JP2021036372A - Creation assistance device for analytic model for machine tool - Google Patents
Creation assistance device for analytic model for machine tool Download PDFInfo
- Publication number
- JP2021036372A JP2021036372A JP2019157844A JP2019157844A JP2021036372A JP 2021036372 A JP2021036372 A JP 2021036372A JP 2019157844 A JP2019157844 A JP 2019157844A JP 2019157844 A JP2019157844 A JP 2019157844A JP 2021036372 A JP2021036372 A JP 2021036372A
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- parameters
- model
- machine tool
- actual
- 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
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000003860 storage Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 214
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 230000004044 response Effects 0.000 claims description 28
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 11
- 238000013016 damping Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 6
- 238000003754 machining Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000000227 grinding Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
Images
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
- Numerical Control (AREA)
Abstract
Description
本発明は、工作機械の解析モデルの作成支援装置に関するものである。 The present invention relates to a device for creating an analysis model of a machine tool.
特許文献１には、工作機械における工具を加振したときの振動を検出することにより、工作機械の動特性を算出することが記載されている。工作機械の動特性を得ることができれば、工作物の加工精度を良好にするための加工条件を決定することができたり、びびり振動等の原因を見つけることができたりする。
特許文献２には、工作機械において加工中にびびり振動が検出された場合に、加工中に検出された振動加速度と構造体の固有振動数とに基づき、びびり振動の発生要因である振動源を推定する振動源推定装置が記載されている。 Patent Document 2 describes a vibration source that is a cause of chatter vibration based on the vibration acceleration detected during machining and the natural frequency of the structure when chatter vibration is detected during machining in a machine tool. The vibration source estimation device to be estimated is described.
ここで、工作機械の動特性は、例えば工具に力を付与した場合に、工具を含む工作機械の挙動を示すものである。そして、動特性は、構造体の質量、重心位置、構造体の支持構造におけるバネ定数（バネ要素のパラメータ）、減衰係数（ダンパ要素のパラメータ）等により表される。 Here, the dynamic characteristics of the machine tool indicate the behavior of the machine tool including the tool when a force is applied to the tool, for example. The dynamic characteristics are represented by the mass of the structure, the position of the center of gravity, the spring constant (parameter of the spring element) in the support structure of the structure, the damping coefficient (parameter of the damper element), and the like.
また、特許文献３には、工作機械の解析モデルを用いて、工作機械の振動状態の解析を行うことが記載されている。解析モデルの同定は、解析モデルによる解析結果と実際の結果とを比較することにより行われる。 Further, Patent Document 3 describes that the vibration state of the machine tool is analyzed by using the analysis model of the machine tool. The identification of the analytical model is performed by comparing the analysis result by the analysis model with the actual result.
振動解析の精度を高めるためには、解析モデルにおける質量、重心位置、バネ要素、ダンパ要素等のパラメータが高精度とする必要がある。しかしながら、解析モデルのパラメータを高精度にすることは容易ではない。 In order to improve the accuracy of vibration analysis, it is necessary to make the parameters such as mass, center of gravity position, spring element, damper element, etc. in the analysis model highly accurate. However, it is not easy to make the parameters of the analysis model highly accurate.
本発明は、解析モデルのパラメータを容易に且つ高精度に決定することができる工作機械の解析モデルの作成支援装置を提供することを目的とする。 An object of the present invention is to provide a machine tool analysis model creation support device capable of easily and highly accurately determining analysis model parameters.
本発明に係る工作機械の解析モデルの作成支援装置は、工作機械を構成する複数の構造体に対応する複数の構造体モデル要素と、前記複数の構造体モデル要素同士を支持する支持モデル要素と、を備える工作機械の解析モデルの作成支援装置である。支援装置は、実測値に基づいて得られた前記工作機械の実動特性を記憶する実動特性記憶部と、前記支持モデル要素のパラメータを調整した場合に、前記支持モデル要素のパラメータを調整した複数の前記解析モデルのそれぞれによる解析結果である解析動特性を生成する解析動特性生成部と、前記実動特性とそれぞれの前記解析動特性との一致度を算出する一致度算出部と、前記実動特性、複数の前記解析動特性及び複数の前記一致度に基づいて、機械学習により前記一致度を高くするための前記支持モデル要素のパラメータの調整量を探索し、前記支持モデル要素のパラメータを決定するパラメータ決定部とを備える。 The machine tool analysis model creation support device according to the present invention includes a plurality of structure model elements corresponding to a plurality of structures constituting the machine tool, and a support model element that supports the plurality of structure model elements. It is a machine tool analysis model creation support device equipped with. The support device adjusted the parameters of the support model element when the parameters of the support model element and the actual operation characteristic storage unit that stores the actual operation characteristics of the machine tool obtained based on the measured values were adjusted. An analysis dynamic characteristic generation unit that generates an analysis dynamic characteristic that is an analysis result by each of the plurality of analysis models, a matching degree calculation unit that calculates a degree of agreement between the actual operation characteristic and each of the analysis dynamic characteristics, and the above. Based on the actual operating characteristics, the plurality of the analytical dynamic characteristics, and the plurality of the matching degrees, the adjustment amount of the parameters of the supporting model element for increasing the matching degree is searched by machine learning, and the parameters of the supporting model element are searched for. It is provided with a parameter determination unit for determining.
作成支援装置によれば、実動特性と解析動特性との一致度を高くするための支持モデル要素のパラメータの調整量を、機械学習により探索している。機械学習を行うにあたって、複数の情報を用いる必要がある。そこで、機械学習は、実動特性と、複数の解析動特性と、実動特性と複数の解析動特性のそれぞれとの一致度とを用いて行うようにしている。このように、蓄積された複数の解析動特性及び複数の一致度を用いて、機械学習により容易に且つ高速に支持モデル要素の最適なパラメータを決定することができる。決定されたパラメータは、高精度に、実際の支持要素のパラメータに一致させることができる。 According to the creation support device, the adjustment amount of the parameter of the support model element for increasing the degree of agreement between the actual operation characteristic and the analysis dynamic characteristic is searched by machine learning. It is necessary to use multiple pieces of information when performing machine learning. Therefore, machine learning is performed using the actual operating characteristics, a plurality of analytical dynamic characteristics, and the degree of agreement between the actual operating characteristics and the plurality of analytical dynamic characteristics. In this way, the optimum parameters of the support model elements can be easily and quickly determined by machine learning using the accumulated plurality of analytical dynamic characteristics and the plurality of degrees of agreement. The determined parameters can be matched with the parameters of the actual supporting element with high accuracy.
（１．工作機械１の構成）
工作機械１の構成について、図１を参照して説明する。図１に示すように、工作機械１は、工作物Ｗと工具Ｔとを相対的に移動させることにより、工作物Ｗを工具Ｔにより切削や研削等の加工を行う装置である。工作機械１は、例えば、マシニングセンタ、旋盤、フライス盤、歯車加工装置（ホブ盤、ギヤシェーパ機、ギヤスカイビング加工機等）等の切削を行う工作機械、研削を行う研削盤等である。
(1. Configuration of machine tool 1)
The configuration of the
図１には、工作機械１の一例として、マシニングセンタを例にあげる。なお、本発明における工作機械１は、マシニングセンタの他の上記工作機械にも適用可能である。工作機械１は、複数の構造体（１０，２０，３０）により構成される。そして、工作機械１は、複数の構造体（１０，２０，３０）の少なくとも１つを移動可能となるように、複数の構造体（１０，２０，３０）同士を支持する構造を有する。
In FIG. 1, a machining center is taken as an example of the
そこで、図１に示す工作機械１は、例えば、工作物Ｗと工具Ｔとの相対的な位置を変更するために、相互に直交する３つの直進軸（Ｘ軸、Ｙ軸及びＺ軸）を駆動軸として有する。図１においては、工作機械１は、さらに、工作物Ｗと工具Ｔとの相対的な姿勢を変更するために、２つの回転軸（Ｂ軸及びＣ軸）を駆動軸として有する。
Therefore, the
本例では、工作機械１は、Ｂ軸（基準状態においてＹ軸回りの回転軸）及びＣ軸（基準状態においてＺ軸回りの回転軸）を有する構成を例にあげたが、Ａ軸（基準状態においてＸ軸回りの回転軸）及びＢ軸を有する構成としてもよいし、Ａ軸及びＣ軸を有する構成としてもよい。つまり、工作機械１は、自由曲面を加工可能な５軸加工機（工具主軸（ＣＴ軸）を考慮すると６軸加工機となる）を適用可能である。また、工作機械１は、スカイビング加工を可能な専用加工機として、軸数を５軸加工機とは異なる構成を有する加工機を適用することもできる。
In this example, the
工具Ｔは、工作物Ｗの加工に用いる回転工具である。例えば、工具Ｔは、エンドミル、スカイビングカッタ等である。本例において、工具Ｔは、スカイビング加工により工作物Ｗに歯車を創成する際に用いるスカイビングカッタを例に挙げて説明する。 The tool T is a rotary tool used for machining the workpiece W. For example, the tool T is an end mill, a skiving cutter, or the like. In this example, the tool T will be described by taking as an example a skiving cutter used when creating a gear in a workpiece W by skiving.
