JP6952212B1 - 機械学習装置 - Google Patents
機械学習装置 Download PDFInfo
- Publication number
- JP6952212B1 JP6952212B1 JP2021094508A JP2021094508A JP6952212B1 JP 6952212 B1 JP6952212 B1 JP 6952212B1 JP 2021094508 A JP2021094508 A JP 2021094508A JP 2021094508 A JP2021094508 A JP 2021094508A JP 6952212 B1 JP6952212 B1 JP 6952212B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- failure
- normal temperature
- machine learning
- temperature data
- 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.)
- Active
Links
Images
Abstract
Description
この機械学習装置では、工作機械において、機械要素の動作状態データ(入力データ)と機械要素の熱変位量の実測値(正解データ)とが関連付けられた教師データを用いて、機械学習を繰り返すことで前記変位推定モデルを学習するように構成されている。動作状態データは、温度センサにより測定した工作機械の機械要素の温度等により構成される。
工作機械の所定部位の温度を温度センサにより測定して得られる時系列の温度データを基に該工作機械に生じる熱変位量を推定する変位推定モデルを学習する機械学習装置であって、
前記工作機械の運転中の所定時間区間において、故障がない正常な温度センサにより前記所定部位の温度を時系列に測定した正常温度データの複数個からなる正常温度データ群と、該各正常温度データの測定毎に前記所定時間区間の終了時点における前記工作機械の前記熱変位量を測定した熱変位データの複数個からなる熱変位データ群と、を含むデータセットを取得するデータセット取得部と、
前記温度センサに故障がある場合に当該温度センサにより測定される時系列の温度データに生じる故障波形データを擬似的に生成する故障データ生成部と、
前記データセット取得部が取得したデータセットに含まれる前記正常温度データ群を抽出する温度データ群抽出部と、
前記温度データ群抽出部により抽出された正常温度データ群を構成する一部の正常温度データに対して、該正常温度データのデータ値の一部若しくは全部を前記故障データ生成部にて生成された前記故障波形データのデータ値に置換する第1置換処理を実行するか、又は、前記正常温度データ群を構成する全ての正常温度データに対して、該正常温度データのデータ値の一部を前記故障データ生成部にて生成された前記故障波形データのデータ値に置換する第2置換処理を実行することで、前記正常温度データ群を機械学習用の入力データに変換する入力データ生成部と、
前記データセット取得部により取得されたデータセットに含まれる前記熱変位データ群を機械学習用の正解データとして抽出する正解データ抽出部と、
前記入力データ生成部により生成された前記入力データと、前記正解データ抽出部により抽出された前記正解データとを用いて機械学習を行うことで前記変位推定モデルを生成する推定モデル生成部とを備えている機械学習装置に係る。
図1は、本発明の実施形態に係る機械学習装置100を示すブロック図である。この機械学習装置100は、工作機械1(図2及び図3参照)に搭載された変位補正装置200(図4参照)で使用される変位推定モデルを機械学習により生成する。
まず、本例の工作機械1の概略構成について簡単に説明する。図2及び図3に示すように、本例の工作機械1は所謂NC旋盤であり、ベッド2、このベッド2上に設けられた主軸台3、同じくベッド2上に矢示Z軸方向に移動可能に設けられた往復台6及び心押台9などを備えて構成され、NC(Numerical Control)装置10(後述する図4参照)によってその運動機構部が制御される。
図4に示すように、変位補正装置200は、温度データ取得部201、補正量算出部202及び推定モデル記憶部203を有している。変位補正装置200は、CPU、RAM、及びROMなどを含むコンピュータから構成され、温度データ取得部201及び補正量算出部202は、コンピュータプログラムによってその機能が実現され、後述する処理を実行する。また、推定モデル記憶部203はRAMなどの適宜記憶媒体から構成される。
図1に戻って機械学習装置100の詳細を説明する。機械学習装置100は、データセット取得部101、データ加工部102、推定モデル生成部103及び推定モデル記憶部104を有している。機械学習装置100は、CPU、RAM、及びROMなどを含むコンピュータから構成され、データセット取得部101、データ加工部102及び推定モデル生成部103は、コンピュータプログラムによってその機能が実現され、後述する処理を実行する。また、推定モデル記憶部104はRAMなどの適宜記憶媒体から構成される。
次に実施例について説明する。実施例では、合計12個の温度センサE1〜E12により30分間(所定時間区間δaの一例)の間、サンプリング間隔を1分として時系列に測定した正常温度データTの複数個(2〜3万個)からなる正常温度データ群M1と、温度センサE1〜Ejによる測定毎にその終了時点(前記30分の終了時点)で測定した工作機械1の熱変位データDからなる熱変位データ群M2とを含むデータセットM0を使用してミニバッチ学習を行った。
前記実施形態では、入力データ生成部102dは、正常温度データ群M1を構成する全ての正常温度データTに対して故障波形データBの置換処理を実行することで正常温度データ群M1を入力用温度データ群M3に変換するように構成されているが、これに限ったものではなく、例えば、図10に示すように、正常温度データ群M1を構成する一部の正常温度データTに対してのみ故障波形データBの置換処理を実行するようにしてもよい。この場合、正常温度データ群M1の中から置換処理の対象となる正常温度データTを所定の抽出割合(例えば3割〜5割)でランダムに抽出すればよい。そうして生成される入力用温度データ群M3においては、正常温度データTと置換後温度データT’とが混在することとなる。したがって、入力データ全体として見たときに、正常温度データTの特徴を極力維持しつつ故障波形データBを適宜組み込むことができる。よって、この入力用温度データ(入力データ)を使用して推定モデル生成部103にて機械学習を行うことで、温度センサE1〜Ejの故障に対する変位推定モデルのロバスト性をより一層向上させることができる。
