JP6592039B2 - 熱変位補正装置 - Google Patents

Description

本発明は、熱変位補正装置に関し、特にワークの熱変位による測定誤差を容易かつ高精度に補正する技術に関する。

ワークは、温度によって膨張又は収縮が発生する。したがって、加工後のワークの寸法検査は、十分に熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）で行う必要がある。そのためには、ワークを検査に最適な温度にするための環境や時間が必要である。

特許文献１には、接触式温度センサで測定した工作物の温度等を入力とし、測定寸法の熱変位補正量を出力するニューラルネットワークを用いて、工作物の測定寸法を補正する手法が開示されている。これによれば、十分に熱平衡がとれていない状態であっても寸法検査を行うことができる。

特開２００２−２２４９３５号公報

しかしながら、ワークの形状検査を行う際に、貼付け型の温度センサ（熱電対等の接触式センサ等）を使用すると形状検査の邪魔になり現実的でない。また、温度の測定箇所（ワークのどこに何点温度センサを貼れば良いか）を決定するためにはノウハウや試行錯誤が必要であるという問題がある。

そこで本発明の目的は、ワークの熱変位による測定誤差を容易かつ高精度に補正することが可能な熱変位補正装置を提供することである。

本発明の一実施の形態にかかる熱変位補正装置は、ワークの熱変位による寸法測定誤差を補正する熱変位補正装置であって、前記ワークの検査時の形状測定データを学習する機械学習装置を備え、前記機械学習装置は、ワークの温度分布を示す画像データ及び加工後の形状データを、環境の現在状態を表す状態変数として観測する状態観測部と、熱平衡のとれた状態において検査された時の形状測定データを示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、ワークの温度分布を示す画像データ及び加工後の形状データと、熱平衡のとれた状態において検査された時の形状測定データとを関連付けて学習する学習部と、を備える。
本発明の他の実施の形態にかかる熱変位補正装置は、前記状態変数には、前記ワークの周囲温度を含む。
本発明の他の実施の形態にかかる熱変位補正装置は、前記ワークの周囲温度は、前記ワークを加工する工作機械の温度である。
本発明の他の実施の形態にかかる熱変位補正装置は、前記状態変数には、前記ワークの温度分布を示す画像データと前記加工後の形状データとの取得時間に関する情報を含む。
本発明の他の実施の形態にかかる熱変位補正装置は、前記判定データには、前記ワークの実寸法と設計値との誤差の評価結果を含む。
本発明の他の実施の形態にかかる熱変位補正装置は、前記学習部は、前記状態変数と前記判定データとを多層構造で演算する。
本発明の他の実施の形態にかかる熱変位補正装置は、前記学習部は、複数の工作機械で加工された前記ワークから得られた前記状態変数及び前記判定データを用いて、前記検査時の形状測定データを学習する。
本発明の他の実施の形態にかかる熱変位補正装置は、前記機械学習装置は、クラウドコンピューティング、フォグコンピューティング又はエッジコンピューティングにより実現される。
本発明の一実施の形態にかかる機械学習装置は、ワークの検査時の形状測定データを学習する機械学習装置であって、ワークの温度分布を示す画像データ及び加工後の形状データを、環境の現在状態を表す状態変数として観測する状態観測部と、熱平衡のとれた状態において検査された時の形状測定データを示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、ワークの温度分布を示す画像データ及び加工後の形状データと、熱平衡のとれた状態において検査された時の形状測定データとを関連付けて学習する学習部と、を備える。

本発明により、ワークの熱変位による測定誤差を容易かつ高精度に補正することが可能な熱変位補正装置を提供することができる。

熱変位補正装置１の構成を示すブロック図である。 熱変位補正システム３００の構成を示すブロック図である。 熱変位補正システム４００の構成を示すブロック図である。 熱変位補正システム５００の構成を示すブロック図である。 熱変位補正装置１の構成を示すブロック図である。 熱変位補正装置１の構成を示すブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 熱変位補正装置２の構成を示すブロック図である。 熱変位補正システム２００の構成を示すブロック図である。 ワークの温度分布を示す画像データの一例を示す図である。