工作機械１は、マシニングセンタとして、横形マシニングセンタを例にあげるが、立形マシニングセンタ、門型マシニングセンタ等を適用することもできる。また、工作機械１は、工作物Ｗと工具Ｔとを相対的に移動させる構成は、適宜選択可能である。本例では、工作機械１は、工具ＴをＹ軸及びＺ軸に移動可能とし、工作物ＷをＸ軸、Ｂ軸及びＣ軸に移動可能とする。
As the
工作機械１は、ベッド１０と、工作物保持装置２０と、工具保持装置３０と、制御装置４０とを備える。ベッド１０は、例えば略矩形状に形成され、床面上に設置される。工作物保持装置２０は、スライドテーブル２１と、旋回テーブル２２と、工作物主軸台２３とを主に備える。スライドテーブル２１は、ベッド１０に対してＸ軸方向に移動可能に設けられる。具体的に、ベッド１０には、Ｘ軸方向（図１上下方向）へ延びる一対のＸ軸ガイドレール１１（支持部材）が設けられる。スライドテーブル２１は、図示しないリニアモータ又はボールねじ機構等の駆動装置によって駆動されることにより、一対のＸ軸ガイドレール１１に案内されながらＸ軸方向へ移動する。
The
旋回テーブル２２は、スライドテーブル２１の上面に設置され、スライドテーブル２１と一体的にＸ軸方向へ移動する。また、旋回テーブル２２は、スライドテーブル２１に対し、Ｙ軸方向に平行な軸回りであるＢ軸の回転を可能に設けられる。旋回テーブル２２には、旋回用の駆動装置（図示せず）が設けられ、旋回テーブル２２は、旋回用の駆動装置に駆動されることでＢ軸回転する。 The swivel table 22 is installed on the upper surface of the slide table 21 and moves integrally with the slide table 21 in the X-axis direction. Further, the swivel table 22 is provided so as to be able to rotate the B axis, which is an axis parallel to the Y axis direction, with respect to the slide table 21. The swivel table 22 is provided with a swivel drive device (not shown), and the swivel table 22 rotates on the B axis when driven by the swivel drive device.
工作物主軸台２３は、旋回テーブル２２に設置され、旋回テーブル２２と一体的にＢ軸回転する。工作物主軸台２３には、基準状態（Ｂ軸が基準位置のときの状態）において、Ｚ軸に平行な軸回りであるＣ軸回転可能に保持された工作物主軸２４が設けられる。そして、工作物主軸２４には、工作物Ｗが着脱可能に装着される。工作物主軸台２３には、工作物主軸２４を回転させる工作物回転用の駆動装置（図示せず）と、工作物主軸２４の回転角度を検出するエンコーダ等の検出器（図示せず）が設けられる。このように、工作物保持装置２０は、工作物Ｗを、ベッド１０に対して、Ｘ軸方向へ移動可能とし、且つ、Ｂ軸回転可能及びＣ軸回転可能に保持する。
The
工具保持装置３０は、コラム３１と、サドル３２と、工具主軸台３３とを主に備える。コラム３１は、ベッド１０に対してＺ軸方向に移動可能に設けられる。具体的に、ベッド１０には、Ｚ軸方向（図１左右方向）へ延びる一対のＺ軸ガイドレール１２が設けられる。コラム３１は、図示しないリニアモータ又はボールねじ機構等の駆動装置に駆動されることにより、一対のＺ軸ガイドレール１２に案内されながらＺ軸方向へ移動する。
The
サドル３２は、コラム３１における工作物Ｗ側の側面であって、Ｚ軸方向に直交する平面に配置される。このコラム３１の当該面には、Ｙ軸方向（図１紙面垂直方向）へ延びる一対のＹ軸ガイドレール３４が設けられる。サドル３２は、図示しないリニアモータ又はボールねじ機構等の駆動装置に駆動されることで、一対のＹ軸ガイドレール３４に案内されながらＹ軸方向へ移動する。
The
工具主軸台３３は、サドル３２に設置されると共に、サドル３２と一体的にＹ軸方向へ移動する。工具主軸台３３には、Ｚ軸に平行な軸回り（ＣＴ軸）に回転可能に設けられた工具主軸３５が設けられる。工具主軸３５には、工具Ｔが着脱可能に装着される。工具主軸台３３の内部には、工具主軸３５を回転させる工具回転の駆動装置（図示せず）と、工具主軸３５の回転角度を検出するエンコーダ等の検出器（図示せず）とが設けられる。このように、工具保持装置３０は、工具Ｔを、工作物保持装置２０に対して、Ｙ軸方向及びＺ軸方向に相対移動可能とし、且つ、ＣＴ軸回転可能に保持する。
The
制御装置４０は、工作機械１の各駆動装置の制御を行う。例えば、制御装置４０は、工作機械１に設けられた各駆動装置を制御することにより、スライドテーブル２１、コラム３１及びサドル３２の位置制御や旋回テーブル２２の旋回制御、工作物主軸２４及び工具主軸３５の回転制御等を行う。
The
工作機械１は、さらに、各構造体（１０，２０，３０）における振動を検出するための加速度センサ５１，５２，５３，５４，５５，５６を備える。各加速度センサ５１−５６は、例えば、直交３軸のそれぞれの方向の加速度を検出することができるセンサを用いるとよい。ただし、各加速度センサ５１−５６は、１軸方向の加速度を検出するセンサを用いる場合には、それぞれの方向を検出できるように複数個配置してもよい。
The
加速度センサ５１は、ベッド１０に設けられ、ベッド１０の振動を検出する。加速度センサ５２は、スライドテーブル２１に設けられ、スライドテーブル２１の振動を検出する。加速度センサ５３は、旋回テーブル２２に設けられ、旋回テーブル２２の振動を検出する。加速度センサ５４は、コラム３１に設けられ、コラム３１の振動を検出する。加速度センサ５５は、サドル３２に設けられ、サドル３２の振動を検出する。加速度センサ５６は、工具主軸台３３に設けられ、工具主軸台３３の振動を検出する。また、各加速度センサ５１−５６は、各構造体（１０，２０，３０）に１個ずつとしてもよいし、複数個設けてもよい。
The
（２．解析モデルＭの一例）
解析モデルＭの一例について、図２を参照して説明する。解析モデルＭは、工作機械１を構成する複数の構造体（１０，２０，３０）に対応する複数の構造体モデル要素と、複数の構造体モデル要素同士を支持する支持モデル要素とを備える。
(2. An example of analysis model M)
An example of the analysis model M will be described with reference to FIG. The analysis model M includes a plurality of structure model elements corresponding to a plurality of structures (10, 20, 30) constituting the
図２において、各構造体モデル要素は、図１に示す工作機械１の各構造体（１０，２０，３０）に対応し、それぞれ同一の符号を付す。なお、図２における各構造体モデル要素の形状は、一例であり、剛体モデル、弾性体モデルの何れかを適用できる。弾性体モデルの場合、構造体モデル要素（１０，２０，３０）を、実際の構造体（１０，２０，３０）の形状に合わせた形状としてもよいし、異なる形状としてもよい。また、剛体モデルの場合、各構造体モデル要素の形状は、振動解析には特定する必要はない。
In FIG. 2, each structure model element corresponds to each structure (10, 20, 30) of the
また、構造体モデル要素（１０，２０，３０）を剛体モデルとした場合のパラメータは、質量、重心位置及び慣性モーメントを含む。また、支持モデル要素は、バネ要素Ｓを含んでおり、さらにバネ要素Ｓのパラメータを含む。バネ要素Ｓのパラメータには、バネ定数、並びに、バネ要素Ｓの位置及び方向を含む。さらに、支持モデル要素は、ダンパ要素Ｄを含んでおり、ダンパ要素Ｄのパラメータを含む。ダンパ要素Ｄのパラメータには、減衰係数、並びに、ダンパ要素Ｄの位置及び方向を含む。また、構造体モデル要素（１０，２０，３０）を弾性体モデルとした場合のパラメータは、さらに、ヤング率及び密度を含む。 The parameters when the structure model element (10, 20, 30) is a rigid body model include the mass, the position of the center of gravity, and the moment of inertia. Further, the support model element includes the spring element S, and further includes the parameters of the spring element S. The parameters of the spring element S include the spring constant and the position and direction of the spring element S. Further, the support model element includes the damper element D and includes the parameters of the damper element D. The parameters of the damper element D include the damping coefficient and the position and direction of the damper element D. Further, when the structure model element (10, 20, 30) is used as an elastic body model, the parameters further include Young's modulus and density.