M1 正常温度データ群
M2 熱変位データ群(正解データ)
M3 入力用温度データ群(入力データ)
B 故障波形データ
d1〜dn 熱変位量
E1〜Ej 温度センサ
R1〜Rj 温度データ列
t1,1〜tj,k 正常温度データのデータ値
t’1,1〜t’j,k 故障波形データのデータ値
δa 所定時間区間
δb 時間帯
1 工作機械
100 機械学習装置
101 データセット取得部
102a 温度データ群抽出部
102b 故障データ生成部
102c 故障モード記憶部(記憶部)
102d 入力データ生成部
102e 正解データ抽出部
103 推定モデル生成部
Claims (7)
- 工作機械の所定部位の温度を温度センサにより測定して得られる時系列の温度データを基に該工作機械に生じる熱変位量を推定する変位推定モデルを学習する機械学習装置であって、
前記工作機械の運転中の所定時間区間において、故障がない正常な温度センサにより前記所定部位の温度を時系列に測定した正常温度データの複数個からなる正常温度データ群と、該各正常温度データの測定毎に前記所定時間区間の終了時点における前記工作機械の前記熱変位量を測定した熱変位データの複数個からなる熱変位データ群と、を含むデータセットを取得するデータセット取得部と、
前記温度センサに故障がある場合に当該温度センサにより測定される時系列の温度データに生じる故障波形データを擬似的に生成する故障データ生成部と、
前記データセット取得部が取得したデータセットに含まれる前記正常温度データ群を抽出する温度データ群抽出部と、
前記温度データ群抽出部により抽出された正常温度データ群を構成する一部の正常温度データに対して、該正常温度データのデータ値の一部若しくは全部を前記故障データ生成部にて生成された前記故障波形データのデータ値に置換する第1置換処理を実行するか、又は、前記正常温度データ群を構成する全ての正常温度データに対して、該正常温度データのデータ値の一部を前記故障データ生成部にて生成された前記故障波形データのデータ値に置換する第2置換処理を実行することで、前記正常温度データ群を機械学習用の入力データに変換する入力データ生成部と、
前記データセット取得部により取得されたデータセットに含まれる前記熱変位データ群を機械学習用の正解データとして抽出する正解データ抽出部と、
前記入力データ生成部により生成された前記入力データと、前記正解データ抽出部により抽出された前記正解データとを用いて機械学習を行うことで前記変位推定モデルを生成する推定モデル生成部とを備えていることを特徴とする機械学習装置。 - 前記入力データ生成部にて実行される前記故障波形データの置換処理は、前記第1置換処理であり、
前記入力データ生成部は、前記第1置換処理を実行する際には、前記正常温度データ群を構成する全ての正常温度データの中から所定の抽出割合でランダムに前記一部の正常温度データを抽出し、抽出した該一部の正常温度データに対して前記故障波形データの置換処理を実行するように構成されていることを特徴とする請求項1記載の機械学習装置。 - 前記入力データ生成部は、前記第1置換処理又は前記第2置換処理の実行に際して、前記正常温度データのデータ値の一部を前記故障波形データのデータ値に置換する場合には、前記正常温度データの時系列における前記故障波形データが占める時間割合が所定割合になるように、該正常温度データにおける該故障波形データに置換する時間帯をランダムに決定するように構成されていることを特徴とする請求項1又は2記載の機械学習装置。
- 前記所定部位の数は複数であり、
前記温度センサは、前記各所定部位のそれぞれに対応して複数設けられており、
前記正常温度データ群を構成する各正常温度データは、複数の前記温度センサのそれぞれに対応する複数の温度データ列からなり、
前記入力データ生成部は、前記第1置換処理又は前記第2置換処理の実行に際して、前記正常温度データのデータ値を前記故障波形データのデータ値に置換するときには、前記複数の温度センサの中からランダムに抽出した温度センサに対応する温度データ列を置換対象とするように構成されていることを特徴とする請求項1から3のいずれか一項に記載の機械学習装置。 - 前記温度センサは、複数の故障モードを有しており、
前記複数の故障モードと、それぞれの故障モードに対応する故障波形データを疑似的に生成するための生成アルゴリズムとを対応付けて予め記憶しておく記憶部をさらに備え、
前記故障データ生成部は、前記故障波形データを生成する際には、前記複数の故障モードの中から一の故障モードをランダムに選択し、選択した当該一の故障モードに対応する前記故障波形データの生成アルゴリズムを前記記憶部に記憶された記憶情報を基に特定し、特定した生成アルゴリズムを基に前記故障波形データを生成するように構成されていることを特徴とする請求項1から4のいずれか一項に記載の機械学習装置。 - 前記故障モードは、前記温度センサの種類と前記温度センサの故障原因とによって定まるモードであることを特徴とする請求項5記載の機械学習装置。
- 前記推定モデル生成部にて実行される前記機械学習は、ディープラーニングであることを特徴とする請求項1から6のいずれか一項に記載の機械学習装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021094508A JP6952212B1 (ja) | 2021-06-04 | 2021-06-04 | 機械学習装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021094508A JP6952212B1 (ja) | 2021-06-04 | 2021-06-04 | 機械学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6952212B1 true JP6952212B1 (ja) | 2021-10-20 |
JP2022186342A JP2022186342A (ja) | 2022-12-15 |
Family
