JP2020179429A - 工作機械における変動量推定装置、及び補正量算出装置 - Google Patents

Abstract

【課題】推定値の信頼性を評価可能な変動量推定装置、及び推定値の評価に応じて補正量を調整可能な補正量算出装置を提供する。【解決手段】機械学習により得られたニューラルネットワークの構成要素であるパラメータを記憶するパラメータ記憶部３と、入力される工作機械の物理状態情報毎に、ニューラルネットワークを用いて、複数のパラメータの中から任意に選択されるパラメータを省略した状態で、工作機械に配置された部材の位置に関する変動量、又は部材間の距離の変動量を推定する処理を複数回繰り返して実行する推定処理部２と、推定された複数の変動量に基づいて、その信頼性を評価する信頼性評価部４と、推定された変動量に基づいて、該変動量に対する補正量を算出する補正量算出部５と、算出された補正量を外部に出力する補正量出力部７とを備える。【選択図】図１

Description

本発明は、工作機械に配置される部材の位置に関する変動量、又は部材間の距離の変動量を推定する変動量推定装置、及び推定された変動量に基づいて、該変動量に対する補正量を算出する補正量算出装置に関する。

工作機械の分野では、当該工作機械が設置される雰囲気の温度変化や、各運動機構部が動作することで生じる熱、例えば主軸が回転することで、これを支持するベアリングにおいて生じる熱、各駆動モータが動作することで、当該駆動モータにおいて生じる熱や各摺動部において生じる熱などにより、工作機械に配置される各部材に熱変形（熱変位を含む）が生じることが知られている。

そして、このようにして部材に熱変形が生じると、例えば、熱変形を生じる部材が移動体を駆動するボールねじである場合には、その熱変形によって、当該移動体の位置決め精度が悪化し、これに伴って加工精度が悪化するという問題を生じ、或いは、熱変形を生じる部材がワークや工具を保持して回転させる主軸の場合には、その熱変形により工具とワークとの間の相対的な位置関係が変動して、即ち、熱変位して加工精度が悪化するという問題を生じる。

そこで、従前より、工作機械に配置される前記部材の熱変位量を推定し、推定された熱変位量に応じて、例えば、ワークと工具との間の位置決め位置を補正する対応が取られている。そして最近では、機械学習手法を用いてこのような熱変位量を推定する試みがなされており、下記特許文献１には、この熱変位量を推定するための機械学習装置が開示されている。

上記の機械学習装置は、同特許文献１に開示されるように、熱膨張する機械要素を有する工作機械の前記機械要素の動作状態を表す動作状態データに基づいて前記機械要素の熱変位量を推定する計算式を機械学習によって最適化する機械学習装置であって、
前記機械要素の動作状態データを取得するデータ取得手段と、
前記機械要素の熱変位量の実測値を取得する熱変位量取得手段と、
前記データ取得手段によって取得された前記機械要素の動作状態データおよび前記熱変位量取得手段によって取得された前記機械要素の熱変位量の実測値をラベルとして互いに関連付けて教師データとして記憶する記憶手段と、
前記機械要素の動作状態データおよび前記機械要素の熱変位量の実測値に基づいて機械学習を行うことで、前記機械要素の熱変位量を算出する計算式を設定する計算式設定手段と、
前記計算式設定手段によって設定された計算式に前記記憶手段に教師データとして記憶された所定期間内における前記機械要素の動作状態データを代入して、前記機械要素の熱変位量の推定値を算出する熱変位量算出手段と、
前記熱変位量算出手段によって算出された前記所定期間内における前記機械要素の熱変位量の推定値と前記記憶手段に教師データとして記憶された前記所定期間内における前記機械要素の熱変位量の実測値との差異が、所定の閾値以下であるか否かを判定する判定手段と、を備え、
前記計算式設定手段は、前記判定手段によって前記差異が所定の閾値以下でないと判定された場合に、前記計算式を再設定するとともに、前記判定手段によって前記差異が所定の閾値以下であると判定された場合に、この計算式を最適なものとして設定するように構成される。

この機械学習装置によれば、工作機械において、機械要素の動作状態データと機械要素の熱変位量の実測値とが関連付けられた教師データを用いて、機械学習（教師あり学習）を繰り返すことにより、機械要素の熱変位量を推定する計算式を最適化することができ、その結果、様々な種類の加工に対して精度良く熱変位を補正することが可能になる、とのことである。

特開２０１８−１１１１４５号公報

ところで、上述した機械学習において、近年では、多層の中間層（隠れ層）を有するニューラルネットワークをモデルとした教師あり学習によるディープラーニングが採用されており、一般的に、このディープラーニングは推定精度が高いと評価されている。

ところが、本発明者等が鋭意研究を重ねたところ、ディープラーニングにおいても、あらゆる条件下で高い推定精度が発現されるわけではなく、学習実績の無い入力データ、言い換えれば、入力データが学習実績のあるデータと大きく異なる場合には、推定値に誤差を生じる、即ち、精度の良い推定結果が得られない、との知見が得られた。例えば、温度センサによって測定された温度データが入力データである場合に、当該温度センサの故障によって測定データが通常値よりも極端に異なる場合には、上述したニューラルネットワークを用いた推定値に大きな誤差を生じるのである。また、学習が不十分である場合にも、推定値に誤差を生じることがある。