また、構造体モデル要素（１０，２０，３０）が剛体モデルである場合には、構造体モデル要素（１０，２０，３０）のそれぞれは、６自由度（Ｘ軸並進、Ｙ軸並進、Ｚ軸並進、Ｘ軸回りの回転、Ｙ軸回りの回転、Ｚ軸回りの回転）を有する。一方、構造体モデル要素（１０，２０，３０）が弾性体モデルである場合には、構造体モデル要素（１０，２０，３０）のそれぞれは、９自由度（Ｘ軸並進、Ｙ軸並進、Ｚ軸並進、Ｘ軸回りの回転、Ｙ軸回りの回転、Ｚ軸回りの回転、Ｘ軸回りの捻れ、Ｙ軸回りの捻れ、Ｚ軸回りの捻れ）を有する。 When the structure model elements (10, 20, 30) are rigid models, each of the structure model elements (10, 20, 30) has 6 degrees of freedom (X-axis translation, Y-axis translation, Z). It has axis translation, rotation around the X axis, rotation around the Y axis, rotation around the Z axis). On the other hand, when the structure model elements (10, 20, 30) are elastic models, each of the structure model elements (10, 20, 30) has 9 degrees of freedom (X-axis translation, Y-axis translation, It has Z-axis translation, rotation around the X-axis, rotation around the Y-axis, rotation around the Z-axis, twist around the X-axis, twist around the Y-axis, twist around the Z-axis).
構造体モデル要素（１０，２０，３０）が剛体モデルである場合には、解析演算が少なくなる。構造体モデル要素（１０，２０，３０）が弾性体モデルである場合には、解析演算が多くなるが、実際の構造体に近い解析を行うことにより高精度な解析が可能となる。 When the structure model elements (10, 20, 30) are rigid models, the number of analysis operations is reduced. When the structure model elements (10, 20, 30) are elastic models, many analysis operations are required, but highly accurate analysis can be performed by performing an analysis close to the actual structure.
（３．解析モデルＭの作成支援装置の概要）
解析モデルＭは、上述したように、それぞれの構造体モデル要素（１０，２０，３０）のパラメータ、支持モデル要素Ｓ，Ｄのパラメータに関する情報を含んでおり、これらの情報が重要な要素である。つまり、解析モデルＭは、質量マトリックス、剛性マトリックス、減衰マトリックスにより表される。
(3. Outline of analysis model M creation support device)
As described above, the analysis model M includes information on the parameters of the respective structure model elements (10, 20, 30) and the parameters of the support model elements S and D, and these information are important elements. .. That is, the analysis model M is represented by a mass matrix, a stiffness matrix, and a damping matrix.
特に、解析モデルＭを用いた解析による動特性が実際の工作機械１の動特性と同一となるように、解析モデルＭのパラメータが決定されることが必要である。そこで、解析モデルＭの作成支援装置は、実際の工作機械１の動特性と同一の動特性となるように、解析モデルＭのパラメータを決定する。
In particular, it is necessary to determine the parameters of the analysis model M so that the dynamic characteristics obtained by the analysis using the analysis model M are the same as the dynamic characteristics of the
作成支援装置は、工作機械１の実際の動特性（実動特性）と解析モデルＭによる解析結果である動特性（解析動特性）との一致度を高めるように、機械学習により解析モデルＭのパラメータの調整を繰り返すことにより、パラメータを決定する。つまり、一致度が所定の範囲内に含まれない場合には、機械学習により解析モデルＭのパラメータの調整量を決定し、調整後の解析モデルＭによる解析動特性との一致度が所定の範囲内に含まれるか否かを判定する。再び、一致度が所定の範囲内に含まれない場合には、今回調整したパラメータの情報を機械学習のデータセットに追加して、再び、解析モデルＭのパラメータの調整量を決定する。
The creation support device uses machine learning to improve the degree of agreement between the actual dynamic characteristics (actual dynamic characteristics) of the
つまり、一致度が所定の範囲内に含まれるまで、機械学習のデータセットを追加していきながら、パラメータの調整、解析モデルＭによる解析、一致度の判定を繰り返し行うことで、早期に最適なパラメータを導き出すことができる。 In other words, by repeatedly adjusting the parameters, analyzing with the analysis model M, and determining the degree of agreement while adding machine learning data sets until the degree of agreement is within a predetermined range, it is optimal at an early stage. Parameters can be derived.
（４．動特性）
動特性について、図３及び図４を参照して説明する。図３は、工作機械１において、ハンマリング試験のインパルスハンマにより工具Ｔに加振力を付与した場合における実際の動特性（実動特性）を示す。つまり、動特性は、周波数と、工作機械１の機械的コンプライアンスとの関係を表す。
(4. Dynamic characteristics)
The dynamic characteristics will be described with reference to FIGS. 3 and 4. FIG. 3 shows the actual dynamic characteristics (actual dynamic characteristics) when a vibration force is applied to the tool T by the impulse hammer of the hammering test in the
図２に示すように、工作機械１は、複数の構造体（１０，２０，３０）を備えており、さらに複数の構造体（１０，２０，３０）のそれぞれが例えば６自由度（Ｘ軸並進、Ｙ軸並進、Ｚ軸並進、Ｘ軸回りの回転、Ｙ軸回りの回転、Ｚ軸回りの回転）を有する。従って、例えば、工作機械１が６個の構造体により構成される場合、合計で３６自由度を有する。そして、工作機械１は、各自由度に対応する固有振動数（共振周波数）を有する。
As shown in FIG. 2, the
つまり、それぞれの固有振動数において、複数の構造体（１０，２０，３０）の動作モードが異なる。図４には、固有振動数（共振周波数）と、動作モードと、機械的コンプライアンスの関係を示す。図４に示すように、例えば、固有振動数ｆ１においては、コラム３１がＹ軸回りの揺動を行う動作モードであり、機械的コンプライアンスはＣ１となる。固有振動数ｆ２においては、サドル３２がＸ軸回りの揺動を行う動作モードであり、機械的コンプライアンスはＣ２となる。固有振動数ｆ３においては、コラム３１がＺ軸回りの揺動を行う動作モードであり、機械的コンプライアンスはＣ３となる。
That is, the operation modes of the plurality of structures (10, 20, 30) are different in each natural frequency. FIG. 4 shows the relationship between the natural frequency (resonance frequency), the operation mode, and the mechanical compliance. As shown in FIG. 4, for example, at the natural frequency f1, the
このように、固有振動数ｆ１−ｆ５のそれぞれには、対応する動作モードが存在する。そして、上述において、作成支援装置は、実動特性と解析動特性との一致度が所定の範囲内となるようにしている。つまり、実動特性の動作モードと解析動特性の動作モードとが同一のモード同士において、固有振動数（共振周波数）及び機械的コンプライアンスが所定の範囲内となるようにすることが目的である。 As described above, each of the natural frequencies f1-f5 has a corresponding operation mode. Then, in the above-mentioned, the creation support device makes the degree of coincidence between the actual operation characteristic and the analysis dynamic characteristic within a predetermined range. That is, the purpose is to ensure that the natural frequency (resonance frequency) and mechanical compliance are within a predetermined range between modes in which the operation mode of the actual operation characteristic and the operation mode of the analysis dynamic characteristic are the same.
ただし、上述したように、工作機械１は、例えば、３６個の固有振動数を有しているため、全ての動作モードにおいて固有振動数及び機械的コンプライアンスを所定の範囲内にすることは困難である。そこで、複数の固有振動数を全体として評価した上で、各動作モードにおける固有振動数及び機械的コンプライアンスが近似する状態（一致度が高い状態）となるように、解析モデルＭのパラメータが決定される。
However, as described above, since the
（５．解析モデルＭのパラメータの調整方法の概要）
解析モデルＭのパラメータの調整方法の概要について、図５及び図６を参照して説明する。解析モデルＭのパラメータとして、バネ要素Ｓのパラメータ、ダンパ要素Ｄのパラメータ、構造体モデル要素のパラメータが存在する。
(5. Outline of parameter adjustment method of analysis model M)
The outline of the method of adjusting the parameters of the analysis model M will be described with reference to FIGS. 5 and 6. As the parameters of the analysis model M, there are the parameters of the spring element S, the parameters of the damper element D, and the parameters of the structure model element.
図５には、太実線にて実動特性を示し、細実線にてパラメータ調整前の解析動特性を示し、細一点鎖線にてパラメータ調整後の解析動特性を示す。実動特性における固有振動数（共振周波数）ｆａの動作モードに対応する解析動特性の固有振動数がｆｂ１であるとする。このとき、バネ要素Ｓのパラメータを調整することにより、解析動特性の固有振動数がｆｂ１からｆｂ２へ移動させることができる。 In FIG. 5, the thick solid line shows the actual dynamic characteristics, the fine solid line shows the analysis dynamic characteristics before the parameter adjustment, and the fine alternate long and short dash line shows the analysis dynamic characteristics after the parameter adjustment. It is assumed that the natural frequency of the analysis dynamic characteristic corresponding to the operation mode of the natural frequency (resonance frequency) fa in the actual operation characteristic is fb1. At this time, by adjusting the parameter of the spring element S, the natural frequency of the analysis dynamic characteristic can be moved from fb1 to fb2.
また、バネ要素Ｓのパラメータに合わせて、構造体モデル要素のパラメータを調整することにより、解析動特性の固有振動数を、ｆｂ１からｆｂ２へ移動させることができる。つまり、バネ要素Ｓのパラメータを調整すること、又は、バネ要素Ｓのパラメータ及び構造体モデル要素のパラメータを調整することにより、対応する動作モードの固有振動数の一致度を高めることができる。 Further, by adjusting the parameters of the structure model element according to the parameters of the spring element S, the natural frequency of the analysis dynamic characteristics can be moved from fb1 to fb2. That is, by adjusting the parameters of the spring element S, or by adjusting the parameters of the spring element S and the parameters of the structure model element, it is possible to increase the degree of coincidence of the natural frequencies of the corresponding operation modes.
次に、図６には、太実線にて実動特性を示し、細実線にてパラメータ調整前の解析動特性を示し、細一点鎖線にてパラメータ調整後の解析動特性を示す。実動特性における固有振動数（共振周波数）ｆａの動作モードに対応する解析動特性の固有振動数がｆｂ２であるとする。そして、実動特性における機械的コンプライアンスはＣａであり、解析動特性における機械的コンプライアンスは、Ｃｂ１である。 Next, in FIG. 6, the thick solid line shows the actual dynamic characteristics, the fine solid line shows the analysis dynamic characteristics before the parameter adjustment, and the fine one-dot chain line shows the analysis dynamic characteristics after the parameter adjustment. It is assumed that the natural frequency of the analysis dynamic characteristic corresponding to the operation mode of the natural frequency (resonance frequency) fa in the actual operation characteristic is fb2. The mechanical compliance in the actual operating characteristics is Ca, and the mechanical compliance in the analytical dynamic characteristics is Cb1.
このとき、ダンパ要素Ｄのパラメータを調整することにより、解析動特性の固有振動数をｆｂ２からほとんど移動させることなく、機械的コンプライアンスをＣｂ１からＣｂ２へ移動させることができる。従って、図６の細破線にて示すように、ダンパ要素Ｄのパラメータを調整することにより、対応する動作モードの機械的コンプライアンスの一致度を高めることができる。 At this time, by adjusting the parameter of the damper element D, the mechanical compliance can be moved from Cb1 to Cb2 with almost no movement of the natural frequency of the analysis dynamic characteristic from fb2. Therefore, as shown by the dashed line in FIG. 6, by adjusting the parameters of the damper element D, it is possible to increase the degree of agreement of the mechanical compliance of the corresponding operation modes.
つまり、最初にバネ要素Ｓのパラメータを調整し、その後にダンパ要素Ｄのパラメータを調整することにより、実動特性と解析動特性について、固有振動数ｆａ，ｆｂ２の一致度及び機械的コンプライアンスＣａ，Ｃｂ２の一致度を高めることができる。 That is, by first adjusting the parameters of the spring element S and then adjusting the parameters of the damper element D, the degree of coincidence of the natural frequencies fa and fb2 and the mechanical compliance Ca, with respect to the actual operation characteristics and the analysis dynamic characteristics, The degree of coincidence of Cb2 can be increased.
（６．解析モデルＭの作成支援装置１００の構成）
（６−１．作成支援装置１００の全体構成）
解析モデルＭの作成支援装置１００の構成について、図７を参照して説明する。作成支援装置１００は、実動特性生成部１１０、実動特性記憶部１２０、解析モデル記憶部１３０、解析動特性生成部１４０、一致度算出部１５０、パラメータ決定部１６０を備える。
(6. Configuration of analysis model M creation support device 100)
(6-1. Overall configuration of creation support device 100)
The configuration of the analysis model M creation support device 100 will be described with reference to FIG. 7. The creation support device 100 includes an actual operation
実動特性生成部１１０は、ハンマリング試験等の力センサ６０から得られる力と加速度センサ５１−５６による実測値とに基づいて、工作機械１の実動特性を生成する。実動特性は、例えば、図３に示すような、周波数と機械的コンプライアンスとの関係である。詳細には、実動特性生成部１１０は、実動特性として、固有モード（固有振動数と動作モード）、及び、共振周波数における機械的コンプライアンスを生成する。そして、実動特性記憶部１２０は、生成された実動特性を記憶する。
The actual operation
解析モデル記憶部１３０は、図２に示すような解析モデルＭを記憶する。記憶される解析モデルＭは、複数の構造体モデル要素と支持モデル要素とを含み、剛体モデルの場合、構造体モデル要素のパラメータ（質量、重心位置及び慣性モーメント）、バネ要素Ｓのパラメータ（バネ定数、位置及び方向）、ダンパ要素Ｄのパラメータ（減衰係数、位置及び方向）を含む。なお、弾性体モデルの場合、構造体モデル要素のパラメータは、さらに、ヤング率及び密度を含む。
The analysis
解析動特性生成部１４０は、解析モデルＭによる解析結果である解析動特性を生成する。さらに、解析動特性生成部１４０は、解析モデルＭのパラメータを調整した場合に、調整後の解析モデルＭによる解析結果である解析動特性を生成する。つまり、解析動特性生成部１４０は、解析モデルＭのパラメータを調整した複数の解析モデルＭのそれぞれによる解析動特性を生成する。換言すると、解析動特性生成部１４０は、後述のパラメータ決定部１６０による探索後の解析モデルＭのパラメータの調整量に応じて調整された支持モデル要素を用いて、解析動特性を繰り返し生成する。
The analysis dynamic
一致度算出部１５０は、実動特性とそれぞれの解析動特性との一致度を算出する。つまり、一致度算出部１５０は、実動特性と繰り返し生成された解析動特性との一致度を算出する。ここで、工作機械１の実動特性には複数の動作モードを含むため、ここでの一致度とは、複数の動作モード全体としての一致度とする。つまり、一致度算出部１５０が算出する一致度とは、まず個々の動作モードにおける動特性の一致度を算出し、個々の一致度を複合的に評価することにより決定される。
The coincidence
パラメータ決定部１６０は、実動特性、複数の解析動特性及び複数の一致度に基づいて、機械学習により一致度を高くするための解析モデルＭのパラメータの調整量を探索し、解析モデルＭのパラメータを決定する。つまり、パラメータ決定部１６０は、繰り返し生成された解析動特性及び一致度に基づいて、繰り返し機械学習により解析モデルＭのパラメータの調整量を探索する。そして、パラメータ決定部１６０は、探索した結果であるパラメータの調整量に基づいて、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを変更する。
The
ここで、決定すべき解析モデルＭのパラメータは、支持モデル要素であるバネ要素Ｓ及びダンパ要素Ｄのパラメータを含む。詳細には、決定すべきバネ要素Ｓのパラメータとしては、バネ要素Ｓのバネ定数のみとしてもよいし、バネ定数に加えてバネ要素Ｓの位置を含めてもよい。また、決定すべきダンパ要素Ｄのパラメータとしては、ダンパ要素Ｄの減衰係数のみとしてもよいし、減衰係数に加えてダンパ要素Ｄの位置を含めてもよい。また、決定すべき解析モデルＭのパラメータは、支持モデル要素Ｓ，Ｄのパラメータに加えて構造体モデル要素のパラメータとしてもよい。構造体モデル要素のパラメータとしては、構造体モデル要素の質量のみとしてもよいし、質量に加えて構造体モデル要素の重心の位置を含めてもよい。 Here, the parameters of the analysis model M to be determined include the parameters of the spring element S and the damper element D, which are support model elements. Specifically, as the parameter of the spring element S to be determined, only the spring constant of the spring element S may be used, or the position of the spring element S may be included in addition to the spring constant. Further, as the parameter of the damper element D to be determined, only the damping coefficient of the damper element D may be used, or the position of the damper element D may be included in addition to the damping coefficient. Further, the parameters of the analysis model M to be determined may be parameters of the structure model element in addition to the parameters of the support model elements S and D. As the parameter of the structure model element, only the mass of the structure model element may be used, or the position of the center of gravity of the structure model element may be included in addition to the mass.
また、パラメータ決定部１６０における機械学習は、最適値を探索可能なアルゴリズムを適用する。当該アルゴリズムには、例えば、ベイズ推論、最尤推定、ＭＡＰ推定（正則化）等を適用できる。
Further, the machine learning in the
（６−２．作成支援装置１００における第一段階要素に関する構成）
作成支援装置１００は、上述において図５に示したように、最初に、バネ要素Ｓのパラメータを調整すること、又は、バネ要素Ｓのパラメータ及び構造体モデル要素のパラメータを調整することにより、対応する動作モードの固有振動数の一致度を高めている。そこで、まず、第一段階要素として、バネ要素Ｓのパラメータの調整を行うことに関する作成支援装置１００の構成について、図７を参照して説明する。
(6-2. Configuration related to the first stage element in the creation support device 100)
As shown in FIG. 5 above, the creation support device 100 responds by first adjusting the parameters of the spring element S or adjusting the parameters of the spring element S and the parameters of the structure model element. The degree of matching of the natural frequencies of the operating modes to be performed is increased. Therefore, first, as a first step element, the configuration of the creation support device 100 relating to the adjustment of the parameters of the spring element S will be described with reference to FIG. 7.
実動特性記憶部１２０は、実動特性生成部１１０により生成された工作機械１の第一実動特性を記憶する第一実動特性記憶部１２１を備える。第一実動特性とは、固有振動数とそれぞれの固有振動数における複数の構造体の動作モードとを含む実固有モードである。実固有モードを構成する固有振動数は、加振付与時の実測値から得られた工作機械１の周波数応答におけるピーク周波数である。
The production
実固有モードを構成する動作モードの一例は、固有振動数における複数の構造体のそれぞれの加速度情報に基づいて特徴づけられた動作態様である。例えば、図４に示したような動作モードである。また、動作モードの他の例は、複数の構造体のそれぞれの加速度情報そのものである。また、動作モードの他の例は、複数の構造体のそれぞれの加速度情報の傾向である。このように、動作モードとしては、図４に示すような動作を説明する分類分けとしてもよいし、加速度情報に関する数値としてもよい。 An example of the operation mode constituting the real natural mode is an operation mode characterized based on the acceleration information of each of the plurality of structures at the natural frequency. For example, it is an operation mode as shown in FIG. Another example of the operation mode is the acceleration information itself of each of the plurality of structures. Another example of the operation mode is the tendency of the acceleration information of each of the plurality of structures. As described above, the operation mode may be a classification for explaining the operation as shown in FIG. 4, or may be a numerical value related to acceleration information.
解析動特性生成部１４０は、バネ要素Ｓのパラメータを調整した場合に、バネ要素Ｓのパラメータを調整した解析モデルＭのそれぞれによる解析結果である第一解析動特性を生成する第一解析動特性生成部１４１を備える。特に、第一解析動特性生成部１４１は、バネ要素Ｓのパラメータを調整した場合に、複数の第一解析動特性として固有値解析結果の解析固有モードを生成する。
The analysis dynamic
一致度算出部１５０は、第一実動特性とそれぞれの第一解析動特性との第一一致度を算出する第一一致度算出部１５１を備える。第一一致度算出部１５１は、実固有モードとそれぞれの解析固有モードとの第一一致度として、対応する各動作モードにおける周波数一致度を算出する。
The concordance
パラメータ決定部１６０は、バネ要素Ｓのパラメータを決定する第一パラメータ決定部１６１を備える。第一パラメータ決定部１６１は、第一実動特性、複数の第一解析動特性及び複数の第一一致度に基づいて、機械学習により第一一致度を高くするためのバネ要素Ｓのパラメータの調整量を探索し、バネ要素Ｓのパラメータを決定する。第一パラメータ決定部１６１は、特に、実固有モード、複数の解析固有モード及び複数の周波数一致度に基づいて、機械学習により周波数一致度を高くするためのバネ要素Ｓのパラメータの調整量を探索し、バネ要素Ｓのパラメータを決定する。
The
また、第一パラメータ決定部１６１は、バネ要素Ｓのパラメータの決定の際に、構造体モデル要素のパラメータの決定を行うようにしてもよい。この場合、第一パラメータ決定部１６１は、機械学習により第一一致度を高くするためのバネ要素Ｓの調整量及び構造体モデル要素のパラメータの調整量を探索し、バネ要素Ｓ及び構造体モデル要素のパラメータを決定する。
Further, the first
（６−３．作成支援装置１００における第二段階要素に関する構成）
作成支援装置１００は、上述において図６に示したように、バネ要素Ｓのパラメータの調整後において、ダンパ要素Ｄのパラメータを調整することにより、機械的コンプライアンスの一致度を高めている。そこで、第二段階要素として、ダンパ要素Ｄのパラメータの調整を行うことに関する作成支援装置１００の構成について、図７を参照して説明する。
(6-3. Configuration related to the second stage element in the creation support device 100)
As shown in FIG. 6 above, the creation support device 100 enhances the degree of agreement of mechanical compliance by adjusting the parameters of the damper element D after adjusting the parameters of the spring element S. Therefore, as a second stage element, the configuration of the creation support device 100 for adjusting the parameters of the damper element D will be described with reference to FIG. 7.
実動特性記憶部１２０は、さらに、実動特性生成部１１０により生成された工作機械１の第二実動特性を記憶する第二実動特性記憶部１２２を備える。第二実動特性記憶部１２２は、第二実動特性として、工作機械１の実周波数応答を記憶する。詳細には、第二実動特性は、実周波数応答における共振周波数と、その共振周波数における機械的コンプライアンスとを含む。
The production
解析動特性生成部１４０は、さらに、第二解析動特性生成部１４２を備える。第二解析動特性生成部１４２は、バネ要素Ｓのパラメータが第一パラメータ決定部１６１により決定されたバネ要素Ｓのパラメータに基づいて設定された状態において、ダンパ要素Ｄのパラメータを調整した場合に、ダンパ要素Ｄのパラメータを調整した解析モデルＭのそれぞれによる解析結果である第二解析動特性を生成する。特に、第二解析動特性生成部１４２は、ダンパ要素Ｄのパラメータを調整した場合に、複数の第二解析動特性として、周波数応答解析結果である解析周波数応答を生成する。
The analysis dynamic
一致度算出部１５０は、さらに、第二実動特性とそれぞれの第二解析動特性との第二一致度を算出する第二一致度算出部１５２を備える。第二一致度算出部１５２は、実周波数応答とそれぞれの解析周波数応答との一致度として、対応する各共振周波数における応答一致度を算出する。
The concordance
パラメータ決定部１６０は、さらに、ダンパ要素Ｄのパラメータを決定する第二パラメータ決定部１６２を備える。第二パラメータ決定部１６２は、第二実動特性、複数の第二解析動特性及び複数の第二一致度に基づいて、機械学習により第二一致度を高くするためのダンパ要素Ｄのパラメータの調整量を探索し、ダンパ要素Ｄのパラメータを決定する。第二パラメータ決定部１６２は、実周波数応答、複数の解析周波数応答及び複数の応答一致度に基づいて、機械学習により応答一致度を高くするためのダンパ要素Ｄのパラメータの調整量を探索し、ダンパ要素Ｄのパラメータを決定する。
The
（７．作成支援処理の第一例）
作成支援装置１００による作成支援処理の第一例について、図８及び図９を参照して説明する。実動特性生成部１１０が実動特性の生成を行う（ステップＳ１）。そして、生成された実動特性のうち第一実動特性は、第一実動特性記憶部１２１に記憶される。また、生成された実動特性のうち第二実動特性は、第二実動特性記憶部１２２に記憶される。
(7. First example of creation support processing)
A first example of the creation support process by the creation support device 100 will be described with reference to FIGS. 8 and 9. The production
実動特性生成処理については、図９に示すように、力センサ６０により力を取得すると共に、加速度センサ５１−５６により各加速度を取得する（ステップＳ２１）。続いて、取得した力と加速度とに基づいて、周波数応答解析を行う（ステップＳ２２）。続いて、周波数応答解析結果に基づいて固有モードを取得し、記憶する（ステップＳ２３）。固有モードには、固有振動数と動作モードが含まれる。続いて、共振周波数における機械的コンプライアンスを取得し、記憶する（ステップＳ２４）。
Regarding the actual operation characteristic generation process, as shown in FIG. 9, the force is acquired by the
図８に戻り、作成支援処理について説明を続ける。実動特性の生成に続いて、第一解析動特性生成部１４１が、解析モデル記憶部１３０に現在記憶されている解析モデルＭを用いて固有値解析を行うことにより、第一解析動特性を生成する（ステップＳ２）。ここで、初期に解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータは、例えば、軸受のカタログ値等を用いることができる。
Returning to FIG. 8, the description of the creation support process will be continued. Following the generation of the actual dynamic characteristics, the first analysis dynamic
続いて、第一一致度算出部１５１が、第一実動特性と第一解析動特性との一致度（第一一致度）を算出する（ステップＳ３）。第一一致度が所定値内でない場合（ステップＳ４：Ｎｏ）、すなわち一致度が低い場合には、第一パラメータ決定部１６１が、機械学習によりバネ要素Ｓのパラメータの調整量を探索する（ステップＳ５）。続いて、第一パラメータ決定部１６１は、一旦、バネ要素Ｓのパラメータの調整量を決定し、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを変更する（ステップＳ６）。
Subsequently, the first matching
そして、ステップＳ２から繰り返し実行する。従って、第一一致度が所定値内になるまでの間、機械学習によるバネ要素Ｓのパラメータの探索が、何度も繰り返し実行される。固有値解析を繰り返し実行することにより、機械学習のデータセットが逐次増加して、増加したデータセットに基づいて機械学習が行われる。従って、上記の繰り返し処理を何度か実行することにより、第一一致度が所定内となるようなバネ要素Ｓのパラメータを探索することができる。 Then, it is repeatedly executed from step S2. Therefore, the search for the parameter of the spring element S by machine learning is repeatedly executed many times until the first degree of coincidence is within the predetermined value. By repeatedly executing the eigenvalue analysis, the machine learning data set is gradually increased, and machine learning is performed based on the increased data set. Therefore, by executing the above-mentioned iterative process several times, it is possible to search for the parameter of the spring element S such that the first degree of coincidence is within a predetermined value.
そして、第一一致度が所定値内である場合（ステップＳ４：Ｙｅｓ）、すなわち一致度が高い場合には、第一パラメータ決定部１６１が、バネ要素Ｓのパラメータを現在の調整された値に決定する（ステップＳ７）。続いて、第一パラメータ決定部１６１が、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを、決定されたバネ要素Ｓのパラメータに変更する（ステップＳ８）。
Then, when the first degree of coincidence is within a predetermined value (step S4: Yes), that is, when the degree of coincidence is high, the first
以上までにおいて、解析モデルＭのバネ要素Ｓのパラメータが最適値に設定されている。従って、解析モデルＭの固有振動数は、実際の工作機械１の固有振動数に近似している。
In the above, the parameters of the spring element S of the analysis model M are set to the optimum values. Therefore, the natural frequency of the analysis model M is close to the natural frequency of the
続いて、第二解析動特性生成部１４２が、変更後の解析モデルＭにより周波数応答解析を行うことにより、第二解析動特性を生成する（ステップＳ９）。続いて、第二一致度算出部１５２が、第二実動特性と第二解析動特性との一致度（第二一致度）を算出する（ステップＳ１０）。第二一致度が所定値内でない場合（ステップＳ１１：Ｎｏ）、すなわち一致度が低い場合には、第二パラメータ決定部１６２が、機械学習によりダンパ要素Ｄのパラメータの調整量を探索する（ステップＳ１２）。続いて、第二パラメータ決定部１６２は、一旦ダンパ要素Ｄのパラメータの調整量を決定し、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを変更する（ステップＳ１３）。
Subsequently, the second analysis dynamic
そして、ステップＳ９から繰り返し実行する。従って、第二一致度が所定値内になるまでの間、機械学習によるダンパ要素Ｄのパラメータの探索が、何度も繰り返し実行される。周波数応答解析を繰り返し実行することにより、機械学習のデータセットが逐次増加して、増加したデータセットに基づいて機械学習が行われる。従って、上記の繰り返し処理を何度が実行することにより、第二一致度が所定内となるようなダンパ要素Ｄのパラメータを探索することができる。 Then, it is repeatedly executed from step S9. Therefore, the search for the parameter of the damper element D by machine learning is repeatedly executed until the second degree of coincidence is within the predetermined value. By repeatedly executing the frequency response analysis, the machine learning data set is gradually increased, and machine learning is performed based on the increased data set. Therefore, by executing the above-mentioned iterative process many times, it is possible to search for the parameter of the damper element D such that the second degree of coincidence is within a predetermined value.
そして、第二一致度が所定値内である場合（ステップＳ１１：Ｙｅｓ）、すなわち一致度が高い場合には、第二パラメータ決定部１６２が、ダンパ要素Ｄのパラメータを現在の調整された値に決定する（ステップＳ１４）。続いて、第二パラメータ決定部１６２が、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを、決定されたダンパ要素Ｄのパラメータに変更する（ステップＳ１５）。
Then, when the second degree of coincidence is within the predetermined value (step S11: Yes), that is, when the degree of coincidence is high, the second
従って、解析モデルＭのダンパ要素Ｄのパラメータも最適値に設定される。従って、解析モデルＭの固有振動数は、実際の工作機械１の固有振動数に近似しており、且つ、解析モデルＭの機械的コンプライアンスも、実際の工作機械１の機械的コンプライアンスに近似する。
Therefore, the parameter of the damper element D of the analysis model M is also set to the optimum value. Therefore, the natural frequency of the analysis model M is close to the natural frequency of the
以上より、作成支援装置１００によれば、実動特性と解析動特性との一致度を高くするための支持モデル要素Ｓ，Ｄのパラメータの調整量を、機械学習により探索している。機械学習を行うにあたって、複数の情報を用いる必要がある。そこで、機械学習は、実動特性と、複数の解析動特性と、実動特性と複数の解析動特性のそれぞれとの一致度とを用いて行うようにしている。このように、蓄積された複数の解析動特性及び複数の一致度を用いて、機械学習により容易に且つ高速に支持モデル要素Ｓ，Ｄの最適なパラメータを決定することができる。決定されたパラメータは、高精度に、実際の支持要素のパラメータに一致させることができる。 From the above, according to the creation support device 100, the adjustment amount of the parameters of the support model elements S and D for increasing the degree of agreement between the actual operation characteristic and the analysis dynamic characteristic is searched by machine learning. It is necessary to use multiple pieces of information when performing machine learning. Therefore, machine learning is performed using the actual operating characteristics, a plurality of analytical dynamic characteristics, and the degree of agreement between the actual operating characteristics and the plurality of analytical dynamic characteristics. In this way, the optimum parameters of the support model elements S and D can be easily and quickly determined by machine learning using the accumulated plurality of analytical dynamic characteristics and the plurality of degrees of agreement. The determined parameters can be matched with the parameters of the actual supporting element with high accuracy.
（８．作成支援処理の第二例）
作成支援装置１００による作成支援処理の第二例について、図１０を参照して説明する。ここで、図８に示す作成支援処理の第一例と同一処理については、同一符号を付して詳細な説明を省略する。
(8. Second example of creation support processing)
A second example of the creation support process by the creation support device 100 will be described with reference to FIG. Here, the same processing as that of the first example of the creation support processing shown in FIG. 8 is designated by the same reference numerals, and detailed description thereof will be omitted.
作成支援処理の第二例は、第一例に対して、ステップＳ３５及びステップＳ３７が相違する。ステップＳ３において、第一一致度算出部１５１が、第一実動特性と第一解析動特性との一致度を算出する。続いて、第一一致度が所定値内でない場合（ステップＳ４：Ｎｏ）、すなわち一致度が低い場合には、第一パラメータ決定部１６１が、機械学習によりバネ要素Ｓのパラメータの調整量及び構造体のパラメータの調整量を同時に探索する（ステップＳ３５）。構造体のパラメータとは、構造体の質量、重心位置等である。
In the second example of the creation support process, steps S35 and S37 are different from the first example. In step S3, the first
続いて、第一パラメータ決定部１６１は、一旦、バネ要素Ｓのパラメータの調整量及び構造体のパラメータの調整量を決定し、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを変更する（ステップＳ６）。そして、ステップＳ２から繰り返し実行する。
Subsequently, the first
第一一致度が所定値内である場合（ステップＳ４：Ｙｅｓ）、すなわち一致度が高い場合には、第一パラメータ決定部１６１が、バネ要素Ｓのパラメータ及び構造体のパラメータを現在の調整された値に決定する（ステップＳ３７）。続いて、第一パラメータ決定部１６１が、解析モデル記憶部１３０に記憶されている解析モデルＭのパラメータを、決定されたバネ要素Ｓのパラメータ及び構造体のパラメータに変更する（ステップＳ８）。
When the first degree of coincidence is within a predetermined value (step S4: Yes), that is, when the degree of coincidence is high, the first
このように、作成支援処理の第二例においては、バネ要素Ｓ及びダンパ要素Ｄのパラメータに加えて、構造体のパラメータも最適値にすることができる。なお、構造体のパラメータが既知である場合には、作成支援処理の第一例を適用し、構造体のパラメータが未知である場合に、作成支援処理の第二例を適用すればよい。また、一部の構造体のパラメータが未知である場合も、同様に、作成支援処理の第二例を適用するとよい。 As described above, in the second example of the creation support process, the parameters of the structure can be set to the optimum values in addition to the parameters of the spring element S and the damper element D. If the parameters of the structure are known, the first example of the creation support process may be applied, and if the parameters of the structure are unknown, the second example of the creation support process may be applied. Further, when the parameters of some structures are unknown, it is preferable to apply the second example of the creation support process in the same manner.