ID=78150276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021094508A Active JP6952212B1 (ja) | 2021-06-04 | 2021-06-04 | 機械学習装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6952212B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102589094B1 (ko) * | 2022-10-26 | 2023-10-16 | (재)대구기계부품연구원 | 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018111145A (ja) * | 2017-01-10 | 2018-07-19 | ファナック株式会社 | 工作機械の機械学習装置および熱変位補正装置 |
JP6743238B1 (ja) * | 2019-04-23 | 2020-08-19 | Dmg森精機株式会社 | 工作機械における変動量推定装置、及び補正量算出装置 |
-
2021
- 2021-06-04 JP JP2021094508A patent/JP6952212B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018111145A (ja) * | 2017-01-10 | 2018-07-19 | ファナック株式会社 | 工作機械の機械学習装置および熱変位補正装置 |
JP6743238B1 (ja) * | 2019-04-23 | 2020-08-19 | Dmg森精機株式会社 | 工作機械における変動量推定装置、及び補正量算出装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102589094B1 (ko) * | 2022-10-26 | 2023-10-16 | (재)대구기계부품연구원 | 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP2022186342A (ja) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629419A (zh) | 机器学习装置以及热位移修正装置 | |
CN105643369B (zh) | 机床以及具备机器人的协作系统 | |
CN104511900B (zh) | 机器人校准装置及校准方法、机器人装置及其控制方法 | |
CN108628256B (zh) | 机械学习装置以及热位移修正装置 | |
CN112526927B (zh) | 面向五轴数控机床旋转轴空间定位误差快速优化补偿方法 | |
CN103459102B (zh) | 机器人控制装置、机器人控制方法、程序和记录介质 | |
CN103827623B (zh) | 用于检查工件的方法和设备 | |
Florussen et al. | Assessing geometrical errors of multi-axis machines by three-dimensional length measurements | |
CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
CN106774152B (zh) | 一种数控机床位置相关几何误差项的建模方法 | |
EP1775077A2 (en) | Parallel kinematic machine, calibration method of parallel kinematic machine, and calibration program product | |
US11048215B2 (en) | Tool selecting apparatus and machine learning device | |
JP6823024B2 (ja) | ロボットのキャリブレーションシステムおよびキャリブレーション方法 | |
CN102649246A (zh) | 补偿计算机数字控制机加工系统的尺寸精度的系统和方法 | |
JP6952212B1 (ja) | 機械学習装置 | |
CN101424526A (zh) | 模块化校准 | |
CN109493389B (zh) | 一种基于深度学习的相机标定方法及系统 | |
JP7303065B2 (ja) | 機械学習装置、制御システム及び機械学習方法 | |
CN112733296A (zh) | 基于grnn的混联机器人铣削加工误差预测及补偿方法 | |
CN110842927B (zh) | 一种基于多元回归的机器人关节几何误差补偿方法 | |
JP6743238B1 (ja) | 工作機械における変動量推定装置、及び補正量算出装置 | |
Zimmermann et al. | Self-calibration of rotary axis and linear axes error motions by an automated on-machine probing test cycle | |
JP2004127304A (ja) | 自動車ボデー及びボデー部品又は同等品のための組立及び溶接ライン並びに本発明の方法による設備における誤差及び欠陥の識別及び管理のための方法 | |
CN110955979A (zh) | 一种考虑几何误差偏相关性的机床加工精度可靠性灵敏度分析方法 | |
US20190033820A1 (en) | Numerical controller |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210607 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210608 |
|
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: 20210914 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210927 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6952212 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |