個のサンプリング時点におけ
るデータＴ₁ 〜Ｔ_n を測定し、そのときのＺ軸方向の熱
変位を測定して教師データとする。すなわち、学習デー
タセットは３６０セット（＝２４×１５）となる。測定
データＴ₁ 〜Ｔ_n はｎ＝１６であり、その内容は、稼働
時間１データ、機体各部６位置の温度上昇値６データ、
３０分（Δｔ）前からの機体各部６位置の温度上昇値６
データ、室温上昇値１データ、３０分前からの室温上昇
値１データ、冷却油温度１データである。

【００４３】この３６０セットの学習データにより学習
を遂行すると、１３０回の学習によって熱変位の誤差は
許容値以下に減少し収束した。学習の終了したこのニュ
ーラルネットワークにより、熱変位を冷却油の温度の関
数として表現することができる。具体的には、数２のＯ
₁ を計算する式となる。この式から熱変位を最小化する
ための冷却油の最適設定温度を前述の黄金分割探索等に
より求め、それに基づいて冷却装置の冷却油の設定温度
を制御する。

【００４４】次に、このようにして冷却油の設定温度を
制御して強制冷却を行った場合の、熱変位の測定結果を
示す。図４は、測定を行った卓上旋盤の運転状態を示す
図である。卓上旋盤は、このように稼働開始から１時間
ごとに主軸回転速度を交互に３６００ｒｐｍ、１８００
ｒｐｍとなるように切り換えてアイドリング運転され
た。

【００４５】図５は、このような運転状態における主軸
の熱変位量の測定結果を示したものである。「○」で示
された測定値は、本発明によるニューラルネットワーク
の逆解法によって求められた最適設定温度に冷却油の温
度を設定して強制冷却を行ったものである。「●」で示
された測定値は、従来の室温同調制御による強制冷却を
行ったものである。図５に示されるように、本発明によ
って強制冷却を行った場合には、従来の室温同調制御に
よる強制冷却に比較して熱変位が大幅に抑制されてい
る。

【００４６】なお、以上の実施の形態では、工作機械と
してマシニングセンタと旋盤を例にあげたが、その他の
任意の工作機械にも適用できる。また、数２においては
冷却媒体の温度を１つのデータにより表しているが、強
制冷却を行う個所が複数ある場合（主軸軸受と送りねじ
等）には、それぞれの個所で冷却媒体の温度を変えても
よく、その際には冷却媒体の温度を複数のデータにより
表すようにすればよい。さらに、ここでは工作機械の温
調制御として冷却を行うものについて説明したが、加熱
を行うものや冷却および加熱の両方を行うものであって
もよい。

【００４７】

【発明の効果】本発明は、以上説明したように構成され
ているので、以下のような効果を奏する。

【００４８】工作機械の熱変位特性を学習させたニュー
ラルネットワークを使用して逆解法問題を解くことによ
り最適温調設定温度を求めるようにしたので、従来の温
度制御に比較して工作機械の熱変位を大幅に抑制するこ
とができ、加工製品の寸法精度、形状精度等を大幅に向
上させることができる。また、Ｘ，Ｙ，Ｚ軸方向のよう
な直線方向の熱変位を抑制するだけでなく、Ａ，Ｂ，Ｃ
軸方向のような回転方向の熱変位を抑制することも可能
となる。さらに、特に熱変位の抑制が必要な方向に対し
て、熱変位の抑制を重点的に行うことも可能となる。

【図面の簡単な説明】

【図１】図１は、本発明の熱変形抑制方法を適用する工
作機械を示す図である。

【図２】図２は、本発明に使用するニューラルネットワ
ークの構成を示す図である。

【図３】図３は、本発明の温度制御装置の構成を示す図
である。

【図４】図４は、卓上旋盤の運転状態を示す図である。

【図５】図５は、主軸の熱変位量の測定結果を示したも
のである。

【符号の説明】

１…マシニングセンタ２…ベッド３…テーブル４…コラム５…主軸頭６…主軸７…冷却制御装置８…冷却器９…冷却装置

Claims

【特許請求の範囲】

【請求項１】工作機械の構造体温度、前記工作機械周囲
の温度、前記工作機械の強制温調温度等に関する入力デ
ータ群を入力し、そのときの前記工作機械の熱変位量を
出力し、入出力間に非線形関数を含むニューラルネット
ワークに、入力データと教師データとを与えることによ
り、前記入力データ群と前記熱変位量との関係を学習さ
せる手順と、前記ニューラルネットワークに学習させた前記入力デー
タ群と前記熱変位量との関係により、前記熱変位量が最
小となる強制温調温度である最適温調設定温度を求める
手順と、強制温調温度が前記最適温調設定温度となるように制御
して前記工作機械の強制温調を行う手順とを有する工作
機械の熱変形抑制方法。
【請求項２】請求項１に記載した工作機械の熱変形抑制
方法であって、前記入力データ群は、稼働開始からの時間と、稼働開始
からの前記工作機械各部の温度上昇値と、稼働開始から
の室温上昇値および前記工作機械の強制温調温度を含む
ものである工作機械の熱変形抑制方法。
【請求項３】請求項２に記載した工作機械の熱変形抑制
方法であって、前記入力データ群は、所定時間だけ過去からの前記工作
機械各部の温度上昇値と所定時間だけ過去からの室温上
昇値とを含むものである工作機械の熱変形抑制方法。
【請求項４】請求項１〜３のいずれか１項に記載した工
作機械の熱変形抑制方法であって、前記ニューラルネットワークは、入力層、中間層および
出力層の３層構造を有するものである工作機械の熱変形
抑制方法。
【請求項５】請求項４に記載した工作機械の熱変形抑制
方法であって、前記ニューラルネットワークは、前記中間層の入力と出
力との関係がシグモイド関数となるものである工作機械
の熱変形抑制方法。
【請求項６】工作機械の構造体温度および前記工作機械
周囲の温度に関するデータを入力するデータ入力手段
（７９）と、前記工作機械の構造体温度、前記工作機械周囲の温度、
前記工作機械の強制温調温度等に関する入力データ群を
入力し、そのときの前記工作機械の熱変位量を出力し、
入出力間に非線形関数を含むとともに前記入力データ群
と前記熱変位量との関係を学習させたニューラルネット
ワークに基づいて、前記入力データ群と前記熱変位量と
の関係により、前記熱変位量が最小となる強制温調温度
である最適温調設定温度を演算する演算手段（７４３）
と、強制温調温度が前記最適温調設定温度となるように制御
を行う制御手段とを有する工作機械の温度制御装置。
【請求項７】請求項６に記載した工作機械の温度制御装
置であって、稼働開始時の前記工作機械各部の温度と稼働開始時の室
温とを記憶する手段（７５１）を有する工作機械の温度
制御装置。
【請求項８】請求項７に記載した工作機械の温度制御装
置であって、所定時間だけ過去からの前記工作機械各部の温度の履歴
データと所定時間だけ過去からの室温の履歴データとを
記憶する手段（７５２）を有する工作機械の温度制御装
置。
【請求項９】請求項６〜８のいずれか１項に記載した工
作機械の温度制御装置であって、前記ニューラルネットワークは、入力層、中間層および
出力層の３層構造を有するものである工作機械の温度制
御装置。
【請求項１０】請求項９に記載した工作機械の温度制御
装置であって、前記ニューラルネットワークは、前記中間層の入力と出
力との関係がシグモイド関数となるものである工作機械
の温度制御装置。