１：工作機械、１０、２０，３０：構造体、５１，５２，５３，５４，５５，５６：加速度センサ、１００：作成支援装置、１１０：実動特性生成部、１２０：実動特性記憶部、１２１：第一実動特性記憶部、１２２：第二実動特性記憶部、１３０：解析モデル記憶部、１４０：解析動特性生成部、１４１：第一解析動特性生成部、１４２：第二解析動特性生成部、１５０：一致度算出部、１５１：第一一致度算出部、１５２：第二一致度算出部、１６０：パラメータ決定部、１６１：第一パラメータ決定部、１６２：第二パラメータ決定部、Ｔ：工具、Ｗ：工作物、Ｍ：解析モデル、Ｓ，Ｄ：支持モデル要素、Ｓ：バネ要素、Ｄ：ダンパ要素、ｆａ，ｆｂ１，ｆｂ２：固有振動数、Ｃａ，Ｃｂ１，Ｃｂ２：機械的コンプライアンス
1:
Claims (12)
実測値に基づいて得られた前記工作機械の実動特性を記憶する実動特性記憶部と、
前記支持モデル要素のパラメータを調整した場合に、前記支持モデル要素のパラメータを調整した複数の前記解析モデルのそれぞれによる解析結果である解析動特性を生成する解析動特性生成部と、
前記実動特性とそれぞれの前記解析動特性との一致度を算出する一致度算出部と、
前記実動特性、複数の前記解析動特性及び複数の前記一致度に基づいて、機械学習により前記一致度を高くするための前記支持モデル要素のパラメータの調整量を探索し、前記支持モデル要素のパラメータを決定するパラメータ決定部と、
を備える、工作機械の解析モデルの作成支援装置。 It is a machine tool analysis model creation support device including a plurality of structure model elements corresponding to a plurality of structures constituting the machine tool and support model elements for supporting the plurality of structure model elements. ,
An actual operation characteristic storage unit that stores the actual operation characteristics of the machine tool obtained based on the measured values,
When the parameters of the support model element are adjusted, an analysis dynamic characteristic generation unit that generates an analysis dynamic characteristic which is an analysis result by each of the plurality of analysis models adjusted with the parameters of the support model element, and an analysis dynamic characteristic generation unit.
A concordance calculation unit that calculates the concordance between the actual operation characteristics and the respective analysis dynamic characteristics,
Based on the actual operating characteristics, the plurality of the analytical dynamic characteristics, and the plurality of the matching degrees, the adjustment amount of the parameters of the supporting model element for increasing the matching degree is searched for by machine learning, and the supporting model element is searched for. A parameter determination unit that determines parameters and
A device that supports the creation of analysis models for machine tools.
前記一致度算出部は、前記実動特性と繰り返し生成された前記解析動特性との一致度を算出し、
前記パラメータ決定部は、繰り返し生成された前記解析動特性及び前記一致度に基づいて、繰り返し機械学習により前記支持モデル要素のパラメータの調整量を探索する、請求項１に記載の工作機械の解析モデルの作成支援装置。 The analysis dynamic characteristic generation unit repeatedly generates the analysis dynamic characteristic by using the support model element adjusted according to the adjustment amount of the parameter of the support model element after the search.
The concordance degree calculation unit calculates the concordance degree between the actual operation characteristic and the repeatedly generated analysis dynamic characteristic, and calculates the degree of agreement.
The machine tool analysis model according to claim 1, wherein the parameter determination unit searches for an adjustment amount of parameters of the support model element by iterative machine learning based on the analysis dynamic characteristics and the degree of agreement that are repeatedly generated. Creation support device.
前記実動特性記憶部は、実測値に基づいて得られた前記工作機械の第一実動特性を記憶する第一実動特性記憶部を備え、
前記解析動特性生成部は、前記バネ要素のパラメータを調整した場合に、前記バネ要素のパラメータを調整した前記解析モデルのそれぞれによる解析結果である第一解析動特性を生成する第一解析動特性生成部を備え、
前記一致度算出部は、前記第一実動特性とそれぞれの前記第一解析動特性との第一一致度を算出する第一一致度算出部を備え、
前記パラメータ決定部は、前記第一実動特性、複数の前記第一解析動特性及び複数の前記第一一致度に基づいて、機械学習により前記第一一致度を高くするための前記バネ要素のパラメータの調整量を探索し、前記バネ要素のパラメータを決定する第一パラメータ決定部を備える、請求項１又は２に記載の工作機械の解析モデルの作成支援装置。 The support model element includes a spring element and a damper element.
The production characteristic storage unit includes a first production characteristic storage unit that stores the first production characteristics of the machine tool obtained based on the measured values.
When the parameters of the spring element are adjusted, the analysis dynamic characteristic generation unit generates the first analysis dynamic characteristics which are the analysis results by each of the analysis models adjusted with the parameters of the spring element. Equipped with a generator
The concordance degree calculation unit includes a first concordance degree calculation unit that calculates the first concordance degree between the first actual operation characteristic and each of the first analysis dynamic characteristics.
The parameter determination unit is a spring for increasing the first degree of coincidence by machine learning based on the first actual operation characteristic, the plurality of the first analysis dynamic characteristics, and the plurality of the first degree of coincidence. The machine tool analysis model creation support device according to claim 1 or 2, further comprising a first parameter determination unit that searches for an adjustment amount of element parameters and determines the parameters of the spring element.
前記第一解析動特性生成部は、前記バネ要素のパラメータを調整した場合に、複数の前記第一解析動特性として固有値解析結果の解析固有モードを生成し、
前記第一一致度算出部は、前記実固有モードとそれぞれの前記解析固有モードとの前記第一一致度として、対応する各動作モードにおける周波数一致度を算出し、
前記第一パラメータ決定部は、前記実固有モード、複数の前記解析固有モード及び複数の前記周波数一致度に基づいて、機械学習により前記周波数一致度を高くするための前記バネ要素のパラメータの調整量を探索し、前記バネ要素のパラメータを決定する、請求項３に記載の工作機械の解析モデルの作成支援装置。 The first actual operation characteristic storage unit stores the actual natural mode including the natural frequency and the operation mode of the plurality of structures at each natural frequency as the first actual operation characteristic.
When the parameters of the spring element are adjusted, the first analysis dynamic characteristic generation unit generates analysis specific modes of eigenvalue analysis results as a plurality of the first analysis dynamic characteristics.
The first concordance calculation unit calculates the frequency concordance in each corresponding operation mode as the first concordance between the actual eigenmode and each analysis eigenmode.
The first parameter determining unit adjusts the parameters of the spring element for increasing the frequency matching degree by machine learning based on the actual unique mode, the plurality of the analysis specific modes, and the plurality of the frequency matching degrees. The machine tool analysis model creation support device according to claim 3, which searches for and determines the parameters of the spring element.
前記実固有モードを構成する前記動作モードは、前記固有振動数における前記複数の構造体のそれぞれの加速度情報に基づいて特徴づけられた動作態様である、請求項４に記載の工作機械の解析モデルの作成支援装置。 The natural frequency constituting the actual natural mode is a peak frequency in the frequency response of the machine tool obtained from the measured value at the time of applying vibration.
The analysis model of a machine tool according to claim 4, wherein the operation mode constituting the actual natural mode is an operation mode characterized based on acceleration information of each of the plurality of structures at the natural frequency. Creation support device.
前記実固有モードを構成する前記動作モードは、前記複数の構造体のそれぞれの加速度情報そのもの、又は、前記加速度情報の傾向である、請求項４に記載の工作機械の解析モデルの作成支援装置。 The natural frequency constituting the actual natural mode is a peak frequency in the frequency response of the machine tool obtained from the measured value.
The machine tool analysis model creation support device according to claim 4, wherein the operation mode constituting the actual unique mode is the acceleration information itself of each of the plurality of structures or the tendency of the acceleration information.
