JP2021030365A - 機械学習装置、制御システム及び機械学習方法 - Google Patents

機械学習装置、制御システム及び機械学習方法 Download PDF

Info

Publication number
JP2021030365A
JP2021030365A JP2019152822A JP2019152822A JP2021030365A JP 2021030365 A JP2021030365 A JP 2021030365A JP 2019152822 A JP2019152822 A JP 2019152822A JP 2019152822 A JP2019152822 A JP 2019152822A JP 2021030365 A JP2021030365 A JP 2021030365A
Authority
JP
Japan
Prior art keywords
temperature
thermal displacement
virtual
coefficient
calculation formula
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.)
Granted
Application number
JP2019152822A
Other languages
English (en)
Other versions
JP7303065B2 (ja
Inventor
弘記 小西
Koki Konishi
弘記 小西
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
Priority to JP2019152822A priority Critical patent/JP7303065B2/ja
Priority to US16/939,430 priority patent/US11680916B2/en
Priority to DE102020210120.5A priority patent/DE102020210120A1/de
Priority to CN202010825058.5A priority patent/CN112415950A/zh
Publication of JP2021030365A publication Critical patent/JP2021030365A/ja
Application granted granted Critical
Publication of JP7303065B2 publication Critical patent/JP7303065B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • 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
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • 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
    • G05B19/404—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 control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/16—Investigating or analyzing materials by the use of thermal means by investigating thermal coefficient of expansion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/60—Controlling or determining the temperature of the motor or of the drive
    • 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
    • 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
    • G05B2219/37429—Temperature of motor
    • 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49206—Compensation temperature, thermal displacement, use measured temperature
    • 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49209—Compensation by using temperature feelers on slide, base, workhead

Landscapes

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

Abstract

【課題】温度センサを取り付けることができない又は実際の運用では温度センサを取り付けることが困難な場合でも温度を推定できる機械学習装置を提供する。
【解決手段】発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を備え、発熱要因データを用いて仮想温度計算式により機械の特定部位の温度を推定して仮想温度データを求める仮想温度モデル作成部と、仮想温度計算式を用いて求めた仮想温度データと特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求める熱変位モデル作成部とを備え、仮想温度モデル作成部は、誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行う。
【選択図】図５

Description

本発明は、機械の温度センサの取り付けができない特定部位の温度、又はデータ収集時には温度センサを取り付け可能でも実際の運用時には機械の温度センサの取り付けが困難な特定部位の温度を推定する仮想温度モデルを作成する機械学習を行う機械学習装置、この機械学習装置を含む制御システム、及び機械学習方法に関する。
工作機械における加工誤差の原因の一つとして、工作機械の、主軸、ボールねじ等の機械要素の熱膨張により、工具とワークとの間に相対的な熱変位が生ずる課題がある。このような課題を解決する機械学習装置又は熱変位補正装置が、例えば特許文献１から特許文献３に記載されている。
特許文献１には、計測データ群を取得する計測データ取得部と、機械要素の熱変位量の実測値を取得する熱変位量取得部と、計測データ取得部によって取得された計測データ群を入力データとし、熱変位量取得部によって取得された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部と、計測データ群と、機械要素の熱変位量の実測値と、に基づいて機械学習を行うことで、機械要素の熱変位量を計測データ群に基づいて算出する熱変位量予測計算式を設定する計算式学習部と、を備える機械学習装置が記載されている。
特許文献２には、主軸を含む主軸部を、二次元のモデルとして考え、このモデルを１２箇所の区間に分割し、各区間の温度を記憶する領域を制御装置のメモリ上に確保する（時刻Ｎにおける区間Ｉの温度をＴＩＮとする）し、設定した区間の数や形や大きさに従って適切な放熱係数と、発熱係数と、隣接する区間との間の熱伝導係数を設定し、これらの係数を、制御装置のメモリに保存する熱変位補正装置が記載されている。熱変位補正装置によれば、主軸部を二次元モデルとして捉えることで、計算にかかる負荷が減少し、刻一刻と変化する補正量をより細かいスパンで計算できる機械の熱変位補正装置が提供される。
特許文献３には、工作機械各部の温度センサ１から温度情報を受け、ニューラルネットワーク定数値を用いて工具と工作物との熱変位の補正量を演算するニューラルネットワーク演算部を設けて、ニューラルネットワーク学習演算部に、教師データ記憶部８から読み出した熱変位および温度情報を教師データとして学習させることにより、ニューラルネットワーク定数値を調整させる熱変位補正装置が記載されている。
特開２０１８−１５３９０１号公報 特開２０１５−１９９１６８号公報 特開平１１−１１４７７６号公報
工作機械の機械要素、特に、主軸及びボールねじのように、熱変位への影響が大きい一方で、温度センサの取り付けができない部位がある。温度センサを用いて温度データが取得できないと熱変位の推定モデルは作成できず、高い精度の推定ができない。
また、タレット又はやテーブル周辺などは、データ収集時には温度センサを取り付け可能でも実際の運用を考えると取り付けが許されない部位がある。そのため、推定モデルの表現の自由度が下がる。
（１） 本開示の第１の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を備え、発熱要因データを用いて該仮想温度計算式により機械の特定部位の温度を推定して仮想温度データを求める仮想温度モデル作成部と、
第３の係数を含む熱変位推定量計算式を有し、前記仮想温度計算式を用いて求めた前記仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求めて、前記誤差が最小となるように前記第３の係数を探索する機械学習を行って最適化された熱変位推定量計算式を作成する熱変位モデル作成部と、を備え、
前記仮想温度モデル作成部は、前記仮想温度計算式により推定された前記仮想温度データを用いて最適化された前記熱変位推定量計算式により求められた誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する機械学習装置である。
（２） 本開示の第２の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を備え、
発熱要因データを用いて前記仮想温度計算式により得られた、機械の特定部位の仮想温度データと、前記特定部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記仮想温度データと前記実温度データとの誤差を求め、前記誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する仮想温度モデル作成部を備えた、機械学習装置である。
（３） 本開示の第３の態様は、上記（１）の機械学習装置と、
前記機械学習装置から出力される仮想温度計算式と熱変位推定量計算式とを保存し、前記仮想温度計算式から求めた仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により熱変位の推定値を求め、該熱変位の推定値に基づいて熱変位補正量を求める熱変位補正装置と、
前記熱変位補正量に基づいて、モータを制御するモータ制御部への出力する制御指令を補正する数値制御装置と、を備えた制御システムである。
（４） 本開示の第４の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式により発熱要因データを用いて機械の特定部位の温度を推定して仮想温度データを求め、
第３の係数を含む熱変位推定量計算式を有し、前記仮想温度計算式を用いて求めた前記仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求めて、前記誤差が最小となるように前記第３の係数を探索する機械学習を行って最適化された熱変位推定量計算式を作成し、
前記仮想温度計算式により推定された前記仮想温度データを用いて最適化された前記熱変位推定量計算式により求められた誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する、機械学習装置の機械学習方法である。
（５） 本開示の第５の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む、機械の特定部位の温度を推定する仮想温度計算式から発熱要因データを用いて求められる仮想温度データと、前記特定部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記仮想温度データと前記実温度データとの誤差を求め、前記誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する、機械学習装置の機械学習方法である。
本開示の各態様によれば、温度センサを取り付けることができない又は実際の運用では温度センサを取り付けることが困難な場合でも、温度を推定することができる。
そして、本発明の各形態によれば、推定された温度を用いて工作機械の主軸等の構成要素の熱変位量を求めることができる。
本開示の第１の実施形態の制御システムの機械学習時の構成を示すブロック図である。 本開示の第１の実施形態の制御システムの稼動時の構成を示すブロック図である。 熱変位補正部の構成を示すブロック図である。 主軸を含む工作機械のモデルを示す構成図である。 仮想温度モデル作成部と熱変位モデル作成部との構成を示すブロック図である。 モータの熱伝達とベアリング摩擦の影響を説明するための図である。 機械学習時の機械学習部３００の動作を示すフローチャートである。 本開示の第２の実施形態の制御システムの機械学習時の構成を示すブロック図である。 本開示の第２の実施形態の制御システムの稼動時の構成を示すブロック図である。 タレットを含む工作機械のモデルを示す構成図である。 仮想温度モデル作成部と熱変位モデル作成部との構成を示すブロック図である。 機械学習時の機械学習部３００Ａの動作を示すフローチャートである。 ボールねじを含む工作機械の一部を示す構成図である。 制御システムの他の構成例を示すブロック図である。
以下、本開示の実施形態について図面を用いて詳細に説明する。
（第１の実施形態）
まず、本開示の機械学習装置を含む、制御システムについて説明する。
図１は、本開示の第１の実施形態の制御システムの機械学習時の構成を示すブロック図である。図２は、本開示の第１の実施形態の制御システムの稼動時の構成を示すブロック図である。図３は熱変位補正部の構成を示すブロック図である。図４は主軸を含む工作機械のモデルを示す構成図である。図５は仮想温度モデル作成部と熱変位モデル作成部との構成を示すブロック図である。
図１及び図２に示すように、制御システム１０は、ＣＮＣ（Computerized Numerical Control）装置等の数値制御部１００、熱変位補正部２００、機械学習部３００及びモータ制御部４００を備えている。機械学習部３００は熱変位モデル作成部３１０と、仮想温度モデル作成部３２０とを備えている。熱変位補正部２００は数値制御部１００に含まれてもよく、モータ制御部４００は数値制御部１００に含まれてもよい。
制御システム１０は数値制御部１００、熱変位補正部２００、機械学習部３００及びモータ制御部４００を備えた一つの装置として構成されてもよいが、数値制御部１００、熱変位補正部２００、機械学習部３００及びモータ制御部４００をそれぞれ一つの装置として構成してネットワークで接続してもよい。なお、数値制御部１００、熱変位補正部２００、機械学習部３００及びモータ制御部４００は一つの装置として構成した場合においても、数値制御装置、熱変位補正装置、機械学習装置及びモータ制御装置と呼んでもよい。
熱変位モデル作成部３１０と仮想温度モデル作成部３２０とは分離されそれぞれ機械学習部として設けられてもよい。
モータ制御部４００により制御されるモータは、例えば、工作機械、ロボット、産業機械等の機械の一部として設けられる。図１及び図２では、モータ制御部４００は、工作機械５００のモータ５１０を制御し、モータ５１０は被駆動体５２０を駆動する。被駆動体５２０は、ここでは主軸である。数値制御部１００とモータ制御部４００は工作機械５００等の機械の一部として設けてもよい。
数値制御部１００は、図１及び図２に示すように、モータ制御部４００に制御信号を送出する。数値制御部１００には、ワークの加工内容に応じて定まる加工プログラムが格納されている。数値制御部１００は、加工プログラムを読み取って解釈することにより、切削加工の条件（例えば、主軸の加減速の頻度、回転数、切削負荷、切削時間）を抽出して位置指令データをモータ制御部４００に出力する。数値制御部１００は、稼動時（運用時）には、熱変位補正部２００から出力される熱変位の補正量を用いて、切削加工の条件を補正した上で、モータ制御部４００に制御指令となる位置指令データを出力する。
熱変位補正部２００は、図３に示すように、仮想温度算出部２０１、温度データ保存部２０２、熱変位量算出部２０３及び補正量算出部２０４を備えている。
仮想温度算出部２０１は、制御システム１０の機械学習後に機械学習部３００の仮想温度モデル作成部３２０から仮想温度モデルを受け、保存する。仮想温度算出部２０１は、制御システム１０の稼働時に工作機械５００から発熱要因データ（電流、回転速度、負荷等）を受け、発熱要因データから仮想温度モデルによって主軸の仮想温度（推定温度）を算出して、温度データ保存部２０２に出力する。主軸は回転するために、温度センサを取り付けて主軸温度を実際に測定することができない。そこで、仮想温度算出部２０１は、仮想温度モデルによって主軸の仮想温度を求める。
温度データ保存部２０２は、仮想温度（推定温度）が保存されるとともに、工作機械５００から出力される温度データが保存される。温度データは主軸以外の部位で実際に温度センサを用いて測定した実温度データである。
熱変位量算出部２０３は、機械学習後に機械学習部３００の熱変位モデル作成部３１０から熱変位モデルを受け、保存する。熱変位量算出部２０３は、制御システム１０の稼動時に温度データ保存部２０２から温度データ及び仮想温度を読み出し、温度データ及び熱変位モデルによって熱変位推定量を算出する。
補正量算出部２０４は熱変位推定量を熱変位の補正量として数値制御部１００に出力する。
工作機械５００は、図４に示すように、主軸モータとなるモータ５１０、工具５３０が取り付けられてモータ５１０で回転する被駆動体５２０となる主軸５２０Ａと、主軸５２０Ａを取り付ける取付台５４０、コラム（柱）５５０、ベッド５６０及び往復台５７０を備えている。被加工物６００は往復台５７０上で工具５３０により加工される。図４において、主軸以外の部位で実際に温度センサを用いて測定した箇所を黒丸で示している。
＜機械学習部３００＞
機械学習部３００は熱変位モデル作成部３１０と仮想温度モデル作成部３２０とから構成される。
仮想温度モデル作成部３２０は、強化学習により、工作機械５００における主軸の仮想温度（仮想主軸温度）を求める仮想温度モデルとなる仮想主軸温度計算式の係数を学習する。主軸は特定部位となり、仮想主軸温度計算式は仮想温度計算式となる。
また、機械学習部３００の熱変位モデル作成部３１０は、教師あり学習により、工作機械５００における熱変位の推定量（熱変位推定量）を求める熱変位モデルとなる熱変位推定量計算式の係数を学習する。
具体的には、熱変位モデル作成部３１０は、仮想温度モデル作成部３２０から出力される仮想主軸温度と、主軸以外の部位の実測温度、例えば、取付台５４０及びコラム（柱）５５０の図４に示した黒丸の箇所の実測温度とを用いて熱変位推定量計算式により熱変位を推定する。そして、熱変位モデル作成部３１０は、推定された熱変位と、実測された熱変位との誤差を求め、誤差が最小となるように熱変位推定量計算式の係数を探索して熱変位推定量計算式を作成する。
仮想温度モデル作成部３２０は、工作機械５００の（電流、回転速度、負荷等）発熱要因データを用い仮想主軸温度計算式により主軸温度を推定する。そして、仮想温度モデル作成部３２０は、熱変位モデル作成部３１０から出力される誤差が最小となるように主軸温度推定式の係数を学習する。
こうして、機械学習部３００は熱変位量推定式により推定された熱変位と、実測された熱変位との誤差が最小となる、最適化された主軸温度推定式の係数と最適化された熱変位推定量計算式の係数とを求めて、仮想温度モデル及び熱変位モデルとして熱変位補正部２００に出力する。
以下、図５を用いて熱変位モデル作成部３１０及び仮想温度モデル作成部３２０の構成について説明する。
まず、仮想温度モデル作成部３２０について以下に説明する。
仮想温度モデル作成部３２０は、発熱要因データ取得部３２１、誤差取得部３２２、記憶部３２３、学習部３２４、及び仮想主軸温度計算部３２５を備えている。
発熱要因データ取得部３２１は、工作機械５００から発熱要因データを取得する。ここで、発熱要因データとは、モータ５１０の駆動電流、工作機械５００の主軸の回転速度、モータ５１０の負荷、モータ温度、雰囲気温度等である。
誤差取得部３２２は、後述する熱変位モデル作成部３１０の誤差計算部３１６から、熱変位量の推定値と熱変位量の実測値との差である誤差を取得する。熱変位モデル作成部３１０から出力される誤差については熱変位モデル作成部３１０の説明において説明する。
記憶部３２３は、発熱要因データ取得部３２１によって取得された発熱要因データと、誤差取得部３２２によって取得された誤差とが、互いに関連付けられて記憶される。
学習部３２４は、記憶部３２３から発熱要因データと誤差とを読み出し、誤差が最小となるように、読み出した発熱要因データに基づいて仮想主軸温度計算式の係数Ａ，Ｂ，Ｃ，Ｄの学習を行うことで、仮想主軸温度を発熱要因データに基づいて算出する仮想主軸温度計算式を設定する。
ある時刻ｔｉでの仮想主軸温度θＶ（tｉ）は、数式１（以下の数１）で示される。
Figure 2021030365
 数式１のＴＳは仮想主軸温度の計算周期、Ｑ’は発熱量、Ａは係数、θｒ（ｔｉ−１）は前の時刻ｔｉでの雰囲気温度である。
発熱量Ｑ’は数式２(以下の数２)で示される。
Figure 2021030365
 数式２のＢはモータの熱伝達の係数、Ｃ及びＤは機械損となるベアリング摩擦の係数、θＭ（ｔｉ−１）はモータ温度、Ｓ（ｔｉ−ｔ’）は主軸回転速度を示す。
係数Ａ，Ｂ，Ｃ，Ｄの初期値は予め設定され、係数Ａ，Ｂ，Ｃ，Ｄを探索する強化学習により修正される。係数Ａは放熱量を決める第１の係数、係数Ｂ，Ｃ，Ｄは発熱量を決める係数となる。
図６に示すように、主軸温度θＶ（tｉ）は、モータの熱伝達とベアリング摩擦の影響を受ける。
仮想主軸温度計算部３２５は学習部３２４で設定された、数式１及び数式２で示される仮想主軸温度計算式を用いて発熱要因データから仮想主軸温度を求める。
＜強化学習の例＞
以下、強化学習について以下に説明するが、強化学習は既に知られており、その詳細については、例えば、特開２０１８−１５２０１２号公報、特開２０１９−０２１０２４号公報、特開２０１９−０２１２３５号公報等において説明されているので、以下の説明では、強化学習の概要について説明する。
強化学習の基本的な仕組みは、エージェントが、環境の状態を観測し、ある行動を選択し、当該行動に基づいて環境が変化する。環境の変化に伴って、何らかの報酬が与えられ、エージェントはより良い行動の選択（意思決定）を学習する。報酬は、環境の一部の変化に基づく断片的な値であることが多く、エージェントは、将来にわたっての報酬の合計を最大にするように行動を選択するように学習する。
ここで、強化学習としては、任意の学習方法を用いることができるが、以下の説明では、或る環境の状態Ｓの下で、行動Ａを選択する価値Ｑ（Ｓ，Ａ）を学習する方法であるＱ学習（Q-learning）を用いる場合を例にとって説明をする。
Ｑ学習では、或る状態Ｓのとき、取り得る行動Ａのなかから、価値Ｑ（Ｓ，Ａ）の最も高い行動Ａを最適な行動として選択することを目的とする。
しかしながら、Ｑ学習を最初に開始する時点では、状態Ｓと行動Ａとの組合せについて、価値Ｑ（Ｓ，Ａ）の正しい値は全く分かっていない。そこで、エージェントは、或る状態Ｓの下で様々な行動Ａを選択し、その時の行動Ａに対して、与えられる報酬に基づいて、より良い行動の選択をすることにより、正しい価値Ｑ（Ｓ，Ａ）を学習していく。
以上のＱ学習を例えば、機械学習部３００の仮想温度モデル作成部３２０が行う。具体的には、仮想温度モデル作成部３２０は、熱変位モデル作成部３１０から出力された誤差及び工作機械５００から得られる発熱要因データを状態Ｓとして、当該状態Ｓに係る、仮想主軸温度計算式の係数Ａ、Ｂ、Ｃ及びＤの調整を行動Ａとして選択する価値Ｑを学習する。仮想温度モデル作成部３２０において、行動Ａをするたびに報酬が返ってくる。この報酬は、誤差に基づいて決められる。仮想温度モデル作成部３２０は、例えば、将来にわたっての報酬の合計が最大になるように最適な行動Ａを試行錯誤的に探索する。そうすることで、仮想温度モデル作成部３２０は、発熱要因データである状態Ｓに対して、最適な行動Ａ（すなわち、仮想主軸温度計算式の係数Ａ、Ｂ、Ｃ及びＤ）を選択することが可能となる。
仮想温度モデル作成部における報酬の算出は、例えば、誤差の絶対値、誤差の絶対値の二乗を評価関数ｆとし、行動Ａにより修正された状態Ｓ´に係る評価関数値ｆ（Ｓ´）が、行動情報Ａにより修正される前の状態情報Ｓに係る修正前の評価関数ｆ（Ｓ）よりも大きくなった場合に、負の値とし、評価関数値ｆ（Ｓ´）が、評価関数ｆ（Ｓ）よりも小さくなった場合に、報酬の値を正の値とする。
評価関数ｆ（Ｓ´）が、評価関数ｆ（Ｓ）と等しい場合は、報酬の値をゼロとする。
価値関数は、状態Ｓと、行動Ａと、行動Ａを状態Ｓに適用した場合の状態Ｓ´と、上記のようにして算出された報酬の値と、に基づいてＱ学習を行うことにより更新される。
そして、Ｑ学習を行うことにより更新した価値関数に基づいて、価値関数Ｑ（Ｓ，Ａ）が最大となる行動を、最適化行動として生成する。
次に、熱変位モデル作成部３１０について以下に説明する。
熱変位モデル作成部３１０は、変位取得部３１１、温度取得部３１２、仮想主軸温度取得部３１３、記憶部３１４、学習部３１５及び誤差計算部３１６を備えている。
変位取得部３１１は、例えばプローブによって検出される、工作機械５００の主軸の熱変位量の実測値を取得する。
温度取得部３１２は、温度センサにより測定された主軸以外の部位の実測温度、例えば、取付台５４０及びコラム（柱）５５０の図４に示した黒丸の箇所の実測温度を取得する。
仮想主軸温度取得部３１３は、仮想主軸温度計算部３２５で算出された仮想主軸温度を取得する。
記憶部３１４は、変位取得部３１１によって取得された熱変位量の実測値と、温度取得部３１２によって取得された主軸以外の部位の実測温度と、仮想主軸温度取得部３１３によって取得された仮想主軸温度とが、互いに関連付けられて記憶される。
表１は時刻ｔに対する、主軸以外のｎ箇所の部位に設けた温度センサからの実測温度θ１〜θｎ及び仮想主軸温度θｖを示す表である。
Figure 2021030365
学習部３１５は、熱変位量の実測値と、主軸以外の部位の実測温度と、仮想主軸温度とに基づいて教師あり学習を行うことで、熱変位の推定量（熱変位推定量）を、主軸以外の部位の実測温度と、仮想主軸温度とに基づいて算出する熱変位推定量計算式を設定する。
より具体的には、一般化線形モデルの重回帰により、学習部３１５は、記憶部３１４に記憶された所定期間内における主軸以外のｎ箇所の部位に設けた温度センサからの実測温度θ１〜θｎ及び仮想主軸温度θｖを代入して算出される熱変位推定量と、記憶部１３にラベルとして記憶された所定期間内における主軸の熱変位量の実測値との差異に基づいて、例えば最小二乗法等により差異が最小となるように、最適化された熱変位推定量計算式を設定する。実測温度θ１〜θｎ及び仮想主軸温度θｖに基づいて得られる熱変位推定量は入力データ、熱変位量の実測値はラベルとなり、ラベルと入力データとの組が教師データとなる。
なお、学習部３１５は、具体的には、主軸以外のｎ箇所の部位に設けた温度センサからの実測温度θ１〜θｎ及び仮想主軸温度θｖを用いた熱変位量の推定値をｆ（θ１，θ２，・・・，θｎ，θＶ）（ｎは自然数）、熱変位量の実測値をＹＬとした際、ｆ（θ１，θ２，・・・，θｎ，θＶ）とＹＬとの差異が最小となるような最適化された熱変位推定量計算式を設定する。
誤差計算部３１６は、学習部３１５で設定された熱変位推定量計算式により算出された熱変位推定量と熱変位量の実測値との差を誤差として誤差取得部３２２へ出力する。
＜機械学習の方法の例＞
学習部３１５は、教師データを用いて機械学習を実施するが、その方法の例について詳述する。特開２０１８−１５３９０１号公報に記載されている。
熱変位推定量計算式を設定する手法は、例えば、特開２０１８−１５３９０１号公報に記載されている。
例えば、熱変位推定量計算式の係数を探索し、熱変位推定量計算式を設定する手法として、一般化線形モデルの重回帰に基づき、熱変位推定量計算式Ｙ＝ａ１θ１＋ａ２θ２＋・・・ａｎθｎ＋ａＶθＶによって算出される熱変位量の推定値（熱変位推定量）と、熱変位量の実測値ＹＬとの二乗誤差が最小となる係数を、最小二乗法を用いた機械学習により、推論して設定することが可能である。ここで、Ｙは熱変位量推定値、θ１，θ２，・・・，θｎは実測温度、θｖは仮想主軸温度、ａ１、ａ２・・・ａｎ、ａＶは重回帰により決定される係数である。
具体的には、熱変位推定値Ｙ、ラベルをＹＬ、実測温度θ１，θ２，・・・，θｎ及び仮想主軸温度θｖを入力データとしたとき、数式３（以下の数３）において、複数の教師データに渡って合計した値が最小となるような係数ａｋ、ａｖの組を求める。なお、ｋは自然数、ｎは任意の整数であり、ｋ≦ｎである。係数ａｋ、ａｖは第３の係数となる。
Figure 2021030365
熱変位推定量計算式を設定する手法は上記手法に限定されず、特開２０１８−１５３９０１号公報に記載された種々の手法を用いることができる。例えば、通常の重回帰分析ではなく、Ｌ２正則化項を考慮した重回帰分析を実施することが可能である。また、スパース正則化を実施することが可能である。例えばＬ１正則化項を考慮した重回帰分析を実施することが可能である。
また、特開２０１８−１５３９０１号公報には、上記の機械学習を実行する際の入力データとして、計測データの１次遅れ要素や、計測データの時間シフト要素を用いることも可能である。特開２０１８−１５３９０１号公報には、計測データの１次遅れ要素を用いた熱変位量予測計算式、及び計測データの時間シフト要素を用いた熱変位量予測式が記載されている。
さらに、特開２０１８−１５３９０１号公報には、他の手法として、単層のニューラルネットワーク又は多層のニューラルネットワーク等の周知のニューラルネットワークによる機械学習を実施することが可能であることも記載されている。
＜機械学習時の動作＞
次に、本実施形態に係る機械学習部３００における機械学習時の動作について説明する。図７は、この機械学習時の機械学習部３００の動作を示すフローチャートである。
ステップＳ１１において、仮想温度モデル作成部３２０の学習部３２４は、仮想温度モデルとなる仮想主軸温度計算式の係数Ａ，Ｂ，Ｃ，Ｄを機械学習開始時及び機械学習中においてランダムに設定する。
ステップＳ１２において、発熱要因データ取得部３２１が、モータ温度θＭ、主軸回転速度Ｓ、及び雰囲気温度θｒ等の発熱要因データを工作機械５００から取得する。仮想主軸温度計算部３２５は学習部３２４で係数が設定された仮想主軸温度計算式、すなわち、数式１及び数式２を用いて仮想主軸温度を求める。
ステップＳ１３において、熱変位モデル作成部３１０の学習部３１５は、仮想主軸温度及び主軸以外の部位に設けた温度センサからの実測温度を用いた熱変位量の推定値ｆ（θ１，θ２，・・・，θｎ，θＶ）と、熱変位量の実測値ＹＬとの差異（誤差）が最小となるように熱変位推定量計算式の係数を設定する。
ステップＳ１４において、誤差計算部３１６は熱変位量の推定値をｆ（θ１，θ２，・・・，θｎ，θＶ）（ｎは自然数）、熱変位量の実測値をＹＬとした際、ｆ（θ１，θ２，・・・，θｎ，θＶ）とＹＬとの誤差を計算する。
ステップＳ１５において、仮想温度モデル作成部３２０の学習部３２４は、誤差計算部３１６から取得した誤差が収束しない場合、又は係数Ａ，Ｂ，Ｃ，Ｄの探索が指定回数に満たない場合にはステップＳ１１に戻る。一方、誤差が収束して誤差がなくなるか又は一定範囲に入った場合、又は指定回数だけ係数Ａ，Ｂ，Ｃ，Ｄの探索が指定回数となった場合には、学習を終了し、仮想温度モデルを熱変位補正部２００に出力する。学習終了時に出力する仮想温度モデルは、探索過程で誤差が最小になった組み合わせの係数Ａ，Ｂ，Ｃ，Ｄを用いた仮想温度モデルである。熱変位モデル作成部３１０の学習部３１５から熱変位モデルを熱変位補正部２００に出力する。
なお、機械学習部３００の記憶部３１４と記憶部３２３は、仮想主軸温度計算式と、熱変位推定量計算式を記憶する。これにより、新たに設置された熱変位補正部２００から、仮想主軸温度計算式と熱変位推定量計算式を要求された場合には、その熱変位補正部に仮想主軸温度計算式と熱変位推定量計算式を送信することができる。また、新たな教師データを取得した場合には、更なる機械学習を行うこともできる。
＜第１の実施形態が奏する効果＞
上記のように、本実施形態では、温度センサを取り付けて温度を実際に測定することができない場合でも、温度を推定することができる。そして、推定された温度を用いて工作機械の主軸等の構成要素の熱変位推定量を求めることができる。
（第２の実施形態）
第１の実施形態では、仮想主軸温度を求める仮想主軸温度計算式の発熱量を決める第１の係数と放熱量を決める第２の係数を機械学習し、求められた仮想主軸温度を一つのパラメータとして用いて熱変位推定量を求める熱変位推定量計算式の係数を機械学習する機械学習装置について説明した。本実施形態では、仮想タレット温度を求める仮想タレット温度計算式の発熱量を決める第１の係数と放熱量を決める第２の係数を機械学習し、求められた仮想タレット温度を一つのパラメータとして用いて熱変位推定量を求める熱変位推定量計算式の係数を求める機械学習装置について説明する。タレットとは、旋回する刃物台（２個以上の工具を放射状に取付ける）をいう。
主軸は回転するために、温度センサを取り付けて主軸温度を実際に測定することができない。一方、タレットは実際の運用では温度センサを取り付けることができないが、データ収集時には温度センサを取り付け可能である。よって、仮想タレット温度を求める仮想タレット温度計算式の発熱量を決める第１の係数と放熱量を決める第２の係数を機械学習する場合に、タレット温度の実測値を用いることができる。
なお、本実施形態においても、後述する図１２のステップＳ２５〜Ｓ２７に示すように、熱変位モデル作成部は熱変位の実測値と熱変位推定値との誤差を求めて熱変位推定量計算式の係数の探索を行って熱変位モデルを作成しているが、これに限定されない。例えば、熱変位モデル作成部は熱変位推定量計算式の係数を設定して熱変位モデルを作成してもよい。この場合、後述する図１２のステップＳ２６とステップＳ２７は不要となる。
熱変位推定量計算式の係数を設定する方法は、第１の実施形態と同様に、一般化線形モデルの重回帰に基づき、熱変位推定量計算式Ｙ＝ａ１θ１＋ａ２θ２＋・・・ａｎθｎ＋ａＶθＶＬによって算出される熱変位量の推定値（熱変位推定量）と、熱変位量の実測値ＹＬとの二乗誤差が最小となる係数を、最小二乗法を用いた機械学習により、推論して設定することが可能である。ここで、Ｙは熱変位量推定値、θ１，θ２，・・・，θｎは実測温度、θｖＬは仮想タレット温度、ａ１、ａ２・・・ａｎ、ａＶは重回帰により決定される係数である。なお、仮想タレット温度θｖＬは後述する仮想温度モデル作成部３２０Ａにおいて学習により最適化された仮想タレット温度計算式により求められる仮想タレット温度である。
図８は、本開示の第２の実施形態の制御システムの機械学習時の構成を示すブロック図である。図９は、本開示の第２の実施形態の制御システムの稼動時の構成を示すブロック図である。図１０はタレットを含む工作機械のモデルを示す構成図である。図１１は仮想温度モデル作成部と熱変位モデル作成部との構成を示すブロック図である。
図８及び図９に示すように、本実施形態の制御システム１０Ａは、仮想温度モデル作成部３２０Ａへ工作機械５００のタレットに取り付けられた温度センサから実温度が入力される。図１及び図２に示す制御システム１０では、熱変位モデル作成部３１０から仮想温度モデル作成部３２０へ誤差が入力されているが、本実施形態では、熱変位モデル作成部３１０Ａから仮想温度モデル作成部３２０Ａへ誤差が入力されない。機械学習部３００Ａは、熱変位モデル作成部３１０Ａを含まず、仮想温度モデル作成部３２０Ａのみを含んでもよい。
機械学習部３００Ａの熱変位モデル作成部３１０Ａは、熱変位モデル作成部３１０と比べて、仮想主軸温度が仮想タレット温度に置き替わっているため、仮想主軸温度取得部３１３が仮想タレット温度取得部３１３Ａに置き替わり、誤差計算部３１６が設けられていない。これらの点を除くと熱変位モデル作成部３１０Ａの構成及び動作は、熱変位モデル作成部３１０の構成及び動作は同じなので、説明は省略する。また、熱変位モデル作成部３１０Ａの熱変位推定量計算式の係数を機械学習する方法は、熱変位モデル作成部３１０の熱変位推定量計算式の係数を機械学習する方法と同じなので、説明は省略する。
表２は、記憶部３１４に記憶される、時刻ｔに対する、タレット以外のｎ箇所の部位に設けた温度センサからの実測温度θ１〜θｎ及び仮想タレット温度θｖＬを示す表である。
Figure 2021030365
機械学習部３００Ａの仮想温度モデル作成部３２０Ａは、仮想温度モデル作成部３２０と比べて、誤差取得部３２２が実温度取得部３２６に置き替わり、仮想主軸温度計算部３２５は仮想タレット温度計算部３２５Ａに置き替わっている。
仮想温度モデル作成部３２０Ａは、発熱要因データ取得部３２１、実温度取得部３２６、記憶部３２３、学習部３２４Ａ、及び仮想タレット温度計算部３２５Ａを備えている。
発熱要因データ取得部３２１は、工作機械５００から発熱要因データを取得する。ここで、発熱要因データとは、モータ５１０の駆動電流、工作機械５００の主軸の回転速度、モータ５１０の負荷、モータ温度、雰囲気温度等である。
実温度取得部３２６は、温度センサにより測定されたタレットの実測温度、例えば、図１０に示したタレットの破線領域内の温度測定位置の実測温度を取得する。タレットを有する工作機械５００Ａは、図１０に示すように、タレット５８０Ａ、タレット５８０Ａを取り付けるコラム（柱）５５０Ａ、ベッド５６０Ａ及び往復台５７０Ａを備えている。タレット５８０Ａ内にはモータが設けられている。タレットの破線領域は特定部位となる。
記憶部３２３は、発熱要因データ取得部３２１によって取得された発熱要因データと、実温度取得部３２６によって取得されたタレットの実温度データとが、互いに関連付けられて記憶される。表３は時刻ｔに対する、タレットに設けた温度センサからの実測温度θＴ及び仮想タレット温度θｖを示す表である。
Figure 2021030365
学習部３２４Ａは、発熱要因データを用いて得られる仮想タレット温度データと、タレットの実温度データとの誤差を求め、誤差が収束するように教師あり学習を行うことで、仮想タレット温度を発熱要因データに基づいて算出する仮想タレット温度計算式の係数を探索し、仮想タレット温度計算式を設定する。発熱要因データは入力データ、タレットの実温度データはラベルとなり、ラベルと入力データとの組が教師データとなる。
ある時刻ｔｉでの仮想タレット温度θＶ（tｉ）は、仮想主軸温度を仮想タレット温度に置き替えた数式４（以下の数４）で示される。
Figure 2021030365
 数式４のＴＳはタレット温度の計算周期、Ｑ’は発熱量、Ｅは係数、θｒ（ｔｉ−１）は前の時刻ｔｉでの雰囲気温度である。発熱量Ｑ’は数式５(以下の数５)で示される。なお、発熱量Ｑ’はこれ以外の要因を加えてもよい。
Figure 2021030365
 数式５のＦはモータの負荷の係数、Ｇは主軸回転速度の係数及びＨはモータ温度の係数を示す。係数Ｅは放熱量を決める第１の係数、係数Ｆ，Ｇ，Ｈは発熱量を決める係数となる。
係数Ｅ，Ｆ，Ｇ，Ｈは予め設定され、学習部３２４Ａは、計算された仮想タレット温度θＶの時系列データと、タレットの実温度θＴのデータとの誤差が最小となる係数Ｅ，Ｆ，Ｇ，Ｈを探索する。
仮想タレット温度計算式の係数を探索し、仮想タレット温度計算式を設定する手法は、例えば、第１の実施形態における熱変位推定量計算式を設定する手法で説明した、特開２０１８−１５３９０１号公報に記載された手法を用いることができる。
具体的には、仮想タレット温度計算式の係数を探索する手法として、一般化線形モデルの重回帰に基づき、数４の仮想タレット温度計算式によって算出される仮想タレット温度θＶと、実測温度θＴとの二乗誤差（＝（θＴ−θＶ）２）が最小となる係数Ｅ、Ｆ、Ｇ、Ｈを、最小二乗法を用いた機械学習により、推論して設定することが可能である。
仮想タレット温度計算式を設定する手法は上記手法に限定されず、既に説明した、第１の実施形態における熱変位推定量計算式を設定する手法と同様に、特開２０１８−１５３９０１号公報に記載された種々の手法を用いることができる。
探索された係数Ｅ，Ｆ，Ｇ，Ｈを有する最適化された仮想タレット温度計算式が仮想温度モデルとして熱変位補正部２００に出力される。
仮想タレット温度計算部３２５Ａは学習部３２４Ａで設定された、探索された係数Ｅ，Ｆ，Ｇ，Ｈを有する仮想タレット温度計算式を用いて、仮想タレット温度θＶＬを計算する。熱変位モデル作成部３１０Ａの仮想タレット温度取得部３１３Ａは仮想タレット温度計算部３２５Ａから仮想タレット温度θＶＬを取得する。
＜機械学習時の動作＞
次に、本実施形態に係る機械学習部３００Ａにおける機械学習時の動作について説明する。図１２は、この機械学習時の機械学習部３００Ａの動作を示すフローチャートである。
ステップＳ２１において、仮想温度モデル作成部３２０Ａの学習部３２４Ａは、仮想温度モデルとなる仮想タレット温度計算式の係数Ｅ，Ｆ，Ｇ，Ｈを機械学習開始時及び機械学習中においてランダムに設定する。
ステップＳ２２において、発熱要因データ取得部３２１が、主軸の回転速度、モータ５１０の負荷、モータ温度等の発熱要因データを工作機械５００Ａから取得する。学習部３２４Ａは発熱要因データを仮想タレット温度計算式に挿入して仮想タレット温度（仮想温度データ）を求める（推定する）。
ステップＳ２３において、学習部３２４Ａは仮想タレット温度と実温度取得部３２６から得た実温度との誤差を算出する。
ステップＳ２４において、学習部３２４Ａは、誤差が収束しない場合、又は係数Ｅ，Ｆ，Ｇ，Ｈの探索が指定回数に満たない場合にはステップＳ２１に戻る。一方、誤差が収束して誤差がなくなるか又は一定範囲に入った場合、又は指定回数だけ係数Ｅ，Ｆ，Ｇ，Ｈの探索が指定回数となった場合には、学習を終了し、仮想タレット温度計算部３２５Ａは学習部３２４Ａで係数Ｅ，Ｆ，Ｇ，Ｈが設定された仮想タレット温度計算式、すなわち、数式４及び数式５を用いて仮想タレット温度θＶＬを求める。学習後の仮想タレット温度計算式は仮想温度モデルとして熱変位補正部２００に出力される。
ステップＳ２５において、熱変位モデル作成部３１０Ａの学習部３１５は、仮想タレット温度θＶＬ及びタレット以外の部位に設けた温度センサからの実測温度θ１〜θｎを用いた熱変位量の推定値ｆ（θ１，θ２，・・・，θｎ，θＶＬ）と、熱変位量の実測値ＹＬとの差異が最小となるような熱変位推定量計算式の係数を設定する。
ステップＳ２６において、学習部３１５は熱変位量の推定値をｆ（θ１，θ２，・・・，θｎ，θＶL）（ｎは自然数）、熱変位量の実測値をＹＬとした際、ｆ（θ１，θ２，・・・，θｎ，θＶL）とＹＬとの誤差を計算する。
ステップＳ２７において、学習部３１５は、誤差が収束しない場合、又は係数の探索が指定回数に満たない場合にはステップＳ２５に戻る。一方、誤差が収束して誤差がなくなるか又は一定範囲に入った場合、又は指定回数だけ係数の探索が指定回数となった場合には、学習を終了し、熱変位モデルを熱変位補正部２００に出力する。
なお、機械学習部３００Ａの記憶部３１４と記憶部３２３は、仮想タレット温度計算式と、熱変位推定量計算式を記憶する。これにより、新たに設置された熱変位補正部２００から、仮想タレット温度計算式と熱変位推定量計算式を要求された場合には、その熱変位補正部に仮想タレット温度計算式と熱変位推定量計算式を送信することができる。また、新たな教師データを取得した場合には、更なる機械学習を行うこともできる。
＜第２の実施形態が奏する効果＞
上記のように、本実施形態では、データ収集時には温度センサを取り付け可能でも、実際の運用では温度センサを取り付けることができない場合に、温度を推定することができる。そして、推定された温度を用いて工作機械の主軸等の構成要素の熱変位補正量を求めることができる。
以上、第１及び第２の実施形態の機械学習部３００、３００Ａに含まれる機能ブロックについて説明した。
これらの機能ブロックを実現するために、機械学習部３００、３００Ａは、ＣＰＵ（Central Processing Unit）等の演算処理装置を備える。また、機械学習部３００、３００Ａは、アプリケーションソフトウェアやＯＳ（Operating System）等の各種の制御用プログラムを格納したＨＤＤ（Hard Disk Drive）等の補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭ（Random Access Memory）といった主記憶装置も備える。
そして、機械学習部３００、３００Ａにおいて、演算処理装置が補助記憶装置からアプリケーションソフトウェアやＯＳを読み込み、読み込んだアプリケーションソフトウェアやＯＳを主記憶装置に展開させながら、これらのアプリケーションソフトウェアやＯＳに基づいた演算処理を行なう。また、この演算結果に基づいて、各装置が備える各種のハードウェアを制御する。これにより、本実施形態の機能ブロックは実現される。つまり、本実施形態は、ハードウェアとソフトウェアが協働することにより実現することができる。
なお、熱変位補正部は機械学習部３００又は機械学習部３００Ａを含んでもよく、この場合、ＣＰＵ（Central Processing Unit）等の演算処理装置、補助記憶装置及び主記憶装置は共用され、機械学習部３００又は機械学習部３００Ａに対してそれぞれ設ける必要はなくなる。
機械学習部３００、３００Ａについては機械学習に伴う演算量が多いため、例えば、パーソナルコンピュータにＧＰＵ（Graphics Processing Units）を搭載し、ＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）と呼ばれる技術により、ＧＰＵを機械学習に伴う演算処理に利用するようにすると高速処理できるようになるのでよい。更には、より高速な処理を行うために、このようなＧＰＵを搭載したコンピュータを複数台用いてコンピュータ・クラスターを構築し、このコンピュータ・クラスターに含まれる複数のコンピュータにて並列処理を行うようにしてもよい。
第１及び第２の実施形態では、機械の一例として、工作機械を取り上げて説明したが、特に機械は、工作機械に限定されず、ロボット、産業機械等であってもよい。
第１の実施形態では、温度センサを取り付けて主軸温度を実際に測定することができない例として主軸を挙げ、第２の実施形態では、実際の運用では温度センサを取り付けることができないが、データ収集時には温度センサを取り付け可能な例としてタレットを挙げた。しかし、本発明はこれらの例に限定されず、例えば、図１３に示す被駆動体としてのボールねじにも適用可能である。図１３はボールねじを含む工作機械の一部を示す構成図である。
図１３はモータとボールねじを含む工作機械の一部を示すブロック図である。
モータ制御部４００は、モータ５１０で、被駆動体５２０の連結機構５２１を介してテーブル５２２を移動させることで、テーブル５２２の上に搭載された被加工物（ワーク）を加工する。連結機構５２１は、モータ５１０に連結されたカップリング５２１１と、カップリング５２１１に固定されるボールねじ５２１２とを有し、ボールねじ５２１２にナット５２１３が螺合されている。モータ５１０の回転角度位置は、モータ５１０に関連付けられたロータリーエンコーダ５１１によって検出され、回転角度位置によって求められる検出速度（実速度）はモータ制御部４００に速度フィードバック（速度ＦＢ）される。
ボールねじ５２１２のねじ軸において、回転するためにねじ軸の領域Ｒ１には温度センサを取り付けることができず実際に温度を測定することができないので、第１の実施形態の構成が適用できる。また、ボールねじ５２１２のねじ軸の軸受けの領域Ｒ２にはデータ収集時には温度センサを取り付け可能であるが、実際の運用では温度センサを取り付けることができないので第２の実施形態の構成が適用できる。
上記機械学習部に含まれる各構成部は、ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。また、上記の機械学習部に含まれる各構成部のそれぞれの協働により行なわれる機械学習方法も、ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。
プログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ−ＲＯＭ(Read Only Memory)、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ(Programmable ROM)、ＥＰＲＯＭ(Erasable PROM)、フラッシュＲＯＭ、ＲＡＭ(random access memory）)を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。
上述した実施形態は、本発明の好適な実施形態ではあるが、上記実施形態のみに本発明の範囲を限定するものではなく、本発明の要旨を逸脱しない範囲において種々の変更を施した形態での実施が可能である。
制御システムの構成は図１と図２、及び図８と図９の構成以外にも以下の構成がある。
＜機械学習装置がネットワークを介して制御システムの外部に設けられた変形例＞
図１４は制御システムの他の構成例を示すブロック図である。図１４に示す制御システム１０Ｂが、図１と図２に示した制御システム１０及び図８と図９に示した制御システム１０Ａと異なる点は、ｎ（ｎは２以上の自然数）個の機械学習装置３００−１〜３００−ｎが、ｎ個の制御装置７００−１〜７００−ｎと工作機械５００−１〜５００−ｎとにネットワーク８００を介して接続されていることである。
制御装置７００−１〜７００−ｎのそれぞれは、図１及び図２、又は図８及び図９に示した数値制御部１００、熱変位補正部２００、及びモータ制御部４００を備えている。機械学習装置３００−１〜３００−ｎのそれぞれは図５に示した機械学習部３００又は機械学習部３００Ａの構成と同じ構成を備えている。
ここで、制御装置７００−１及び工作機械５００−１と、機械学習装置３００−１とは１対１の組とされて、通信可能に接続されている。制御装置７００−２〜７００―ｎ及び工作機械５００−２〜５００−ｎと、機械学習装置３００−２〜３００−ｎとについても制御装置７００−１及び工作機械５００−１と、機械学習装置３００−１と同様に接続される。図１２では、制御装置７００−１〜７００―ｎ及び工作機械５００−１〜５００−ｎと、機械学習装置３００−１〜３００−ｎとのｎ個の組は、ネットワーク８００を介して接続されているが、接続インタフェースを介して直接接続されてもよい。これら制御装置７００−１〜７００―ｎ及び工作機械５００−１〜５００−ｎと、機械学習装置３００−１〜３００−ｎとのｎ個の組は、例えば同じ工場に複数組設置されていてもよく、それぞれ異なる工場に設置されていてもよい。
なお、ネットワーク８００は、例えば、工場内に構築されたＬＡＮ（Local Area Network）や、インターネット、公衆電話網、或いは、これらの組み合わせである。ネットワーク８００における具体的な通信方式や、有線接続および無線接続のいずれであるか等については、特に限定されない。
＜システム構成の自由度＞
上述した実施形態では、制御装置７００−１〜７００―ｎ及び工作機械５００−１〜５００−ｎと、制御装置７００−１〜７００―ｎ及び工作機械５００−１〜５００−ｎとはそれぞれ１対１の組とされて通信可能に接続されているが、例えば１台の機械学習装置が複数の制御装置及び工作機械とネットワーク８００を介して通信可能に接続されて、複数の制御装置及び工作機械に対して機械学習を実施するようにしてもよい。
その際、１台の機械学習装置の各機能を、適宜複数のサーバに分散する、分散処理システムとしてもよい。また、クラウド上で仮想サーバ機能等を利用して、１台の機械学習装置の各機能を実現してもよい。
また、ｎ台の同じ型名、同一仕様、又は同一シリーズの制御装置７００−１〜７００―ｎ及び工作機械５００−１〜５００−ｎとそれぞれ対応するｎ個の機械学習装置３００−１〜３００−ｎがあった場合に、各機械学習装置３００−１〜３００−ｎにおける学習結果を共有するように構成するようにしてもよい。そうすることで、より最適なモデルを構築することが可能となる。
本開示による機械学習装置、制御システム及び機械学習方法、上述した実施形態を含め、次のような構成を有する各種各様の実施形態を取ることができる。
（１）本開示の第１の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を備え、発熱要因データを用いて該仮想温度計算式により機械の特定部位の温度を推定して仮想温度データを求める仮想温度モデル作成部（例えば、仮想温度モデル作成部３２０）と、
第３の係数を含む熱変位推定量計算式を有し、前記仮想温度計算式を用いて求めた前記仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求めて、前記誤差が最小となるように前記第３の係数を探索する機械学習を行って最適化された熱変位推定量計算式を作成する熱変位モデル作成部（例えば、熱変位モデル作成部３１０）と、を備え、
前記仮想温度モデル作成部は、前記仮想温度計算式により推定された前記仮想温度データを用いて最適化された前記熱変位推定量計算式により求められた誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する機械学習装置（例えば、機械学習部３００）である。
本開示の第１の態様の機械学習装置によれば、温度センサを取り付けて温度を実際に測定することができない部位がある場合でも、その部位の温度を推定することができる。そして、推定された温度を用いて機械の構成要素の熱変位推定量を求めることができる。
（２）前記第１の係数は、前記機械を駆動するモータからの熱伝達による発熱量を決める係数であり、前記第２の係数は、ベアリング摩擦による発熱量を決める係数である、上記（１）に記載の機械学習装置。
（３）前記機械の特定部位は、工作機械の主軸（例えば、主軸５２０Ａ）である、上記（１）又は（２）に記載の機械学習装置。
（４）前記機械の特定部位は、工作機械のボールねじ（例えば、ボールねじ５２１２）のねじ軸である、上記（１）又は（２）に記載の機械学習装置。
（５）本開示の第２の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を備え、
発熱要因データを用いて前記仮想温度計算式により得られた、機械の特定部位の仮想温度データと、前記特定部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記仮想温度データと前記実温度データとの誤差を求め、前記誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する仮想温度モデル作成部（例えば、仮想温度モデル作成部３２０Ａ）を備えた、機械学習装置（例えば、機械学習部３００Ａ）である。
本開示の第２の態様の機械学習装置によれば、データ収集時には温度センサを取り付け可能でも、実際の運用では温度センサを取り付けることができない部位がある場合に、その部位の温度を推定することができる。
（６） 第３の係数を含む熱変位推定量計算式を有し、
最適化された前記仮想温度計算式を用いて求めた仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて機械学習を行って最適化された熱変位推定量計算式を作成する熱変位モデル作成部を備えた、上記（５）に記載の機械学習装置。
（７）前記機械の特定部位は、工作機械のタレットである、上記（５）又は（６）に記載の機械学習装置。
（８）本開示の第３の態様は、上記（１）、（２）、（３）、（４）、（６）及び（７）のいずれか記載の機械学習装置（例えば、機械学習部３００、３００Ａ）と、
前記機械学習装置から出力される仮想温度計算式と熱変位推定量計算式とを保存し、前記仮想温度計算式から求めた仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により熱変位の推定値を求め、該熱変位の推定値に基づいて熱変位補正量を求める熱変位補正装置（例えば、熱変位補正部２００）と、
前記熱変位補正量に基づいて、モータを制御するモータ制御部への出力する制御指令を補正する数値制御装置と、を備えた制御システム（例えば、制御システム１０、１０Ａ）である。
本開示の第３の態様の制御システムによれば、温度センサを取り付けることができない又は実際の運用では温度センサを取り付けることが困難な場合でも、温度を推定することができる。
（９）本開示の第４の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式により発熱要因データを用いて機械の特定部位の温度を推定して仮想温度データを求め、
第３の係数を含む熱変位推定量計算式を有し、前記仮想温度計算式を用いて求めた前記仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求めて、前記誤差が最小となるように前記第３の係数を探索する機械学習を行って最適化された熱変位推定量計算式を作成し、
前記仮想温度計算式により推定された前記仮想温度データを用いて最適化された前記熱変位推定量計算式により求められた誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する、機械学習装置（例えば、機械学習部３００）の機械学習方法である。
本開示の第４の態様の機械学習方法によれば、温度センサを取り付けて温度を実際に測定することができない部位がある場合でも、その部位の温度を推定することができる。そして、推定された温度を用いて機械の構成要素の熱変位推定量を求めることができる。
（１０）本開示の第５の態様は、発熱量を決める第１の係数と放熱量を決める第２の係数とを含む、機械の特定部位の温度を推定する仮想温度計算式から発熱要因データを用いて求められる仮想温度データと、前記特定部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記仮想温度データと前記実温度データとの誤差を求め、前記誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する、機械学習装置（例えば、機械学習部３００Ａ）の機械学習方法である。
本開示の第５の態様の機械学習方法によれば、データ収集時には温度センサを取り付け可能でも、実際の運用では温度センサを取り付けることができない部位がある場合に、その部位の温度を推定することができる。そして、推定された温度を用いて機械の構成要素の熱変位推定量を求めることができる。
１０、１０Ａ、１０Ｂ 制御システム
１００ 数値制御部
２００ 熱変位補正部
２０１ 仮想温度算出部
２０２ 温度データ保存部
２０３ 熱変位補正量算出部
３００ 機械学習部
３１０ 熱変位モデル作成部
３１１ 変位取得部
３１２ 温度取得部
３１３ 仮想主軸温度取得部
３１４ 記憶部
３１５ 学習部
３１６ 誤差計算部
３２０ 仮想温度モデル作成部
３２１ 発熱要因データ取得部
３２２ 熱変位補正量取得部
３２３ 記憶部
３２４ 学習部
３２５ 仮想主軸温度計算部
４００ モータ制御部
５００ 工作機械
５１０ モータ
５２０ 被駆動体
６００ 被加工物
特許文献２には、主軸を含む主軸部を、二次元のモデルとして考え、このモデルを１２箇所の区間に分割し、各区間の温度を記憶する領域を制御装置のメモリ上に確保する（時刻Ｎにおける区間Ｉの温度をＴＩＮとする）し、設定した区間の数や形や大きさに従って適切な放熱係数と、発熱係数と、隣接する区間との間の熱伝導係数を設定し、これらの係数を、制御装置のメモリに保存する熱変位補正装置が記載されている。熱変位補正装置によれば、主軸部を二次元モデルとして捉えることで、計算にかかる負荷が減少し、刻一刻と変化する補正量をより細かいスパンで計算できる機械の熱変位補正装置が提供される。
本開示の第１の実施形態の制御システムの機械学習時の構成を示すブロック図である。 本開示の第１の実施形態の制御システムの稼動時の構成を示すブロック図である。 熱変位補正部の構成を示すブロック図である。 主軸を含む工作機械のモデルを示す構成図である。 仮想温度モデル作成部と熱変位モデル作成部との構成を示すブロック図である。 モータの熱伝導とベアリング摩擦の影響を説明するための図である。 機械学習時の機械学習部３００の動作を示すフローチャートである。 本開示の第２の実施形態の制御システムの機械学習時の構成を示すブロック図である。 本開示の第２の実施形態の制御システムの稼動時の構成を示すブロック図である。 タレットを含む工作機械のモデルを示す構成図である。 仮想温度モデル作成部と熱変位モデル作成部との構成を示すブロック図である。 機械学習時の機械学習部３００Ａの動作を示すフローチャートである。 ボールねじを含む工作機械の一部を示す構成図である。 制御システムの他の構成例を示すブロック図である。
学習部３２４は、記憶部３２３から発熱要因データと誤差とを読み出し、誤差が最小となるように、読み出した発熱要因データに基づいて仮想主軸温度計算式の係数Ａ，Ｂ，Ｃ，Ｄの学習を行うことで、仮想主軸温度を発熱要因データに基づいて算出する仮想主軸温度計算式を設定する。
ある時刻ｔｉでの仮想主軸温度θＶ（tｉ）は、数式１（以下の数１）で示される。
Figure 2021030365
 数式１のＴＳは仮想主軸温度の計算周期、Ｑ’は発熱量、Ａは係数、θｒ（ｔｉ−１）は前の時刻ｔ ｉ−１ での雰囲気温度である。
発熱量Ｑ’は数式２(以下の数２)で示される。
Figure 2021030365
 数式２のＢはモータの熱伝導の係数、Ｃ及びＤは機械損となるベアリング摩擦の係数、θＭ（ｔｉ−１）はモータ温度、Ｓ（ｔ ｉ−１ −ｔ’）は主軸回転速度を示す。
係数Ａ，Ｂ，Ｃ，Ｄの初期値は予め設定され、係数Ａ，Ｂ，Ｃ，Ｄを探索する強化学習により修正される。係数Ａは放熱量を決める第２の係数、係数Ｂ，Ｃ，Ｄは発熱量を決める係数となる。
図６に示すように、主軸温度θＶ（ｔ ｉ−１ ）は、モータの熱伝導とベアリング摩擦の影響を受ける。
学習部３２４Ａは、発熱要因データを用いて得られる仮想タレット温度データと、タレットの実温度データとの誤差を求め、誤差が収束するように教師あり学習を行うことで、仮想タレット温度を発熱要因データに基づいて算出する仮想タレット温度計算式の係数を探索し、仮想タレット温度計算式を設定する。発熱要因データは入力データ、タレットの実温度データはラベルとなり、ラベルと入力データとの組が教師データとなる。
ある時刻ｔｉでの仮想タレット温度θＶ（tｉ）は、仮想主軸温度を仮想タレット温度に置き替えた数式４（以下の数４）で示される。
Figure 2021030365
 数式４のＴＳはタレット温度の計算周期、Ｑ’は発熱量、Ｅは係数、θｒ（ｔｉ−１）は前の時刻ｔ ｉ−１ での雰囲気温度である。発熱量Ｑ’は数式５(以下の数５)で示される。なお、発熱量Ｑ’はこれ以外の要因を加えてもよい。
Figure 2021030365
 数式５のＦはモータの負荷の係数、Ｇは主軸回転速度の係数及びＨはモータ温度の係数を示す。係数Ｅは放熱量を決める第２の係数、係数Ｆ，Ｇ，Ｈは発熱量を決める係数となる。
係数Ｅ，Ｆ，Ｇ，Ｈは予め設定され、学習部３２４Ａは、計算された仮想タレット温度θＶの時系列データと、タレットの実温度θＴのデータとの誤差が最小となる係数Ｅ，Ｆ，Ｇ，Ｈを探索する。
（２）前記第１の係数は、前記機械を駆動するモータからの熱伝導及び／又はベアリング摩擦による発熱量を決める係数であり、前記第２の係数は、前記機械の特定部位から周囲の流体への熱伝達による放熱量を決める係数である、上記（１）に記載の機械学習装置。
１０、１０Ａ、１０Ｂ 制御システム
１００ 数値制御部
２００ 熱変位補正部
２０１ 仮想温度算出部
２０２ 温度データ保存部
２０３ 熱変位補正量算出部
３００ 機械学習部
３１０ 熱変位モデル作成部
３１１ 変位取得部
３１２ 温度取得部
３１３ 仮想主軸温度取得部
３１４ 記憶部
３１５ 学習部
３１６ 誤差計算部
３２０ 仮想温度モデル作成部
３２１ 発熱要因データ取得部
３２２ 誤差取得部
３２３ 記憶部
３２４ 学習部
３２５ 仮想主軸温度計算部
４００ モータ制御部
５００ 工作機械
５１０ モータ
５２０ 被駆動体
６００ 被加工物

Claims (10)

  1. 発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を備え、発熱要因データを用いて該仮想温度計算式により機械の特定部位の温度を推定して仮想温度データを求める仮想温度モデル作成部と、
    第３の係数を含む熱変位推定量計算式を有し、前記仮想温度計算式を用いて求めた前記仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求めて、前記誤差が最小となるように前記第３の係数を探索する機械学習を行って最適化された熱変位推定量計算式を作成する熱変位モデル作成部と、を備え、
    前記仮想温度モデル作成部は、前記仮想温度計算式により推定された前記仮想温度データを用いて最適化された前記熱変位推定量計算式により求められた誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する機械学習装置。
  2. 前記第１の係数は、前記機械を駆動するモータからの熱伝達による発熱量を決める係数であり、前記第２の係数は、ベアリング摩擦による発熱量を決める係数である、請求項１に記載の機械学習装置。
  3. 前記機械の特定部位は、工作機械の主軸である、請求項１又は２に記載の機械学習装置。
  4. 前記機械の特定部位は、工作機械のボールねじのねじ軸である、請求項１又は２に記載の機械学習装置。
  5. 発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式を有し、
    発熱要因データを用いて前記仮想温度計算式により得られた、機械の特定部位の仮想温度データと、前記特定部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記仮想温度データと前記実温度データとの誤差を求め、前記誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する仮想温度モデル作成部を備えた、機械学習装置。
  6. 第３の係数を含む熱変位推定量計算式を有し、
    最適化された前記仮想温度計算式を用いて求めた仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて機械学習を行って最適化された熱変位推定量計算式を作成する熱変位モデル作成部を備えた、請求項５に記載の機械学習装置。
  7. 前記機械の特定部位は、工作機械のタレットである、請求項５又は６に記載の機械学習装置。
  8. 請求項１、２、３、４、６及び７のいずれか記載の機械学習装置と、
    前記機械学習装置から出力される仮想温度計算式と熱変位推定量計算式とを保存し、前記仮想温度計算式から求めた仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により熱変位の推定値を求め、該熱変位の推定値に基づいて熱変位補正量を求める熱変位補正装置と、
    前記熱変位補正量に基づいて、モータを制御するモータ制御部への出力する制御指令を補正する数値制御装置と、を備えた制御システム。
  9. 発熱量を決める第１の係数と放熱量を決める第２の係数とを含む仮想温度計算式により発熱要因データを用いて機械の特定部位の温度を推定して仮想温度データを求め、
    第３の係数を含む熱変位推定量計算式を有し、前記仮想温度計算式を用いて求めた前記仮想温度データと前記特定部位以外の部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記熱変位推定量計算式により推定された熱変位と、実測された熱変位との誤差を求めて、前記誤差が最小となるように前記第３の係数を探索する機械学習を行って最適化された熱変位推定量計算式を作成し、
    前記仮想温度計算式により推定された前記仮想温度データを用いて最適化された前記熱変位推定量計算式により求められた誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する、機械学習装置の機械学習方法。
  10. 発熱量を決める第１の係数と放熱量を決める第２の係数とを含む、機械の特定部位の温度を推定する仮想温度計算式から発熱要因データを用いて求められる仮想温度データと、前記特定部位に取り付けた少なくとも１つの温度センサから取得した実温度データとを用いて、前記仮想温度データと前記実温度データとの誤差を求め、前記誤差が最小となるように前記第１の係数と前記第２の係数を探索する機械学習を行って最適化された仮想温度計算式を作成する、機械学習装置の機械学習方法。
JP2019152822A 2019-08-23 2019-08-23 機械学習装置、制御システム及び機械学習方法 Active JP7303065B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019152822A JP7303065B2 (ja) 2019-08-23 2019-08-23 機械学習装置、制御システム及び機械学習方法
US16/939,430 US11680916B2 (en) 2019-08-23 2020-07-27 Machine learning device, control system, and machine learning method
DE102020210120.5A DE102020210120A1 (de) 2019-08-23 2020-08-11 Maschinenlernvorrichtung; steuersystem und maschinenlernverfahren
CN202010825058.5A CN112415950A (zh) 2019-08-23 2020-08-17 机器学习装置、控制系统以及机器学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019152822A JP7303065B2 (ja) 2019-08-23 2019-08-23 機械学習装置、制御システム及び機械学習方法

Publications (2)

Publication Number Publication Date
JP2021030365A true JP2021030365A (ja) 2021-03-01
JP7303065B2 JP7303065B2 (ja) 2023-07-04

Family

ID=74495375

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019152822A Active JP7303065B2 (ja) 2019-08-23 2019-08-23 機械学習装置、制御システム及び機械学習方法

Country Status (4)

Country Link
US (1) US11680916B2 (ja)
JP (1) JP7303065B2 (ja)
CN (1) CN112415950A (ja)
DE (1) DE102020210120A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7221459B1 (ja) * 2022-05-23 2023-02-13 三菱電機株式会社 熱変位モデル学習装置、熱変位推定装置、加工システム、および加工方法
WO2024176861A1 (ja) * 2023-02-21 2024-08-29 日本精工株式会社 回転装置の温度推定方法、温度推定装置、およびプログラム

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6813521B2 (ja) * 2018-02-08 2021-01-13 ファナック株式会社 温度計測装置
CN110874079B (zh) * 2018-08-30 2023-07-14 Abb瑞士股份有限公司 用于监测电驱动器的状况的方法和系统
CN113093545B (zh) * 2021-04-01 2022-11-04 重庆大学 基于能量平衡的直线伺服系统热误差建模方法及补偿系统
TWI797888B (zh) * 2021-12-15 2023-04-01 財團法人工業技術研究院 工具機熱補償系統

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11338527A (ja) * 1998-05-28 1999-12-10 Makino Milling Mach Co Ltd 工作機械の制御方法および装置
JP2006116663A (ja) * 2004-10-22 2006-05-11 Yamazaki Mazak Corp 工作機械の熱変位補正方法及び熱変位補正装置
JP2015199168A (ja) * 2014-04-08 2015-11-12 ファナック株式会社 機械の熱変位補正装置
JP2018153901A (ja) * 2017-03-21 2018-10-04 ファナック株式会社 機械学習装置及び熱変位補正装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11114776A (ja) 1997-10-13 1999-04-27 Niigata Eng Co Ltd 工作機械の熱変位補正装置
JP2002086329A (ja) * 2000-09-13 2002-03-26 Mori Seiki Co Ltd 工作機械の熱変位補正量算出方法及び熱変位補正量算出装置
JP4891104B2 (ja) * 2007-01-29 2012-03-07 オークマ株式会社 工作機械の熱変位推定方法
US8572155B2 (en) * 2007-08-23 2013-10-29 Applied Materials, Inc. Virtual sensors
US20130151191A1 (en) * 2011-12-13 2013-06-13 Ecole Polytechnique Federale De Lausanne (Epfl) Method to determine the distribution of temperature sensors, method to estimate the spatial and temporal thermal distribution and apparatus
JP5502912B2 (ja) * 2012-01-19 2014-05-28 ファナック株式会社 工作機械の熱変位補正装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11338527A (ja) * 1998-05-28 1999-12-10 Makino Milling Mach Co Ltd 工作機械の制御方法および装置
JP2006116663A (ja) * 2004-10-22 2006-05-11 Yamazaki Mazak Corp 工作機械の熱変位補正方法及び熱変位補正装置
JP2015199168A (ja) * 2014-04-08 2015-11-12 ファナック株式会社 機械の熱変位補正装置
JP2018153901A (ja) * 2017-03-21 2018-10-04 ファナック株式会社 機械学習装置及び熱変位補正装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7221459B1 (ja) * 2022-05-23 2023-02-13 三菱電機株式会社 熱変位モデル学習装置、熱変位推定装置、加工システム、および加工方法
WO2023228253A1 (ja) * 2022-05-23 2023-11-30 三菱電機株式会社 熱変位モデル学習装置、熱変位推定装置、加工システム、および加工方法
WO2024176861A1 (ja) * 2023-02-21 2024-08-29 日本精工株式会社 回転装置の温度推定方法、温度推定装置、およびプログラム

Also Published As

Publication number Publication date
CN112415950A (zh) 2021-02-26
DE102020210120A1 (de) 2021-02-25
US20210055240A1 (en) 2021-02-25
JP7303065B2 (ja) 2023-07-04
US11680916B2 (en) 2023-06-20

Similar Documents

Publication Publication Date Title
JP2021030365A (ja) 機械学習装置、制御システム及び機械学習方法
US10401829B2 (en) Machine learning device for machine tool and thermal displacement compensation device
CN108629419B (zh) 机器学习装置以及热位移修正装置
CN108628256B (zh) 机械学习装置以及热位移修正装置
JP5997330B1 (ja) 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
US10747193B2 (en) Machine learning apparatus, servo control apparatus, servo control system, and machine learning method
JP6490131B2 (ja) 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
JP2019082836A (ja) 工具寿命予測装置
US11087509B2 (en) Output device, control device, and evaluation function value output method
US20220171363A1 (en) Method and Device for Compensating for a Thermally Induced Change in Position on a Numerically Controlled Machine Tool
JP6748135B2 (ja) 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
JP5751611B2 (ja) 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
CN115398360A (zh) 用于机床上的基于特征图的误差补偿的机床控制和方法
Villagrossi et al. A human mimicking control strategy for robotic deburring of hard materials
JP6806746B2 (ja) モータ制御装置
JP6882364B2 (ja) 機械学習装置及び熱変位補正装置
JP2021076465A (ja) 工作機械および表示装置
JP2021047556A (ja) 物体移動装置、工作機械、情報処理装置、情報処理方法および情報処理プログラム
Yang et al. Integrated thermal error modeling and compensation of machine tool feed system using subtraction-average-based optimizer-based CNN-GRU neural network
JP7101091B2 (ja) モータ制御装置のフィードフォワード制御器導出装置、モータ制御装置、制御装置、及びフィードフォワード制御器導出方法
JP2019130627A (ja) 熱変位補正装置及び機械学習装置
US20210405608A1 (en) Thermal displacement correction method for machine tool
JP7221459B1 (ja) 熱変位モデル学習装置、熱変位推定装置、加工システム、および加工方法
JP4301491B2 (ja) 電動機制御システムの自律設計方法及び自律設計装置並びに電動機制御システム
JP2020042585A (ja) 制御装置、ｃｎｃ装置及び制御装置の制御方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200701

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220517

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230216

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230307

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230410

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230523

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230622

R150 Certificate of patent or registration of utility model

Ref document number: 7303065

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150