以下、本発明の実施形態を図面と共に説明する。
図１Ａは第１の実施形態による熱変位補正装置の要部を示す概略的なハードウェア構成図である。本実施形態による熱変位補正装置１が備えるＣＰＵ１１は、熱変位補正装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って熱変位補正装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ及び後述する制御装置及び形状測定装置から入力された各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、熱変位補正装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。図示しないインタフェースを介して入力された各種プログラムやデータが記憶されている。不揮発性メモリ１４に記憶されたプログラムやデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種のシステム・プログラムがあらかじめ書き込まれている。

制御装置６０はワークを加工する工作機械や、付随するロボット及びローダ装置等（以下、単に工作機械と称する）を制御する。図１Ｂ乃至図１Ｄに示すように、制御装置６０は温度データ記憶領域６１を有しており、温度データ記憶領域６１は、工作機械内に設けられた１台以上の温度計測装置６２が加工後のワークの温度を計測して得た温度データを一時的に記憶する。熱変位補正装置１は、インタフェース１８を介して制御装置６０から温度データを受信し、ＣＰＵ１１に渡す。

形状測定装置７０は、工作機械によって加工されたワークの形状を測定する。形状測定装置７０は、例えば三次元測定機、変位センサ又はタッチプローブである。図１Ｂ乃至図１Ｄに示すように、形状測定装置７０は形状データ記憶領域７１を有しており、形状データ記憶領域７１は測定により得られた形状データを一時的に記憶する。熱変位補正装置１は、インタフェース１９を介して形状測定装置７０から形状データを受信し、ＣＰＵ１１に渡す。

インタフェース２１は、熱変位補正装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して熱変位補正装置１で取得可能な各情報（温度データ、形状データ等）を観測することができる。

図１Ｂは、熱変位補正装置１を含む熱変位補正システム３００の一構成例を示すブロック図である。この例では、工作機械内に少なくとも１台の温度計測装置６２を設置する。そして、ワークの加工工程において、温度計測装置６２を用いて加工後のワークの温度分布を示す画像データを取得する。同様に、加工後のワークの形状データを形状測定装置７０で測定する。続いてワークを検査工程（典型的には出荷検査の場所）に搬送する。なお加工工程では、ワークは熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）に達していない。検査工程において、他の形状測定装置７０が、検査時の形状測定データを測定する。なお検査工程では、ワークは熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）にあるものとする。

図１Ｃは、熱変位補正装置１を含む熱変位補正システム４００の他の構成例を示すブロック図である。この例では、工作機械内に少なくとも１台の温度計測装置６２を設置する。そして、ワークの加工工程において、温度計測装置６２を用いて加工後のワークの温度分布を示す画像データを取得する。続いてワークの加工工程の終了後に、例えば検査工程への搬送路上で、加工後のワークの形状データを形状測定装置７０で測定する。なお加工工程及び搬送工程では、ワークは未だ熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）には達していない。続いて、ワークの検査工程において、他の形状測定装置７０が、検査時の形状測定データを測定する。なお検査工程では、ワークは熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）にあるものとする。

図１Ｄは、熱変位補正装置１を含む熱変位補正システム５００の他の構成例を示すブロック図である。この例では、工作機械外に少なくとも１台の温度計測装置６２を設置する。そして、ワークの加工工程の終了後に、例えば検査工程への搬送路上で、温度計測装置６２を用いてワークの温度分布を示す画像データを取得する。同様に、加工後のワークの形状データを形状測定装置７０で測定する。なお搬送路上では、ワークは未だ熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）には達していない。続いて、ワークの検査工程において、他の形状測定装置７０が、検査時の形状測定データを測定する。なお検査工程では、ワークは熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）にあるものとする。

図１Ｄの熱変位補正システム５００によれば、工作機械のサイクルタイムを短縮できるという利点がある。一方、図１Ｂによれば、学習及び推定の精度を高められる利点がある。搬送路は工場の温度の影響を受けるが、工作機械内であれば外界の影響が少ないからである。

なお、図１Ｂ及び図１Ｄの例において、ワークの温度分布を示す画像データと、加工後のワークの形状データとは必ずしも同時に取得する必要はない。両者の取得タイミングは異なってもかまわない。ただし、学習及び推定の両方のフェーズを通して、ワークの温度分布を示す画像データの取得タイミング、及び加工後のワークの形状データの取得タイミングは、常に一定である必要がある。

図２は、第１の実施形態による熱変位補正装置１と機械学習装置１００の概略的な機能ブロック図である。機械学習装置１００は、ワークの温度分布を示す画像データ及び加工後の形状データに対する、検査時の形状測定データを、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。熱変位補正装置１が備える機械学習装置１００が学習するものは、ワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとの、相関性を表すモデル構造に相当する。

図２に機能ブロックで示すように、熱変位補正装置１が備える機械学習装置１００は、ワークの温度分布を示す画像データＳ１と、加工後の形状データＳ２とを環境の現在状態を表す状態変数Ｓとして観測する状態観測部１０６と、検査時形状測定データＤ１を判定データＤとして取得する判定データ取得部１０８と、状態変数Ｓと判定データＤとを用いて、ワークの温度分布を示す画像データ及び加工後の形状データに、検査時の形状測定データを関連付けて学習する学習部１１０とを備える。

状態観測部１０６は、例えばプロセッサ１０１の一機能として構成できる。或いは状態観測部１０６は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。状態観測部１０６が観測する状態変数Ｓのうち、ワークの温度分布Ｓ１は、温度計測装置６２が出力するものを取得することができる。温度計測装置６２は、典型的にはサーモグラフィである。サーモグラフィは、予め定められた１方向から撮影した画像データを出力しても良いし、ロボット等を用いて多方向から撮影した画像データのセットを出力しても良い。あるいは、温度計測装置６２は複数の非接触式温度計のアレイ等であっても良い。

図７に、温度計測装置６２が出力する画像データの一例を示す。この画像データは、加工後のワークをサーモグラフィにより撮影したものであり、例えば相対的に高温な部分が赤色、相対的に低温な部分が青色に着色されている。すなわちこの画像データにおいてはワーク表面の温度分布が色データにより表現されている。

状態変数Ｓのうち、加工後の形状データＳ２は、公知の検査装置が出力する、加工後のワークの形状データを用いることができる。形状データとは、ワークの各部分（予め定められた、１以上の部分）の寸法値のセットである。ワークの温度分布を示す画像データＳ１及び加工後の形状データＳ２は、いずれも加工後、すなわち十分に熱平衡がとれていない状態（又はワークの使用環境等に鑑みて設定された所定の温度に達していない状態）におけるワークの温度分布及び形状を示す。

判定データ取得部１０８は、例えばプロセッサ１０１の一機能として構成できる。或いは判定データ取得部１０８は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。判定データ取得部１０８は、判定データＤとして、検査時の形状測定データＤ１を用いることができる。検査時の形状測定データＤ１は、公知の検査装置が出力する検査時のワークの形状データを用いることができる。検査時の形状測定データＤ１としては、例えば、検査時、すなわち十分に熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度に達した状態）における、ワークの実寸法と設計値との誤差を使用できる。ここで誤差は、実寸法を用いてもいいし、誤差を所定の基準により評価した値（例えば真円度等の指標や、所定の閾値の範囲内に収まっているか否かを示す情報等）を用いても良い。また、検査時の形状測定データＤ１として、複数の計測箇所における計測結果のセットを用いても良い。

学習部１１０は、例えばプロセッサ１０１の一機能として構成できる。或いは学習部１１０は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、ワークの温度分布を示す画像データ及び加工後の形状データに対する、検査時の形状測定データを学習する。学習部１１０は、前述した状態変数Ｓと判定データＤとを含むデータ集合に基づく学習を反復実行することができる。

このような学習サイクルを繰り返すことにより、学習部１１０は、ワークの温度分布を示す画像データＳ１及び加工後の形状データＳ２と、検査時の形状測定データＤ１との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時にはワークの温度分布を示す画像データＳ１及び加工後の形状データＳ２と、検査時の形状測定データＤ１との相関性は実質的に未知であるが、学習部１１０は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。ワークの温度分布を示す画像データＳ１及び加工後の形状データＳ２と、検査時の形状測定データＤ１との相関性が、ある程度信頼できる水準まで解釈されると、学習部１１０が反復出力する学習結果は、現在状態（ワークの温度分布を示す画像データ及び加工後の形状データ）に対して、検査時の形状測定データがどのようなものとなるべきかという推定を行うために使用できるものとなる。つまり学習部１１０は、学習アルゴリズムの進行に伴い、ワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとの相関性を最適解に徐々に近づけることができる。

上記したように、熱変位補正装置１が備える機械学習装置１００は、状態観測部１０６が観測した状態変数Ｓと判定データ取得部１０８が取得した判定データＤとを用いて、学習部１１０が機械学習アルゴリズムに従い、検査時の形状測定データを学習するものである。状態変数Ｓは、ワークの温度分布を示す画像データＳ１及び加工後の形状データＳ２といった、外乱の影響を受け難いデータで構成され、また判定データＤは、検査時の形状測定データＤ１を取得することにより一義的に求められる。したがって、熱変位補正装置１が備える機械学習装置１００によれば、学習部１１０の学習結果を用いることで、ワークの温度分布を示す画像データ及び加工後の形状データに応じた、検査時の形状測定データを、演算や目算によらずに自動的に、しかも正確に求めることができるようになる。

そして、検査時の形状測定データを、演算や目算によらずに自動的に求めることができれば、ワークの温度分布を示す画像データＳ１及び加工後の形状データＳ２を把握するだけで、検査時の形状測定データの適切な値を迅速に推定することができる。したがって、ワークが熱平衡のとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度に達した状態）に達するまで待機する必要がなく、温度ばらつきを含んだままで寸法検査を行うことができる。

上記構成を有する機械学習装置１００では、学習部１１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図２に示す熱変位補正装置１の一形態であって、学習アルゴリズムの一例として教師あり学習を実行する学習部１１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデル（ワークの温度分布を示す画像データ及び加工後の形状データに対する、検査時の形状測定データ)を学習する手法である。

図３に示す熱変位補正装置１が備える機械学習装置１００において、学習部１１０は、状態変数Ｓから検査時の形状測定データ導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部１１１と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部１１２とを備える。学習部１１０は、モデル更新部１１２が相関性モデルＭの更新を繰り返すことによってワークの温度分布を示す画像データ及び加工後の形状データに対する、検査時の形状測定データを学習する。

相関性モデルＭは、回帰分析、強化学習、深層学習などで構築することができる。相関性モデルＭの初期値は、例えば、状態変数Ｓと検査時の形状測定データとの相関性を単純化して表現したものとして、教師あり学習の開始前に学習部１１０に与えられる。教師データＴは、例えば、過去のワークの温度分布を示す画像データ及び加工後の形状データに対する検査時の形状測定データを記録することで蓄積された経験値（ワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとの既知のデータセット)によって構成でき、教師あり学習の開始前に学習部１１０に与えられる。誤差計算部１１１は、学習部１１０に与えられた大量の教師データＴからワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとの相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部１１２は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。

次の学習サイクルでは、誤差計算部１１１は、更新後の相関性モデルＭに従ってワークの加工行程及び検査行程を実行することにより得られた状態変数Ｓ及び判定データＤを用いて、それら状態変数Ｓ及び判定データＤに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部１１２が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（ワークの温度分布を示す画像データ及び加工後の形状データ）とそれに対応する状態（検査時の形状測定データ）との相関性が徐々に明らかになる。つまり相関性モデルＭの更新により、ワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとの関係が、最適解に徐々に近づけられる。

前述した教師あり学習を進める際に、例えばニューラルネットワークを用いることができる。図４Ａは、ニューロンのモデルを模式的に示す。図４Ｂは、図４Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。

図４Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ₁〜入力ｘ₃）に対する結果ｙを出力するものである。各入力ｘ₁〜ｘ₃には、この入力ｘに対応する重みｗ（ｗ₁〜ｗ₃）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆ_kは活性化関数である。

図４Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す)が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。

図４Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してＷ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。

図４Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してＷ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。

熱変位補正装置１が備える機械学習装置１００においては、状態変数Ｓを入力ｘとして、学習部１１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、ワークの寸法を推定値（結果ｙ）を出力することができる。なおニューラルネットワークの動作モードには、学習モードと判定モードとがあり、例えば学習モードで学習データセットを用いて重みＷを学習し、学習した重みＷを用いて判定モードで検査時の形状測定データの判定を行うことができる。なお判定モードでは、検出、分類、推論等を行うこともできる。

上記した熱変位補正装置１及び機械学習装置１００の構成は、ＣＰＵ１１又はプロセッサ１０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、ワークの温度分布を示す画像データ及び加工後の形状データに対する、検査時の形状測定データを学習する機械学習方法であって、ＣＰＵ１１又はプロセッサ１０１が、ワークの温度分布を示す画像データ及び加工後の形状データを環境の現在状態を表す状態変数Ｓとして観測するステップと、検査時の形状測定データを判定データＤとして取得するステップと、状態変数Ｓと判定データＤとを用いて、ワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとを関連付けて学習するステップとを有する。

本実施形態によれば、機械学習装置１００が、ワークの温度分布を示す画像データ及び加工後の形状データにと、検査時の形状測定データとの相関性を示すモデルを生成する。これにより、温度ばらつきを含んだままであっても、十分に熱平衡がとれた状態（又はワークの使用環境等に鑑みて設定された所定の温度）におけるワークの寸法を推定することが可能となる。したがって、一度学習モデルを作成してしまえば、以後は専用の検査環境が不要となる。また、検査工程の時間を短縮でき、温度測定箇所を決定するためのノウハウも不要となる。

図５は、第２の実施形態による熱変位補正装置２を示す。熱変位補正装置２は、機械学習装置１００と、データ取得部１３０とを備える。データ取得部１３０は、温度計測装置６２や形状測定装置７０から、ワークの温度分布を示す画像データ、加工後の形状データ、検査時の形状測定データを取得する。

熱変位補正装置２が有する機械学習装置１００は、第１の実施形態の機械学習装置１００が備える構成に加えて、学習部１１０がワークの温度分布を示す画像データ及び加工後の形状データに基づいて判定した検査時の形状測定データを、文字や画像、音又は音声等、又は任意の形式のデータとして出力する判定出力部１２０を含む。

判定出力部１２０は、例えばプロセッサ１０１の一機能として構成できる。或いは判定出力部１２０は、例えばプロセッサ１０１を機能させるためのソフトウェアとして構成できる。判定出力部１２０は、学習部１１０がワークの温度分布を示す画像データ及び加工後の形状データに基づいて判定した検査時の形状測定データを文字や画像、音又は音声等、又は任意の形式のデータとして外部に対して出力する。出力された推定結果は、例えば寸法異常の検出に使うことができる。必要に応じ、寸法異常のワークに対する再加工を実施してもよい。

上記構成を有する熱変位補正装置２が備える機械学習装置１００は、前述した機械学習装置１００と同等の効果を奏する。特に第２の実施形態における機械学習装置１００は、判定出力部１２０の出力によって環境の状態を変化させることができる。他方、第１の実施形態の機械学習装置１００では、学習部１１０の学習結果を環境に反映させるための判定出力部に相当する機能を、外部装置に求めることができる。

図６は、複数の工作機械を備えた熱変位補正システム２００を示す。熱変位補正システム２００、熱変位補正装置１（又は２）と、同一の機械構成を有する複数の工作機械と、各工作機械と熱変位補正装置１（又は２）とを互いに接続するネットワーク２０１とを備える。工作機械は、それぞれが独立して制御装置６０及び形状測定装置７０を備えていても良いし、複数の工作機械が１つの制御装置６０及び形状測定装置７０を共有していても良い。

上記構成を有する熱変位補正システム２００は、熱変位補正装置１（又は２）が、複数の工作機械のそれぞれについて得られた状態変数Ｓ及び判定データＤに基づき、全ての工作機械に共通するワークの温度分布を示す画像データ及び加工後の形状データに対する検査時の形状測定データを学習することができる。

熱変位補正システム２００は、熱変位補正装置１（又は２）を、クラウドコンピューティング（ネットワーク２０１に用意された分散処理環境）、フォグコンピューティング又はエッジコンピューティング（クラウドと工作機械との間に用意された分散処理環境）により実現する構成を有することができる。この構成によれば、複数の工作機械のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数の工作機械を熱変位補正装置１（又は２）に接続することができる。

熱変位補正システム２００に従事する作業者は、熱変位補正装置１（又は２）による学習開始後の適当な時期に、熱変位補正装置１（又は２）によるワークの温度分布を示す画像データ及び加工後の形状データと、検査時の形状測定データとの関係の学習の到達度が要求レベルに達したか否かの判断を実行することができる。

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

例えば上述の実施の形態では、状態データＳとしてワークの温度分布を示す画像データ及び加工後の形状データを使用する例を示したが、本発明はこれに限定されるものではない。例えばこれらに加えて、周囲温度（工作機械の温度、ワークを設置するテーブルの温度、主軸を支えるカラムの温度、工場の雰囲気の温度等）を、状態データＳに含めることができる。なお周囲温度についても、温度分布を示す画像データとして入力できる。これにより、熱変位に影響するさらに多くの要素を考慮できるため、学習及び推定の精度を高めることが可能である。また、工作機械の温度を状態データＳとして使用すれば、工作機械の暖機運転時間を不要化又は削減することができる。

また、工作機械の電源投入後の稼働時間を状態変数Ｓとして使用しても良い。工作機械の電源投入後の稼働時間と、工作機械の温度とを状態データＳとして使用することもできる。このようにして工作機械の暖機運転時間を不要化又は削減することもできる。

また、上述の実施の形態では、図１Ｂ及び図１Ｄに示す例において、ワークの温度分布を示す画像データの取得タイミング、及び加工後のワークの形状データの取得タイミングが常に一定であること、すなわちワークの温度分布を示す画像データと加工後のワークの形状データとを取得する際のタイムラグが一定であることが必要であった。しかしながら、ワークの温度分布を示す画像データと加工後のワークの形状データとの取得時間に関する情報、例えば上記タイムラグの計測値を状態変数Ｓとしてさらに使用するならば、上記タイムラグは一定でなくても良い。これにより、例えば工場のラインがストップするなど、上記タイムラグが一定しない場合であっても、ワークの温度分布を示す画像データ及び加工後の形状データに対する検査時の形状測定データを学習及び推定することができる。

１，２ 熱変位補正装置
３ 状態データ取得部
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１８，１９，２１ インタフェース
２０ バス
６０ 制御装置
６１ 温度データ記憶領域
６２ 温度計測装置
７０ 形状測定装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１０８ 判定データ取得部
１１０ 学習部
１１１ 誤差計算部
１１２ モデル更新部
１２０ 判定出力部
１３０ データ取得部
２００，３００，４００，５００ 熱変位補正システム
２０１ ネットワーク

Claims (9)

1. ワークの熱変位による寸法測定誤差を補正する熱変位補正装置であって、
   前記ワークの検査時の形状測定データを学習する機械学習装置を備え、
   前記機械学習装置は、
   ワークの温度分布を示す画像データ及び加工後の形状データを、環境の現在状態を表す状態変数として観測する状態観測部と、
   熱平衡のとれた状態において検査された時の形状測定データを示す判定データを取得する判定データ取得部と、
   前記状態変数と前記判定データとを用いて、ワークの温度分布を示す画像データ及び加工後の形状データと、熱平衡のとれた状態において検査された時の形状測定データとを関連付けて学習する学習部と、
   を備える熱変位補正装置。
2. 前記状態変数には、前記ワークの周囲温度を含む
   請求項１に記載の熱変位補正装置。
3. 前記ワークの周囲温度は、前記ワークを加工する工作機械の温度である
   請求項２に記載の熱変位補正装置。
4. 前記状態変数には、前記ワークの温度分布を示す画像データと前記加工後の形状データとの取得時間に関する情報を含む
   請求項１に記載の熱変位補正装置。
5. 前記判定データには、前記ワークの実寸法と設計値との誤差の評価結果を含む
   請求項１に記載の熱変位補正装置。
6. 前記学習部は、前記状態変数と前記判定データとを多層構造で演算する、
   請求項１記載の熱変位補正装置。
7. 前記学習部は、複数の工作機械で加工された前記ワークから得られた前記状態変数及び前記判定データを用いて、前記検査時の形状測定データを学習する、
   請求項１記載の熱変位補正装置。
8. 前記機械学習装置は、クラウドコンピューティング、フォグコンピューティング又はエッジコンピューティングにより実現される、
   請求項１記載の熱変位補正装置。
9. ワークの検査時の形状測定データを学習する機械学習装置であって、
   ワークの温度分布を示す画像データ及び加工後の形状データを、環境の現在状態を表す状態変数として観測する状態観測部と、
   熱平衡のとれた状態において検査された時の形状測定データを示す判定データを取得する判定データ取得部と、
   前記状態変数と前記判定データとを用いて、ワークの温度分布を示す画像データ及び加工後の形状データと、熱平衡のとれた状態において検査された時の形状測定データとを関連付けて学習する学習部と、
   を備える機械学習装置。