実測値に基づいて得られた前記工作機械の第二実動特性を記憶する第二実動特性記憶部を備え、
前記解析動特性生成部は、さらに、
前記バネ要素のパラメータが前記第一パラメータ決定部により決定された前記バネ要素のパラメータに基づいて設定された状態において、前記ダンパ要素のパラメータを調整した場合に、前記ダンパ要素のパラメータを調整した前記解析モデルのそれぞれによる解析結果である第二解析動特性を生成する第二解析動特性生成部を備え、
前記一致度算出部は、さらに、
前記第二実動特性とそれぞれの前記第二解析動特性との第二一致度を算出する第二一致度算出部を備え、
前記パラメータ決定部は、さらに、
前記第二実動特性、複数の前記第二解析動特性及び複数の前記第二一致度に基づいて、機械学習により前記第二一致度を高くするための前記ダンパ要素のパラメータの調整量を探索し、前記ダンパ要素のパラメータを決定する第二パラメータ決定部を備える、請求項３−６の何れか１項に記載の工作機械の解析モデルの作成支援装置。 The production characteristic storage unit further
It is equipped with a second production characteristic storage unit that stores the second production characteristics of the machine tool obtained based on the measured values.
The analysis dynamic characteristic generation unit further
When the parameters of the damper element are adjusted in a state where the parameters of the spring element are set based on the parameters of the spring element determined by the first parameter determination unit, the parameters of the damper element are adjusted. It is equipped with a second analysis dynamic characteristic generator that generates the second analysis dynamic characteristic that is the analysis result of each analysis model.
The matching degree calculation unit further
A second concordance calculation unit for calculating the second concordance between the second actual operation characteristic and each of the second analysis dynamic characteristics is provided.
The parameter determination unit further
Amount of adjustment of parameters of the damper element for increasing the second degree of coincidence by machine learning based on the second actual operation characteristic, the plurality of the second analysis dynamic characteristics, and the plurality of the second degree of coincidence. The machine tool analysis model creation support device according to any one of claims 3 to 6, further comprising a second parameter determination unit that searches for and determines the parameters of the damper element.
前記第二解析動特性生成部は、前記ダンパ要素のパラメータを調整した場合に、複数の前記第二解析動特性としての解析周波数応答を生成し、
前記第二一致度算出部は、前記実周波数応答とそれぞれの前記解析周波数応答との一致度として、対応する各共振周波数における応答一致度を算出し、
前記第二パラメータ決定部は、前記実周波数応答、複数の前記解析周波数応答及び複数の前記応答一致度に基づいて、機械学習により前記応答一致度を高くするための前記ダンパ要素のパラメータの調整量を探索し、前記ダンパ要素のパラメータを決定する、請求項７に記載の工作機械の解析モデルの作成支援装置。 The second production characteristic storage unit stores the actual frequency response of the machine tool as the second production characteristic, and stores the actual frequency response of the machine tool.
The second analysis dynamic characteristic generation unit generates a plurality of analysis frequency responses as the second analysis dynamic characteristics when the parameters of the damper element are adjusted.
The second concordance calculation unit calculates the response concordance at each corresponding resonance frequency as the concordance between the actual frequency response and each of the analysis frequency responses.
The second parameter determination unit adjusts the parameters of the damper element for increasing the response match by machine learning based on the actual frequency response, the plurality of analysis frequency responses, and the plurality of response matches. The machine tool analysis model creation support device according to claim 7, which searches for and determines the parameters of the damper element.
前記パラメータ決定部は、前記実動特性、前記解析動特性及び前記一致度に基づいて、機械学習により前記一致度を高くするための前記支持モデル要素のパラメータの調整量及び前記構造体モデル要素のパラメータの調整量を探索し、前記支持モデル要素のパラメータ及び前記構造体モデル要素のパラメータを決定する、請求項１−８の何れか１項に記載の工作機械の解析モデルの作成支援装置。 The analysis dynamic characteristic generation unit generates the analysis dynamic characteristic which is the analysis result by the analysis model when the parameters of the support model element and the parameters of the structure model element are adjusted.
The parameter determination unit determines the amount of parameter adjustment of the support model element and the structure model element for increasing the degree of agreement by machine learning based on the actual operation characteristic, the analysis dynamic characteristic, and the degree of agreement. The machine learning analysis model creation support device according to any one of claims 1 to 8, which searches for a parameter adjustment amount and determines the parameters of the support model element and the parameters of the structure model element.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019157844A JP7476497B2 (en) | 2019-08-30 | 2019-08-30 | A support device for creating analytical models of machine tools |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019157844A JP7476497B2 (en) | 2019-08-30 | 2019-08-30 | A support device for creating analytical models of machine tools |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021036372A true JP2021036372A (en) | 2021-03-04 |
| JP7476497B2 JP7476497B2 (en) | 2024-05-01 |
Family
ID=74716326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019157844A Active JP7476497B2 (en) | 2019-08-30 | 2019-08-30 | A support device for creating analytical models of machine tools |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7476497B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7343731B1 (en) * | 2022-09-07 | 2023-09-12 | ファナック株式会社 | Plant model generation device and computer readable recording medium |
| KR20240074110A (en) * | 2022-11-18 | 2024-05-28 | 한국생산기술연구원 | Apparatus and Method for Predicting Tool Dynamic Properties |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015191618A (en) * | 2014-03-28 | 2015-11-02 | 三菱重工業株式会社 | Gearwheel machining evaluation method, gearwheel machining control method, gearwheel, gearwheel machining management unit and gearwheel machining system |
| JP2019101680A (en) * | 2017-11-30 | 2019-06-24 | 三菱重工工作機械株式会社 | Condition-adapting method, apparatus and system for machining simulation and program |
-
2019
- 2019-08-30 JP JP2019157844A patent/JP7476497B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015191618A (en) * | 2014-03-28 | 2015-11-02 | 三菱重工業株式会社 | Gearwheel machining evaluation method, gearwheel machining control method, gearwheel, gearwheel machining management unit and gearwheel machining system |
| JP2019101680A (en) * | 2017-11-30 | 2019-06-24 | 三菱重工工作機械株式会社 | Condition-adapting method, apparatus and system for machining simulation and program |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7343731B1 (en) * | 2022-09-07 | 2023-09-12 | ファナック株式会社 | Plant model generation device and computer readable recording medium |
| WO2024053026A1 (en) * | 2022-09-07 | 2024-03-14 | ファナック株式会社 | Plant model generation device and computer-readable recording medium |
| KR20240074110A (en) * | 2022-11-18 | 2024-05-28 | 한국생산기술연구원 | Apparatus and Method for Predicting Tool Dynamic Properties |
| KR102685618B1 (en) | 2022-11-18 | 2024-07-18 | 한국생산기술연구원 | Apparatus and Method for Predicting Tool Dynamic Properties |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7476497B2 (en) | 2024-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cen et al. | Effect of robot dynamics on the machining forces in robotic milling | |
| Pandremenos et al. | Machining with robots: a critical review | |
| JP6804657B2 (en) | Numerical control system and motor control device | |
| US8432119B2 (en) | Method and apparatus for characterizing and enhancing the functional performance of machine tools | |
| EP1650620A2 (en) | Method and apparatus for correcting thermal displacement of machine tool | |
| Reinl et al. | Model-based off-line compensation of path deviation for industrial robots in milling applications | |
| Lee et al. | An integrated prediction model including the cutting process for virtual product development of machine tools | |
| JP2021036372A (en) | Creation assistance device for analytic model for machine tool | |
| JP2023523725A (en) | Method for machine tool control and error compensation based on characteristic diagrams for machine tools | |
| Gerasimenko et al. | Variable compliance-related aspects of chatter in turning thin-walled tubular parts | |
| US8610393B2 (en) | Method and apparatus for characterizing and enhancing the dynamic performance of machine tools | |
| US20080065254A1 (en) | Methods for Machining Process Parameter Estimation and Systems Thereof | |
| Peng et al. | Anisotropic force ellipsoid based multi-axis motion optimization of machine tools | |
| JP7484408B2 (en) | Stability limit analysis device for machine tools | |
| Umezu et al. | Machining process for a thin-walled workpiece using on-machine measurement of the workpiece compliance | |
| Jan et al. | Influence of linear feed drive controller setting in CNC turning lathe on the stability of machining | |
| Denkena et al. | Compensation of geometrical deviations via model based-observers | |
| JP7310369B2 (en) | Vibration analysis equipment for machine tool systems | |
| JP2022041535A (en) | Identification method for attenuation coefficient concerning machine tool | |
| Dunaj et al. | Experimental investigation on dynamic properties of turning machine | |
| EP1218804B1 (en) | Method and device for correcting tool position errors in machine tools | |
| JP2021038817A (en) | Setting method of parameter, and control device | |
| Liljerehn et al. | Dynamic substructuring in metal cutting machine chatter | |
| Jemielniak et al. | New method of dynamic cutting force coefficients determination | |
| Denkena et al. | Theoretical and experimental determination of geometry deviation in continuous path controlled OD grinding processes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210301 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220714 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230731 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230928 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240306 |
|
| 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: 20240319 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240401 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7476497 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |