JP2019198928A

JP2019198928A - 熱変位補正装置

Info

Publication number: JP2019198928A
Application number: JP2018094752A
Authority: JP
Inventors: 勁萩原; Tsuyoshi Hagiwara; 義人宮▲崎▼; Yoshito Miyazaki
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-05-16
Filing date: 2018-05-16
Publication date: 2019-11-21
Anticipated expiration: 2038-05-16
Also published as: DE102019112111A1; US11087238B2; JP6753893B2; CN110501972A; US20190354892A1; DE102019112111B4; CN110501972B

Abstract

【課題】周辺状況が未知の環境における機械精度の温度補正を効率的に行うことを可能とする熱変位補正装置を提供すること。【解決手段】本発明の熱変位補正装置１が備える機械学習装置１００は、製造機械７０の周辺温度の変化の下で、製造機械７０の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルを選択するモデルデータ選択部１３０と、製造機械７０の周辺温度の変化の推移を示す周辺温度変化曲線のパターンと、該周辺温度の変化の下で学習された学習済みモデルとを関連付けて記憶する学習済みモデル記憶部２００と、を備え、モデルデータ選択部１３０は、学習済みモデル記憶部２００に記憶された周辺温度変化曲線に基づいて、製造機械７０の動作状態に対する該製造機械７０が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルを選択する。【選択図】図２

Description

本発明は、機械精度の温度補正機能をもつ熱変位補正装置に関する。

工作機械等の製造機械の熱変形は加工精度の阻害要因のひとつである。製造機械の熱源を大別すると、（１）製造機械の稼働に伴う生じる内部熱源、（２）製造機械の設置環境で影響を及ぼす外的熱源、の２つに分けて考えることができる。この内、外部熱源には、気温変化・熱風冷風等の雰囲気的要因と日光や照明などの熱輻射が考えられる。製造機械で加工を行う際には、機械精度を保証するために、この内部熱源と外部熱源とを考慮した温度変化による熱変形を補正することが必要である。

この様な熱源に基づく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技術は従来から広く知られているが、製造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が困難であり、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。

この様な問題を解決する従来技術として、例えば特許文献１には、複数の温度センサを導入すると共に、各温度センサの有用性を求め、使用する温度センサを選択した上で、選択した温度センサにより測定された値を用いて工作機械の熱変位を補正する技術が開示されている。また、特許文献２には、ニューラルネットワークを利用した関係式により工作機械の熱変形を求め、各可動部の位置を補正して熱変形の影響を排除する技術が開示されている。

特開２０１１−１３１３７１号公報特開２００３−０９４２９１号公報

しかしながら、特許文献２等に見られるような機械学習による製造機械の機械精度の温度補正は、製造機械の設置条件の変化に弱いという問題がある。同じ製造機械における動作であっても、該製造機械を周囲温度環境が異なる場所に設置した場合、学習済みモデルをそのまま利用したとしても正しく熱変位補正をすることができず、機械学習装置の追加学習が必要となる。製造機械を工場内で運用する場合には、製造機械のレイアウト替えが頻繁に行われるため、その都度追加学習が必要となると効率が悪い。

そこで本発明の目的は、周辺状況が未知の環境における機械精度の温度補正を効率的に行うことを可能とする熱変位補正装置を提供することである。

本発明の熱変位補正装置では、基本データとして恒温の周囲温度環境での機械学習をおこない、学習後の推論式やニューラルネットワークを保持しておく。そして、製造機械を実際の動作環境に設置して追加学習を行う際に、周囲温度環境の温度の変化も一緒にロギングし、一日の温度変化曲線の平均値と分散値を学習後データのラベルとして保持しておく。そして、レイアウト替えの度にデータを記録して蓄積しておき、製造機械を未知の周囲温度環境に設置した場合に、過去に蓄積したデータから一日の温度変化曲線の傾向が比較的近い周囲温度環境で学習を行った学習済みモデルを選択して、追加学習を開始する。この様に、温度変化曲線の傾向が近い周囲温度環境で学習を行った学習済みモデルに基づく追加学習を行うことで、追加学習に掛かる時間を大幅に短縮することができる。

そして、本発明の一態様は、製造機械が備える各軸の熱変位補正量を推定する熱変位補正装置であって、前記製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を学習する機械学習装置を備え、前記機械学習装置は、前記製造機械の周辺温度の変化の下で、前記製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルを選択するモデルデータ選択部と、製造機械の周辺温度の変化の推移を示す周辺温度変化曲線のパターンと、該周辺温度の変化の下で学習された学習済みモデルとを関連付けて記憶する学習済みモデル記憶部と、を備え、前記モデルデータ選択部は、前記学習済みモデル記憶部に記憶された周辺温度変化曲線に基づいて、製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルを選択する、熱変位補正装置である。

本発明により、様々な周囲温度環境において学習した学習済みモデルを使い分けることにより、レイアウト変更が行われた際に掛かる追加学習に掛かる時間を短縮できるようになる

一実施形態による熱変位補正装置の概略的なハードウェア構成図である。一実施形態による熱変位補正装置の概略的な機能ブロック図である。学習済みデータ記憶部に記憶される周辺温度変化曲線と学習済みモデルの例を示す図である。

以下、本発明の実施形態を図面と共に説明する。
図１は本発明の一実施形態による熱変位補正装置の要部を示す概略的なハードウェア構成図である。熱変位補正装置１は、各種加工機や工作機械等の製造機械を制御する制御装置として実装することができる。また、熱変位補正装置１は、製造機械（を制御する制御装置）と併設されたパソコンや、製造機械（を制御する制御装置）とネットワークを介して接続されたセルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することが出来る。図１は、製造機械（を制御する制御装置）とネットワークを介して接続されたコンピュータとして熱変位補正装置１を実装した場合の例を示している。

本実施形態による熱変位補正装置１が備えるＣＰＵ１１は、熱変位補正装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って熱変位補正装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、図示しない入力部を介してオペレータが入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、熱変位補正装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には入力装置４０を操作してオペレータが入力した各種データやインタフェース１９を介して製造機械７０から取得したデータ、図示しないインタフェースを介して入力されたプログラム等が記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、製造機械７０から取得した情報を解析する公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムなどを含むシステム・プログラムがあらかじめ書き込まれている。

インタフェース２１は、熱変位補正装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して熱変位補正装置１で取得可能な各情報を観測することができる。また、熱変位補正装置１は、機械学習装置１００から出力される熱変位補正量に係る情報をインタフェース１７を介して表示装置５０に表示したり、インタフェース１９を介して熱変位補正量に係る情報を製造機械７０に対して送信したりする。

図２は、第１の実施形態による熱変位補正装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した熱変位補正装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、熱変位補正装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の熱変位補正装置１は、ネットワーク２を介して各製造機械７０から取得された該製造機械７０の周辺温度変化曲線に係る情報と該製造機械７０の動作状態に係る情報を機械学習装置１００に観測させ、また、該機械学習装置１００による学習結果を用いて判定された、各製造機械７０に発生する熱変位を補正する熱変位補正量を、表示装置５０に表示すると共に、ネットワーク２を介して各製造機械７０に送信する。

一方、熱変位補正装置１が備える機械学習装置１００は、各製造機械７０の運転動作の状態を示す状態変数として観測する状態観測部１１０、状態観測部１１０が観測した状態変数に対する製造機械７０の各軸の熱変位量をラベルデータとして取得するラベルデータ取得部１１５、各製造機械７０から該製造機械７０の周辺温度変化曲線に係る情報を取得する周辺温度変化曲線観測部１２０、周辺温度変化曲線観測部１２０が観測した各製造機械７０の周辺温度変化曲線に係る情報に基づいて該製造機械７０の動作状態に対する熱変位補正量の学習に適した学習済みモデルを該製造機械７０で用いる学習済みモデルとして不揮発性メモリ１０４内に設けられた学習済みモデル記憶部２００から選択するモデルデータ選択部１３０、各製造機械７０の周辺温度変化曲線に合せて選択された学習済みモデルの機械学習を状態観測部１１０が観測した状態変数とラベルデータ取得部１１５が取得したラベルデータとに基づいて行う学習部１４０、学習部１４０で機械学習した各学習済みモデルを学習済みモデル記憶部２００へと格納するモデルデータ格納部１５０、学習部１４０による学習結果に基づいて各製造機械７０の動作状態に対する熱変位補正量を推論して出力する推定結果出力部１６０を備える。

状態観測部１１０は、製造機械７０から取得された製造機械７０の運転動作の状態を状態変数として取得する。状態観測部１１０が取得する製造機械７０の運転動作の状態としては、例えば製造機械７０の現在の周辺温度、製造機械７０の各部分の温度、製造機械７０のモータの速度や加速度等が例示される。状態観測部１１０は、例えば製造機械７０において実行される製造機械７０の制御用プログラムや、製造機械７０が備えるモータに流れる電流値、製造機械７０の各部に別途設けられたセンサ等の機器により検出された検出値を取得するようにしても良い。

ラベルデータ取得部１１５は、状態観測部１１０が観測した状態変数（製造機械７０の運転動作の状態）に対するラベルデータ（該状態変数が観測された時の製造機械７０の各軸の熱変位補正量）を取得する。ラベルデータ取得部１１５は、例えば製造機械７０によるワークの加工時に製造機械７０の各部に取付けられた側長センサ等で測定された各軸の変位量に基づいて算出された値を状態変数に対するラベルデータとして取得することができる。また、ラベルデータ取得部１１５は、例えば製造機械７０において加工されたワークを計測した結果に基づいて算出された値や作業者により設定された補正値を事後的に状態変数に対するラベルデータを取得することができる。

周辺温度変化曲線観測部１２０は、それぞれの製造機械７０の周辺温度変化曲線を取得する。周辺温度変化曲線観測部１２０は、例えば製造機械７０乃至製造機械７０の周辺に設置された温度センサによる検出された温度値を該製造機械７０の周辺温度変化曲線として取得する。周辺温度変化曲線観測部１２０が取得する製造機械７０の周辺温度変化曲線は、該製造機械７０の周辺の温度変化の所定の期間における推移を示すデータである。周辺温度変化曲線観測部１２０が観測する製造機械７０の周辺温度変化曲線は、単独の温度センサにより検出された温度値を用いるようにしても良いが、より精度を向上させるために製造機械７０の周辺に設置されている複数の温度センサが検出した複数の温度値を取得して、該複数の温度値に対する統計的な処理（平均を取る等）を行うことで、製造機械７０の周辺温度を算出し、算出した周辺温度の時間的推移を周辺温度変化曲線として観測するようにしても良い。

モデルデータ選択部１３０は、周辺温度変化曲線観測部１２０が観測した周辺温度変化曲線に適した学習済みモデルを学習済みモデル記憶部２００に記憶されている学習済みモデルの中から選択する。モデルデータ選択部１３０が選択した学習済みモデルは、製造機械７０の追加学習及び推定のための学習モデルとして学習部１４０に渡される。

図３は、学習済みモデル記憶部２００に格納されている学習済みモデルの例を示す図である。図３に例示されるように、学習済みモデル記憶部２００には、それぞれの学習済みモデルに対して、該学習済みモデルの学習に用いられた状態変数の観察とラベルデータの取得とが行われた製造機械７０の周辺温度変化曲線のパターンが関連付けられて記憶されている。

モデルデータ選択部１３０は、簡易な構成としては、学習済みモデル記憶部２００に記憶されているそれぞれの学習済みモデルに関連付けられた周辺温度変化曲線を表示装置５０に一覧表示し、作業者が入力装置４０を操作して現在の製造機械７０の設置環境における周辺温度の変化の推移に似た周辺温度変化曲線を選択できるようにしても良く、その際には、各周辺温度変化曲線を図形的に表示すると共に、それぞれの周辺温度変化曲線の平均値や分散値等の統計値を併せて表示して選択の支援をするようにしても良い。また、モデルデータ選択部１３０は、学習済みモデルの選択対象である製造機械７０から周辺温度変化曲線観測部１２０が観測した周辺温度変化曲線を、学習済みモデル記憶部２００に記憶されているそれぞれの周辺温度変化曲線と異なる表示形式（実践と点線、異なる色の線など）で重畳表示して、作業者がその類似性を判断する支援をするようにしても良い。

また、より高度な実装としては、モデルデータ選択部１３０は、製造機械７０が新たな環境に設置された後に周辺温度変化曲線観測部１２０が観測した該製造機械７０の周辺温度変化曲線と、学習済みモデル記憶部２００に記憶されているそれぞれの学習済みモデルに関連付けられている周辺温度変化曲線との間で、例えば波形パターンマッチングを行い、最も類似度が高い周辺温度変化曲線パターンに関連付けられた学習済みモデルを、該製造機械７０の学習及び推定のための学習モデルとして選択するようにしても良い。この様にすると、作業者の手を煩わせることなく自動的に製造機械７０の設置環境に適した学習済みモデルを選択することができるようになる。

学習部１４０は、機械学習と総称される任意の学習アルゴリズムに従い、各製造機械７０の動作状態に対する該製造機械７０が備える各軸の熱変位補正量を学習（追加学習）する。学習部１４０は、状態観測部１１０が製造機械７０から観測した状態変数と、ラベルデータ取得部１１５が製造機械７０から取得したラベルデータとに基づいて、（モデルデータ選択部１３０が選択した）製造機械７０の周辺温度変化曲線に適した学習モデルを用いた機械学習を行う。学習部１４０が行う機械学習は、例えば状態変数ラベルデータとの組を教師データとした、所謂教師あり学習であって良い。また、学習部１４０が機械学習に用いる学習モデルは、推論式やニューラルネットワーク等の、公知の学習モデルを用いるようにして良く、その学習アルゴリズムとしても、公知の学習アルゴリズムを採用して良い。

モデルデータ格納部１５０は、学習部１４０が機械学習した製造機械７０の学習済みモデルを、該製造機械７０の周辺温度変化曲線と関連付けて学習済みモデル記憶部２００に格納する。モデルデータ格納部１５０は、周辺温度変化曲線観測部１２０が観測した製造機械７０の周辺温度の変化の推移を示す周辺温度変化曲線と、該製造機械７０の学習及び推論のための学習済みモデルとを学習済みモデル記憶部２００へと記憶する。モデルデータ格納部１５０は、学習部１４０が機械学習している学習モデルの内で、学習が収束した学習モデルを学習済みも出るとして学習済みモデル記憶部２００に記憶するようにしても良く、その際に、学習が収束したという判断は公知の判定手法を用いても良いし、作業者の入力装置４０を操作して学習が収束したことを指令した場合に学習が収束したと判断するようにしても良い。

推定結果出力部１６０は、状態観測部１１０が製造機械７０から観測した状態変数に基づいて、学習部１４０が学習した該製造機械７０のための学習済みモデルを用いて、該製造機械７０の熱変位補正量を推定し、推定した該製造機械７０の熱変位補正量を出力する。推定結果出力部１６０が出力した製造機械７０の熱変位補正量の推定は、当該製造機械７０に対して送信されて熱変位補正に用いられる。また、推定結果出力部１６０が出力した製造機械７０の熱変位補正量の推定は、例えば表示装置５０に表示するようにしても良い。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、上記した実施形態では、ホストコンピュータ上に熱変位補正装置１を実装した例を示したが、例えば、製造機械７０を制御する制御装置上に熱変位補正装置１を実装するようにしても良い。
また、上記した実施形態では、機械学習装置１００の内部に学習済みモデル記憶部２００を含んだ構成を示したが、学習済みモデル記憶部２００は、機械学習装置１００から参照可能であれば何れの場所に配置するようにしても良い。例えば、学習済みモデル記憶部２００をホストコンピュータやクラウドコンピュータ上に配置し、機械学習装置１００を各製造機械７０の上に配置するように構成することも考えられる。この様にした場合、学習済みモデル記憶部２００を複数の機械学習装置１００で共有することが可能となるため、それぞれの機械学習装置１００から学習済みモデルを集めることができ、学習済みモデルの収集効率が向上する。

更に、上記した実施形態では、学習部１４０が教師あり学習をする場合の実施形態を示したが、熱変位補正の学習が行えるのであれば、強化学習等の他の機械学習の手法を取るようにしても良い。例えば強化学習を行う場合には、状態観測部１１０において各製造機械７０の運転動作の状態と、製造機械７０で各軸に対して設定された熱変位補正量とを観測し、その熱変位補正量の良否を判定データとして取得する機能手段を設けるように構成できる。この様に、ラベルデータ取得部１１５等は必須の構成ではなく、学習部１４０に実装された学習の仕方に応じて必要となる情報を製造機械７０から取得できるように構成されていれば、機械学習に係る問題は生じない。本発明のポイントは、製造機械７０の周辺の環境を示す周辺温度変化曲線に基づいて機械学習及び推定に用いるのに適した学習済みモデルを選択できる点にあることに留意されたい。

１熱変位補正装置
２ネットワーク
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１６，１７，１８，１９インタフェース
２０バス
２１インタフェース
４０入力装置
５０表示装置
７０製造機械
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
１０４不揮発性メモリ
１１０状態観測部
１１５ラベルデータ取得部
１２０周辺温度変化曲線観測部
１３０モデルデータ選択部
１４０学習部
１５０モデルデータ格納部
１６０推定結果出力部
２００学習済みモデル記憶部

Claims

製造機械が備える各軸の熱変位補正量を推定する熱変位補正装置であって、
前記製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を学習する機械学習装置を備え、
前記機械学習装置は、
前記製造機械の周辺温度の変化の下で、前記製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルを選択するモデルデータ選択部と、
製造機械の周辺温度の変化の推移を示す周辺温度変化曲線のパターンと、該周辺温度の変化の下で学習された学習済みモデルとを関連付けて記憶する学習済みモデル記憶部と、
を備え、
前記モデルデータ選択部は、前記学習済みモデル記憶部に記憶された周辺温度変化曲線に基づいて、製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルを選択する、
熱変位補正装置。
前記モデルデータ選択部は、前記学習済みモデル記憶部に記憶された周辺温度変化曲線の一覧を表示し、表示した周辺温度変化曲線の中から選択された周辺温度変化曲線に関連付けられた学習済みモデルを、製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルとして選択する、
請求項１に記載の熱変位補正装置。
前記機械学習装置は、製造機械の周辺温度の変化を取得する周辺温度変化曲線観測部を更に備え、
前記モデルデータ選択部は、前記周辺温度変化曲線観測部が観測した製造機械の周辺温度の変化と類似する周辺温度変化曲線を学習済みモデル記憶部から検索し、検索した周辺温度変化曲線に関連付けられた学習済みモデルを、製造機械の動作状態に対する該製造機械が備える各軸の熱変位補正量を追加学習するのに適した学習済みモデルとして選択する、
請求項１に記載の熱変位補正装置。