斯くして、ディープラーニングの結果から得られる推定値の信頼性が低い場合、言い換えれば、推定値の誤差が大きい場合には、この推定値に基づいた補正量は正確（適正）なものではなく、このような補正量をもって補正を実行すると、加工精度を却って悪化させることになりかねない。

本発明は以上の実情に鑑みなされたものであって、工作機械における部材又は部材間の変動量をニューラルネットワークを用いて推定すると共に、その推定値の信頼性を評価可能な変動量推定装置の提供を、その一つの目的とする。また、この変動量推定装置により推定された変動量に応じた補正量を算出し、更に、算出した補正量を推定値の評価に応じて調整可能な補正量算出装置の提供を、他の一つの目的とする。

上記課題を解決するための本発明は、
工作機械に配置される部材の位置に関する変動量、又は部材間の距離の変動量と、前記工作機械の物理的状態を表す情報としての物理状態情報との関係を定義する複数のパラメータであって、ニューラルネットワークを用いた機械学習により得られた前記ニューラルネットワークの構成要素である前記パラメータを記憶するパラメータ記憶部と、
前記パラメータ記憶部に記憶されたパラメータ、及び外部から遂次入力される前記物理状態情報に基づいて、前記変動量を推定する処理部であって、入力された物理状態情報毎に、前記複数のパラメータの中から任意に選択されるパラメータを省略した状態で前記ニューラルネットワークを用いて前記変動量を推定する処理を複数回繰り返して実行する推定処理部と、
前記推定処理部によって前記物理状態情報毎にそれぞれ推定された複数の変動量に基づいて、推定された変動量の信頼性を評価する信頼性評価部とを備えた、工作機械における変動量推定装置に係る。

この変動量推定装置によれば、まず、予め、工作機械に配置される部材の位置に関する変動量、又は部材間の距離の変動量と、工作機械の物理的状態を表す情報としての物理状態情報との関係を定義する複数のパラメータがパラメータ記憶部に格納される。このパラメータは、機械学習に用いられるニューラルネットワークの構成要素であり、このニューラルネットワークを用いた教師あり学習によって得られる。

そして、前記推定処理部により、前記パラメータ記憶部に記憶されたパラメータ、及び外部から遂次入力される前記物理状態情報に基づいて前記変動量を推定する。その際、推定処理部は、入力された物理状態情報毎に、前記複数のパラメータの中から任意に選択される一又は複数のパラメータを省略した状態で前記ニューラルネットワークを用いて前記変動量を推定する処理を複数回繰り返して実行する。

そして、前記推定処理部によって前記物理状態情報毎にそれぞれ推定された複数の変動量に基づいて、推定された当該変動量の信頼性が、前記信頼性評価部によって評価される。

上述したように、本発明者等が鋭意研究を重ねたところ、以下のような知見が得られている。即ち、遂次得られる各物理状態情報を入力値として、出力値である変動量を、前記ニューラルネットワークを用いて推定する処理において、前記複数のパラメータの中から任意に選択される一又は複数のパラメータを省略した状態で変動量を推定する処理を複数回繰り返すと、入力値が機械学習を経たことのある正常な物理状態情報であっても多少のばらつきを生じるが、入力値が機械学習を経ていない物理状態情報である場合には、推定値に大きなばらつきを生じるのである。

したがって、上述した繰り返し処理によって推定される変動量のばらつきの程度が、予め定められた閾値よりも大きい場合には、推定値の信頼性が低いと判断することができ、一方、変動量のばらつきの程度が前記閾値以下の場合には、信頼性が高いと判断することができる。このようにして、前記信頼性評価部は推定された変動量の信頼性を評価する。

斯くして、この変動量推定装置によれば、入力された物理状態情報に応じて推定された前記変動量についての信頼性が前記信頼性評価部によって評価されるので、推定された変動量の信頼性を客観的に判断することができる。したがって、推定された変動量を利用する際に、例えば、信頼性が低い変動量に関するデータは使用しないなど、その適切な利用を行うことができる。

尚、ばらつきの程度に関する指標、即ち、評価値としては、例えば、ばらつきの標準偏差（例えば、σ、２σ、３σ、４σ、６σなど）やばらつきの幅などを例示することができる。また、前記工作機械に配置される部材の位置に関する変動には、部材の所定箇所の位置変動（変位）、例えば、軸移動に用いられるボールねじの各部位の位置変動（変位）や、工具やワークを保持して回転させる主軸の先端部の位置変動（変位）などが含まれる。また、前記部材間の距離の変動には、工作機械に配置されるワークと工具と間の距離の変動が含まれる。また、物理状態情報には、工作機械を構成する各部位の温度情報や、工具摩耗に関係した情報などが含まれる。

本発明に係る変動量推定装置では、更に、前記信頼性評価部によって評価された信頼性に係る評価情報を外部に出力する評価情報出力部を備えているのが好ましい。

また、本発明は、上述した変動量推定装置と、
前記推定処理部により推定された各物理状態情報に対応するそれぞれ複数の変動量に基づいて、該変動量に対する補正量を算出する補正量算出部と、
前記補正量算出部によって算出された補正量を外部に出力する補正量出力部とを備えた補正量算出装置に係る。

この補正量算出装置によれば、前記推定処理部により推定された各物理状態情報に対応するそれぞれ複数の変動量に基づき、補正量算出部において当該変動量に対する補正量が算出される。例えば、補正量算出部は推定された複数の変動量の平均値を算出し、平均変動量に応じた補正量（平均変動量を打ち消すような補正量）を算出する。このようにすれば、推定値にばらつきを生じる変動量に対して適切な補正量を算出することができる。

そして、その際、補正量算出部は、推定された変動量が信頼性評価部により信頼性が高いと判断されたとき、例えば、信頼性評価部により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が高いと判断される値のときには、このような補正量算出処理を実行し、評価値が所定の基準値に対して信頼性が低いと判断される値のときには、補正量算出処理を実行しないようにしても良い。このようにすれば、推定された変動量の信頼性が高いときにのみ補正量が算出され、推定された変動量の信頼性が低いときには補正量が算出されないので、不適正な補正量によって補正が実行されるのを防止することができる。

或いは、前記補正量算出部は、前記信頼性評価部により評価された評価結果に応じて調整した補正量を算出するように構成されていても良い。例えば、前記信頼性評価部により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、補正量算出部は移動平均処理によって補正量を算出することができる。移動平均処理によって補正量を算出することで、順次算出される補正量に大きな変動が生じるのを防止することができ、ある程度滑らかな補正を実行することができる。

或いは、前記補正量算出部は、前記信頼性評価部により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、推定された複数の変動量の内、最小の変動量に応じた補正量を算出するように構成されていても良い。このようにすれば、推定された変動量の信頼性が低い場合でも最小限の補正量を算出して補正することができるとともに、極端で過剰な補正が実行されるのを防止することができる。

以上説明したように、本発明に係る変動量推定装置によれば、入力された物理状態情報に応じて推定された変動量についての信頼性が信頼性評価部によって評価されるので、推定された変動量の信頼性を客観的に判断することができる。したがって、推定された変動量を利用する際に、その適切な利用を図ることができる。

また、本発明に係る補正量算出装置によれば、例えば、補正量算出部は推定された複数の変動量の平均値を算出し、平均変動量に応じた補正量を算出するようにすれば、推定値にばらつきを生じる変動量に対して適切な補正量を算出することができる。また、推定された変動量の信頼性が低いときには補正量を算出しないようにすれば、不適正な補正量によって補正が実行されるのを防止することができる。更に、評価結果に応じて調整した補正量を算出するようにすれば、順次算出される補正量に大きな変動が生じるのを防止することができ、ある程度滑らかな補正を実行することができる。

本発明の一実施形態に係る補正量算出装置を示したブロック図である。 機械学習装置を示したブロック図である。 本実施形態で用いられる工作機械を示した正面図である。 図３に示した工作機械の右側面図である。 機械学習の一態様としてのニューラルネットワークモデルを示した説明図である。 ニューラルネットワークモデルに基づいた推定のための演算アルゴリズムを示した説明図である。 ディープラーニング用のニューラルネットワークモデルを示した説明図である。 推定値の信頼性の評価手法を説明するための説明図である。 ニューラルネットワークモデルに基づいた推定のための入力値である温度データの一例を示したグラフである。 ニューラルネットワークモデルに基づいた推定のための入力値である温度データの一例を示したグラフである。 ニューラルネットワークモデルに基づいた推定のための入力値である温度データの一例を示したグラフである。 ニューラルネットワークモデルに基づいた推定のための入力値である温度データの一例を示したグラフである。 図９に示した入力値に基づく推定値の信頼性の評価を説明するための説明図である。 図１０に示した入力値に基づく推定値の信頼性の評価を説明するための説明図である。 図１１に示した入力値に基づく推定値の信頼性の評価を説明するための説明図である。 図１２に示した入力値に基づく推定値の信頼性の評価を説明するための説明図である。 信頼性の評価処理を行ったその結果を示す説明図である。

以下、本発明の具体的な実施の形態について、図面を参照しながら説明する。図１は、本発明の一実施形態に係る補正量算出装置を示したブロック図である。

本例の補正量算出装置１は、図３及び図４に示した工作機械１１において、当該工作機械１１を構成する各構成部材の熱変位によって生じる工具ＴとワークＷとの間の距離の変動量を推定するとともに、推定された変動量に応じた補正量を算出する。尚、言うまでもなく、ここで取り扱う工作機械１１はあくまでも一例に過ぎないものであって、これに限定されるものではない。また、本例では、工具ＴとワークＷとの間の距離の変動量を取り扱うが、これはあくまでも一例であって、推定対象の変動量はこれに限られるものではない。

［工作機械］
まず、本例の工作機械１１の概略構成について簡単に説明する。図３及び図４に示すように、本例の工作機械１１は所謂ＮＣ旋盤であり、ベッド１２、このベッド１２上に設けられた主軸台１３、同じくベッド１２上に矢示Ｚ軸方向に移動可能に設けられた往復台１６及び心押台１９などを備えて構成され、図１に示したＮＣ装置１０によってその運動機構部が制御される。

前記主軸台１３は、中心軸が前記Ｚ軸に沿って配設された主軸１４を前記中心軸回りに回転自在に支持しており、この主軸１４の先端にはワークＷを把持するチャック１５が装着されている。尚、主軸１４は、主軸台１３に内蔵された主軸モータ（図示せず）によって駆動され、中心軸回りに回転する。前記往復台１６は図示しないＺ軸送り装置によって前記Ｚ軸方向に移動可能に配設されており、この往復台１６上には刃物台１７が配設されている。刃物台１７は工具Ｔが装着されるタレット１８を備えており、図示しないＸ軸送り装置によって矢示Ｘ軸方向に移動可能となっている。

斯くして、この工作機械１１では、前記ＮＣ装置１０による制御の下で、前記主軸モータ、Ｘ軸送り装置及びＺ軸送り装置が適宜駆動されることにより、工具ＴがワークＷに対してＸ軸−Ｚ軸平面内で相対的に移動し、このような工具Ｔの相対的な移動によって、ワークＷが所望の形状に加工される。

［補正量算出装置］
次に、本例の補正量算出装置１の構成について説明する。図１に示すように、本例の補正量算出装置１は、推定処理部２、データ記憶部３、信頼性評価部４、補正量算出部５、入力部６及び出力部７の各処理部、並びに出力部７に接続されるディスプレイ８から構成される。尚、この補正量算出装置１は、その前記推定処理部２、データ記憶部３、信頼性評価部４、補正量算出部５、入力部６及び出力部７がＣＰＵ、ＲＡＭ、ＲＯＭなどを含むコンピュータから構成され、当該推定処理部２、信頼性評価部４、補正量算出部５、入力部６及び出力部７は、コンピュータプログラムによってその機能が実現され、後述する処理を実行する。また、データ記憶部３はＲＡＭなどの適宜記憶媒体から構成される。そして、前記推定処理部２、データ記憶部３、信頼性評価部４、入力部６、出力部７及びディスプレイ８は変動量推定装置９として機能する。

前記データ記憶部３には、前記工作機械１１の物理的状態を表す情報としての温度データと、工具ＴとワークＷとの間の距離の変動量との関係を定義する複数のパラメータを記憶する機能部である。このパラメータは、ニューラルネットワークを用いたバックプロパゲーションによる教師有りの機械学習によって得られ、図２に示した機械学習装置１００によって算出される。

教師データとしての温度データ（原因データ）は、工作機械１１の各部、即ち、ベッド１２、主軸台１３、往復台１６及び刃物台１７の適宜位置に配設された温度センサＳ_１〜Ｓ_ｉによって測定され、工具ＴとワークＷとの間の距離の変動量（結果データ）は、工具ＴとワークＷとの間の距離を測定するように適宜配設された変位センサによって測定される。尚、ｉは１〜ｎの自然数である。

具体的には、工作機械１１に配設された温度センサＳ_１〜Ｓ_ｉにより、それぞれ温度ｔ_１〜ｔ_ｉを所定のサンプリング間隔で測定すると共に、これと同時に、前記変位センサによって、工具ＴとワークＷとの間の距離の変位量（熱変位量）ｄを計測する。尚、熱変位量ｄはＸ軸方向の熱変位量ｄ_Ｘ、及びＺ軸方向の熱変位量ｄ_Ｚとして測定される。

機械学習装置１００で用いられる典型的なニューラルネットワークモデルを図５に示し、このニューラルネットワークモデルにおける演算アルゴリズムを図６に示す。図６に示した演算アルゴリズムでは、入力層のｔ_１〜ｔ_ｉは、それぞれ温度センサＳ_１〜Ｓ_ｉの出力値に対応している。また、Ｈｗ_ｉ，ｊ及びＫｗ_ｊは重み係数であり、Ｖ_ｊ及びＫｖは反応感度としての閾値である。そして、中間層における出力Ａ_ｊは、以下の数式１によって算出される。尚、ｊは１〜ｍの自然数である。
（数式１）
Ａ_ｊ＝ｆ（（ΣＨｗ_ｉ，ｊ・ｔ_ｉ）＋Ｖ_ｊ）
また、出力層における推定値としての出力Ｄは、以下の数式２によって算出される。
（数式２）
Ｄ＝ｆ（（ΣＫｗ_ｊ・Ａ_ｊ）＋Ｋｖ）
尚、前記出力Ａ_ｊ及びＤは、以下の数式３によって表されるシグモイド関数などによって変換される。
（数式３）
ｆ（ｕ）＝１／（１＋ｅｘｐ（−ｕ））

そして、機械学習装置１００では、上記のようにして取得した温度ｔ_１〜ｔ_ｉ及び熱変位量ｄ_Ｘ、ｄ_Ｚに係るデータを教師データとして、上記演算アルゴリズムを用い、中間層の各層の数やその階層を適宜設定した後、上記バックプロパゲーションによる教師有り機械学習によって、Ｘ軸方向の熱変位量Ｄ_Ｘに関するパラメータＡ_Ｘｊ、Ｋｗ_Ｘｊ、Ｋｖ_Ｘ、Ｈｗ_Ｘｉ，ｊ及びＶ_Ｘｊ、並びにＺ軸方向の熱変位量Ｄ_Ｚに関するパラメータＡ_Ｚｊ、Ｋｗ_Ｚｊ、Ｋｖ_Ｚ、Ｈｗ_Ｚｉ，ｊ及びＶ_Ｚｊをそれぞれ算出する。尚、中間層の個数ｊは任意の値であって、一般的には、中間層の個数ｊが多いほど精度は良くなる。

また、本例のバックプロパゲーションによる教師有り機械学習は、上述のようにして、予め取得した各温度センサＳ_１〜Ｓ_ｉからの出力値を、図６に示した演算アルゴリズムの入力値ｔ_ｉとして入力するとともに、重み係数Ｈｗ_ｉ，ｊ，Ｋｗ_ｊ、及び閾値Ｖ_ｊ，Ｋｖを適宜設定して得られる出力値（推定熱変位量Ｄ（Ｄ_Ｘ、Ｄ_Ｚ））と、真の値（実測された熱変位量＝ｄ（ｄ_Ｘ、ｄ_Ｚ））とを比較し、その差分を減らすように、即ち、収束させるように、各重み係数Ｈｗ_ｉ，ｊ，Ｋｗ_ｊ、及び閾値Ｖ_ｊ，Ｋｖを変更する作業を繰り返すことによって、パラメータである重み係数Ｈｗ_ｉ，ｊ，Ｋｗ_ｊ、及び閾値Ｖ_ｊ，Ｋｖの最適値を設定するというものである。尚、機械学習において、図６に示した入力層の入力値ｔ_ｉ、中間層の閾値Ｖ_ｊ，Ｋｖはノードと称され、重み係数Ｈｗ_ｉ，ｊ，Ｋｗ_ｊはエッジと称される。また、本例ではＸ軸方向の熱変位量Ｄ_Ｘ及びｄ_Ｘは、半径の値としている。

機械学習装置１００では、以上のようにして、教師データとして得られた温度ｔ_１〜ｔ_ｉ及び熱変位量ｄ_Ｘ、ｄ_Ｚに係るデータを用いて、バックプロパゲーションを用いた機械学習により、温度センサＳ_１〜Ｓ_ｉによって測定される温度ｔ_１〜ｔ_ｉに基づいて熱変位量Ｄ_Ｘ、Ｄ_Ｚを推定（算出）するためのパラメータＡ_Ｘｊ、Ａ_Ｚｊ、Ｋｗ_Ｘｊ、Ｋｗ_Ｚｊ、Ｋｖ_Ｘ、Ｋｖ_Ｚ、Ｈｗ_Ｘｉ，ｊ、Ｈｗ_Ｚｉ，ｊ、Ｖ_Ｘｊ、Ｖ_Ｚｊを設定する。そして、このようにして算出されたパラメータＡ_Ｘｊ、Ａ_Ｚｊ、Ｋｗ_Ｘｊ、Ｋｗ_Ｚｊ、Ｋｖ_Ｘ、Ｋｖ_Ｚ、Ｈｗ_Ｘｉ，ｊ、Ｈｗ_Ｚｉ，ｊ、Ｖ_Ｘｊ、Ｖ_Ｚｊが前記入力部６を介して前記データ記憶部３に格納される。

尚、図５に示したニューラルネットワークモデルは、理解を容易にするために例示した比較的簡単な構造を有するものであるが、ニューラルネットワークモデルはこれに限られるものではなく、図７に示すように、中間層が複数になった所謂ディープラーニングと称されるニューラルネットワークモデルを採用することができる。この場合、図６に示した演算アルゴリズムもディープラーニング用のニューラルネットワークモデルに応じたものとなる。

前記推定処理部２は、前記工作機械１１に配設された温度センサＳ_１〜Ｓ_ｉによって測定される温度ｔ_１〜ｔ_ｉを、前記入力部６を介して所定のサンプリング間隔で入力するとともに、前記データ記憶部３に格納されたパラメータを用いて、入力された温度ｔ_１〜ｔ_ｉ毎に、工具ＴとワークＷとの間の距離のＸ軸方向の熱変位量Ｄ_Ｘを下式数式４によって算出し、Ｚ軸方向の熱変位量Ｄ_Ｚを下式数式５によって算出する。
（数式４）
Ｄ_Ｘ＝１／（１＋ｅｘｐ（−（（ΣＡ_Ｘｊ・Ｋｗ_Ｘｊ）＋Ｋｖ_Ｘ））
Ａ_Ｘｊ＝１／（１＋ｅｘｐ（−（（ΣＨｗ_Ｘｉ，ｊ・ｔ_ｉ）＋Ｖ_Ｘｊ））
（数式５）
Ｄ_Ｚ＝１／（１＋ｅｘｐ（−（（ΣＡ_Ｚｊ・Ｋｗ_Ｚｊ）＋Ｋｖ_Ｚ））
Ａ_Ｚｊ＝１／（１＋ｅｘｐ（−（（ΣＨｗ_Ｚｉ，ｊ・ｔ_ｉ）＋Ｖ_Ｚｊ））

その際、推定処理部２は、一群の温度データｔ_１〜ｔ_ｉが入力される度に、複数のパラメータの中から任意に選択される一又は複数のパラメータを省略した状態で前記ニューラルネットワークを用いて、即ち、前記数式４及び数式５を用いてそれぞれ熱変位量Ｄ_Ｘ、Ｄ_Ｚを推定する処理を、複数回繰り返して実行する。例えば、推定処理部２は、図５に示したニューラルネットワークモデルのパラメータであるＶ_Ｘｊ、Ｖ_Ｚｊ（中間層のノード）中から任意の一又は複数のパラメータ（ノード）を省略するとともに、これに関連（接続）するパラメータＨｗ_Ｘｉ，ｊ、Ｈｗ_Ｚｉ，ｊ、Ｋｗ_Ｘｊ、Ｋｗ_Ｚｊ（中間層のエッジ）を省略して、熱変位量Ｄ_Ｘ、Ｄ_Ｚを推定する処理を行う。そして、推定処理部２は、一群の温度データｔ_１〜ｔ_ｉが入力される度に、省略するパラメータを変えながら、この推定処理を複数回繰り返して実行する。理解をより容易にするために、図７に示したニューラルネットワークモデルの場合に、任意に選択されるノードとこれに関連するエッジを省略した概念図を図８に示している。図８では、省略されるノードを破線で示し、これに関連するエッジの線を削除している。

前記信頼性評価部４は、入力される一群の温度データｔ_１〜ｔ_ｉ毎に、前記推定処理部２によって推定された複数の熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋに基づいて、推定された当該熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性を評価する機能部である。但し、ｋは１〜ｐの自然数であり、ｐは繰り返し処理の回数を意味する。

上述したように、本発明者等が鋭意研究を重ねた結果、以下のような知見が得られている。即ち、例えば遂次得られる一群の温度データｔ_１〜ｔ_ｉ（物理状態情報）を入力値として、出力値である前記熱変位量Ｄ_Ｘ、Ｄ_Ｚ（変動量）を、前記ニューラルネットワークを用いて推定する処理において、前記複数のパラメータの中から任意に選択される一又は複数のパラメータを省略した状態で熱変位量Ｄ_Ｘ、Ｄ_Ｚを推定する処理を複数回繰り返すと、入力値が機械学習を経たことのある正常な値であっても多少のばらつきを生じるが、入力値が機械学習を経ていない値である場合には、推定値に大きなばらつきを生じるのである。

したがって、上述した繰り返し処理によって推定される熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋのばらつきの程度が、予め定められた基準値（閾値）よりも大きい場合には、推定値の信頼性が低いと判断することができ、一方、変動量のばらつきの程度が前記基準値（閾値）以下の場合には、信頼性が高いと判断することができる。

図９〜図１２に、測定に用いられた温度センサが故障した場合の出力データの一例を示している。図９及び図１１は、抵抗値出力方式の温度センサが断線した場合の出力データを示しており、いずれの場合も極端な異常値（−１２８℃という低温データ）が出力されている。また、図１０及び図１２は、電圧出力方式の温度センサが断線した場合の出力データを示しており、この場合には、出力値が０℃となる。

図９〜図１２に示した温度データが入力された場合に、上述した繰り返しの推定処理によって熱変位量Ｄ_Ｘｋを推定した結果を図１３〜図１６に示す。図１３は、図９に示した温度データが入力された場合の推定熱変位量Ｄ_Ｘｋを示しており、図１４は、図１０に示した温度データが入力された場合の推定熱変位量Ｄ_Ｘｋを示している。また、図１５は、図１１に示した温度データが入力された場合の推定熱変位量Ｄ_Ｘｋを示しており、図１６は、図１２に示した温度データが入力された場合の推定熱変位量Ｄ_Ｘｋを示している。尚、図１３〜図１６において、破線で示した曲線は熱変位量の実測値（ｄ_Ｘ）である。また、細い実線の上側は、上述した繰り返しの推定処理によって推定された熱変位量Ｄ_Ｘｋの平均値に標準偏差を加算した値を結んだ曲線であり、下側は推定された熱変位量Ｄ_Ｘｋの平均値から標準偏差を減算した値を結んだ曲線であり、太い実線は平均値を結んだ曲線である。また、一点鎖線は、推定された熱変位量Ｄ_Ｘの標準偏差を示す曲線である。

図１３及び図１５に示すように、抵抗値出力方式の温度センサが断線し、極端な異常値が出力される場合には、上述した繰り返し処理によって推定される熱変位量Ｄ_Ｘｋの値は大きなばらつきを生じる。図１３及び図１５において、経過時間が１０時間を超えて以降、温度センサから異常な値が入力されている。一方、電圧出力方式の温度センサの場合には、これが故障しても極端に異常なデータは出力されないので、図１４及び図１６に示すように、上述した繰り返し処理によって推定される熱変位量Ｄ_Ｘｋの値には、正常なデータが出力される場合と比べても、そのばらつきは大差の無いものとなっている。

斯くして、信頼性評価部４は、上述した繰り返し処理によって推定される熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋのばらつきの程度が、例えば、予め定められた基準値（閾値）よりも大きい場合には、推定値の信頼性が低いと判断し、一方、熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋのばらつきの程度が基準値（閾値）以下の場合には、信頼性が高いと判断する。ばらつきの程度に関する指標、即ち、信頼性の評価値としては、例えば、ばらつきの幅（最大値と最小値の差分値）やばらつきを統計処理して得られる標準偏差σの他、これから得られる２σ、３σ、４σ、６σなどを例示することができる。信頼性評価部４は、これらのいずれかを評価値として、その値が予め定められた基準値（閾値）よりも大きい場合には、推定値の信頼性が低いと判断し、逆に基準値以下の場合には信頼性が高いと判断する。そして、信頼性評価部４は評価結果を前記出力部７を介して前記ディスプレイ８に表示する。或いは、信頼性評価部４は推定値の信頼性が低いと判断される場合には、エラーをディスプレイ８に表示するようにしても良い。このとき、出力部７は評価情報出力部として機能する。尚、信頼性の判断は、一つの基準値を用いたものに限られるものではなく、複数の基準値を用いることによって、信頼性１、信頼性２、信頼性３・・・と言うように複数の段階によって評価するようにしても良い。

前記補正量算出部５は、前記推定処理部２によって推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋ及び前記信頼性評価部４によって評価された評価結果に基づいて、当該評価結果に応じて調整した補正量Ｃ_Ｘ、Ｃ_Ｚを算出する処理を行う。例えば、信頼性評価部４における評価が、信頼性が高いという評価であれば、補正量算出部５は、熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋを単純平均した代表値としての熱変位量Ｄ_Ｘａ、Ｄ_Ｚａを算出して、Ｘ軸方向の熱変位量Ｄ_Ｘａに対する補正量Ｃ_Ｘ、Ｚ軸方向の熱変位量Ｄ_Ｚａに対する補正量Ｃ_Ｚを以下の数式６に従って算出する。一方、信頼性評価部４における評価が、信頼性が低いという評価であれば、補正量算出部５は、熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋを単純平均するとともに、算出された単純平均値について時間的に遡ったものを含めた所謂移動平均処理を行って、代表値である熱変位量Ｄ_Ｘａ、Ｄ_Ｚａを算出し、以下の数式６に従って補正量Ｃ_Ｘ、Ｃ_Ｚを算出する。
（数式６）
Ｃ_Ｘ＝−Ｄ_Ｘａ
Ｃ_Ｚ＝−Ｄ_Ｚａ

そして、前記補正量算出部５は、算出した補正量Ｃ_Ｘ、Ｃ_Ｚを出力部７からＮＣ装置１０に出力し、ＮＣ装置１０は、受信した補正量Ｃ_Ｘ、Ｃ_Ｚに基づいて、工作機械１００におけるワークＷと工具Ｔとの相対的な位置決め位置を補正する。このとき、出力部７は補正量出力部として機能する。

以上の構成を備えた本例の補正量算出装置１によれば、工作機械１１から遂次入力される温度データｔ_１〜ｔ_ｉ、前記データ記憶部３に記憶されたパラメータに基づいて、前記推定処理部２により、工具ＴとワークＷとの間の熱変位量Ｄ_Ｘ、Ｄ_Ｚが、入力される一群の温度データｔ_１〜ｔ_ｉ毎に推定される。

その際、推定処理部２は、前記数式４及び数式５を用いた推定処理を、複数のパラメータの中から任意に選択される一又は複数のパラメータを省略した状態で実行するとともに、省略するパラメータを変えながら複数回繰り返し実行して、熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋを算出し、算出した熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋに係るデータを前記信頼性評価部４に出力する。尚、このようにして推定される熱変位量の一例として、Ｘ軸方向における推定熱変位量を図１７に示している。図１７において、細い実線の上側は、上述した繰り返しの推定処理によって推定された熱変位量Ｄ_Ｘｋの平均値に標準偏差を加算した値を結んだ曲線であり、下側は推定された熱変位量Ｄ_Ｘｋの平均値から標準偏差を減算した値を結んだ曲線であり、太い実線は平均値を結んだ曲線である。

信頼性評価部４は、前記推定処理部２から入力される熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋのばらつきの程度に関する指標（評価値）を基に、推定された当該熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性を評価し、評価結果を前記補正量算出部５に出力するとともに、前記出力部７を介して前記ディスプレイ８に出力し、当該ディスプレイ８に表示させる。このように、推定処理部２によって推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性が信頼性評価部４によって評価され、また、評価結果がディスプレイ８に表示されるので、推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性を客観的に判断することができる。

そして、補正量算出部５は、前記推定処理部２によって推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋ及び前記信頼性評価部４によって評価された評価結果に基づいて、当該評価結果に応じて調整した補正量Ｃ_Ｘ、Ｃ_Ｚを算出し、算出した補正量Ｃ_Ｘ、Ｃ_Ｚを出力部７を介してＮＣ装置１０に出力する処理を行う。斯くして、この補正量算出装置１によれば、推定した熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋのばらつきが大きく、当該熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性が低い場合でも、信頼性に応じて調整された補正量が算出されるので、順次算出される補正量に大きな変動が生じるのを防止することができ、ある程度滑らかな補正を実行することができる。

以上、本発明の一実施の形態について説明したが、本発明が採り得る具体的な態様は何ら上例のものに限定されるものではない。

例えば、前記補正量算出部５は、前記信頼性評価部４により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの内、絶対値が最小の熱変位量Ｄ_Ｘｍｉｎ、Ｄ_Ｚｍｉｎを代表値に設定して、即ち、Ｄ_Ｘａ＝Ｄ_Ｘｍｉｎ、Ｄ_Ｚａ＝Ｄ_Ｚｍｉｎとして、これに対する補正量Ｃ_Ｘ、Ｃ_Ｚを算出するように構成されても良い。このようにすれば、推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性が低い場合でも最小限の補正量を算出して補正することができ、また、極端で過剰な補正が実行されるのを防止することができる。

或いは、前記信頼性評価部４により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、前記補正量算出部５は、補正量Ｃ_Ｘ、Ｃ_Ｚを算出しないように構成されていてもよい。このようにすれば、推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性が高いときにのみ補正量Ｃ_Ｘ、Ｃ_Ｚを算出され、推定された熱変位量Ｄ_Ｘｋ、Ｄ_Ｚｋの信頼性が低いときには補正量Ｃ_Ｘ、Ｃ_Ｚが算出されないので、不適正な補正量によって補正が実行されるのを防止することができる。

また、上例では、推定する変動量として、工具ＴとワークＷとの間の熱変位量を推定するようにしたが、これに限られるものではなく、工作機械１１に設けられる部材の所定箇所の温度変化に伴う位置変動（熱変位）、例えば、前記Ｘ軸送り装置（図示せず）やＺ軸送り装置（図示せず）に用いられるボールねじの各部位の温度変化に伴う位置変動（熱変位）の他、工具やワークを保持して回転させる主軸の先端部の温度変化に伴う位置変動（熱変位）などを推定するようにしても良い。

或いは、工作機械１１の物理状態情報を工具摩耗に関係した状態情報、例えば、当該工具を用いた加工時における前記主軸モータ及び／又は送りモータの負荷情報（供給電力）、或いは加工時の工具若しくは切屑の温度情報とし、推定する変動量を工具摩耗量としても良い。尚、加工時の工具や切屑の温度情報は、例えば赤外線カメラによって測定することができる。また、工具摩耗量は変位センサを用いた測定や、カメラによって撮像された工具刃先の画像を処理することによって算出することができる。

繰り返しになるが、上述した実施形態の説明は、すべての点で例示であって、制限的なものではない。当業者にとって変形および変更が適宜可能である。本発明の範囲は、上述の実施形態ではなく、特許請求の範囲によって示される。さらに、本発明の範囲には、特許請求の範囲内と均等の範囲内での実施形態からの変更が含まれる。

１ 補正量算出装置
２ 推定処理部
３ データ記憶部
４ 信頼性評価部
５ 補正量算出部
６ 入力部
７ 出力部
８ ディスプレイ
９ 変動量推定装置
１０ ＮＣ装置
１１ 工作機械
Ｔ 工具
Ｗ ワーク

Claims (10)

1. 工作機械に配置される部材の位置に関する変動量、又は部材間の距離の変動量と、前記工作機械の物理的状態を表す情報としての物理状態情報との関係を定義する複数のパラメータであって、ニューラルネットワークを用いた機械学習により得られた前記ニューラルネットワークの構成要素である前記パラメータを記憶するパラメータ記憶部と、
   前記パラメータ記憶部に記憶されたパラメータ、及び外部から遂次入力される前記物理状態情報に基づいて、前記変動量を推定する処理部であって、入力された物理状態情報毎に、前記複数のパラメータの中から任意に選択されるパラメータを省略した状態で前記ニューラルネットワークを用いて前記変動量を推定する処理を複数回繰り返して実行する推定処理部と、
   前記推定処理部によって前記物理状態情報毎にそれぞれ推定された複数の変動量に基づいて、推定された変動量の信頼性を評価する信頼性評価部とを備えていることを特徴とする工作機械における変動量推定装置。
2. 前記信頼性評価部によって評価された信頼性に係る評価情報を外部に出力する評価情報出力部を備えていることを特徴とする請求項１記載の工作機械における変動量推定装置。
3. 前記部材間の距離の変動量は、前記工作機械に配置されるワークと工具と間の距離の変動量である請求項１又は２記載の工作機械における変動量推定装置。
4. 前記物理状態情報は工作機械の所定部位の温度情報であり、前記変動量は熱変位量である請求項１乃至３記載のいずれかの工作機械における変動量推定装置。
5. 前記物理状態情報は工具摩耗に関係した状態情報であり、前記変動量は工具摩耗量である請求項３記載の工作機械における変動量推定装置。
6. 前記請求項１乃至５に記載したいずれかの変動量推定装置と、
   前記推定処理部により推定された各物理状態情報に対応するそれぞれ複数の変動量に基づいて、該変動量に対する補正量を算出する補正量算出部と、
   前記補正量算出部によって算出された補正量を外部に出力する補正量出力部とを備えていることを特徴とする工作機械における補正量算出装置。
7. 前記補正量算出部は、前記信頼性評価部により評価された評価結果に応じて調整した補正量を算出するように構成されていることを特徴とする請求項６記載の工作機械における補正量算出装置。
8. 前記補正量算出部は、前記信頼性評価部により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、移動平均処理によって補正量を算出するように構成されていることを特徴とする請求項６記載の工作機械における補正量算出装置。
9. 前記補正量算出部は、前記信頼性評価部により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、推定された複数の変動量の内、最小の変動量に応じた補正量を算出するように構成されていることを特徴とする請求項６記載の工作機械における補正量算出装置。
10. 前記補正量算出部は、前記信頼性評価部により評価された信頼性に係る評価値が、所定の基準値に対して信頼性が低いと判断される値のときには、補正量を算出しないように構成されていることを特徴とする請求項６記載の工作機械における補正量算出装置。

Images