KR20200131475A - Method and system for themal displacement compensation in machine tool - Google Patents

Method and system for themal displacement compensation in machine tool Download PDF

Info

Publication number
KR20200131475A
KR20200131475A KR1020190056144A KR20190056144A KR20200131475A KR 20200131475 A KR20200131475 A KR 20200131475A KR 1020190056144 A KR1020190056144 A KR 1020190056144A KR 20190056144 A KR20190056144 A KR 20190056144A KR 20200131475 A KR20200131475 A KR 20200131475A
Authority
KR
South Korea
Prior art keywords
thermal displacement
displacement correction
machine tool
correction amount
mode
Prior art date
Application number
KR1020190056144A
Other languages
Korean (ko)
Inventor
이장일
Original Assignee
두산공작기계 주식회사
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 두산공작기계 주식회사 filed Critical 두산공작기계 주식회사
Priority to KR1020190056144A priority Critical patent/KR20200131475A/en
Publication of KR20200131475A publication Critical patent/KR20200131475A/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/18—Compensation of tool-deflection due to temperature or force
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/20—Automatic control or regulation of feed movement, cutting velocity or position of tool or work before or after the tool acts upon the workpiece
    • B23Q15/22—Control or regulation of position of tool or workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0985—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Numerical Control (AREA)

Abstract

A method for correcting thermal displacement of a machine tool comprises: obtaining temperature data required for computing a correction amount of thermal displacement of a machine tool; performing a preliminarily learned machine learning algorithm with respect to the temperature data to compute the correction amount of the thermal displacement; and processing a workpiece based on the computed correction amount of the thermal displacement.

Description

공작기계의 열변위 보정 방법 및 시스템{METHOD AND SYSTEM FOR THEMAL DISPLACEMENT COMPENSATION IN MACHINE TOOL}Machine tool thermal displacement correction method and system {METHOD AND SYSTEM FOR THEMAL DISPLACEMENT COMPENSATION IN MACHINE TOOL}

본 발명은 공작기계의 열변위 보정 방법 및 시스템에 관한 것이다. 보다 상세하게는, 공작기계에 최적화된 열변위 보정을 수행할 수 있는 열변위 보정 방법 및 이를 수행하기 위한 열변위 보정 시스템에 관한 것이다.The present invention relates to a method and system for correcting thermal displacement of a machine tool. More specifically, it relates to a thermal displacement correction method capable of performing thermal displacement correction optimized for a machine tool, and a thermal displacement correction system for performing the same.

공작기계는 가공 방법에 따라 크게 터닝 센터(turning center)와 머시닝 센터(machining center)로 분류될 수 있다. 여기서, 터닝 센터는 공작물을 회전시켜 가공하며, 머시닝 센터는 공구를 회전시켜 가공한다. 공작물의 가공 과정에서 발생된 열에 의해 열변형이 발생하여 공작물의 가공 치수가 변동될 수 있다. 이러한 열변형에 따른 가공오차를 최소화하기 위하여 열변위 보정을 수행할 수 있다.Machine tools can be largely classified into a turning center and a machining center according to a processing method. Here, the turning center rotates the work piece, and the machining center rotates the tool. Due to the heat generated during the processing of the workpiece, thermal deformation may occur and the machining dimensions of the workpiece may change. In order to minimize processing errors due to such thermal deformation, thermal displacement correction may be performed.

관련 기술들에 따르면, 회귀 분석과 같은 수치적 방법을 이용하여 상기 열변위 보정을 수행할 수 있다. 그러나, 공작기계의 여러 유닛들과 외부 환경, 절삭유, 가공 조건에 따라 열변위 거동을 추정하기가 어렵고, 가공 조건과 환경이 다른 장비마다 동일한 열변위 보정 파라미터를 적용하므로 해당 장비에 최적화된 열변위 보정 파라미터를 새롭게 산출하는 데 많은 시간과 비용이 소요되는 어려움이 있다.According to related technologies, the thermal displacement correction may be performed using a numerical method such as regression analysis. However, it is difficult to estimate the thermal displacement behavior according to the various units of the machine tool, the external environment, cutting oil, and processing conditions, and since the same thermal displacement correction parameter is applied to each equipment with different processing conditions and environments, the thermal displacement optimized for the corresponding equipment. There is a difficulty in taking a lot of time and cost to newly calculate the correction parameter.

본 발명의 일 과제는 다양한 가공 조건과 환경에 최적화된 열변위 보정을 수행할 수 있는 공작기계의 가공 방법을 제공하는 데 있다.An object of the present invention is to provide a processing method of a machine tool capable of performing thermal displacement correction optimized for various processing conditions and environments.

본 발명의 다른 과제는 상술한 공작기계의 가공 방법을 수행하기 위한 공작기계의 열변위 보정 시스템을 제공하는 데 있다.Another object of the present invention is to provide a system for correcting thermal displacement of a machine tool for performing the above-described machining method of a machine tool.

상기 본 발명의 일 과제를 달성하기 위한 예시적인 실시예들에 따른 공작기계의 열변위 보정 방법에 있어서, 공작기계의 열변위 보정량을 산출하는 데 필요한 온도 데이터를 획득한다. 상기 온도 데이터에 대하여 기 학습된 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출한다. 상기 산출된 열변위 보정량에 기초하여 공작물의 가공을 수행한다.In the method for correcting thermal displacement of a machine tool according to exemplary embodiments for achieving the object of the present invention, temperature data required to calculate a thermal displacement correction amount of the machine tool is obtained. A pre-learned machine learning algorithm is performed on the temperature data to calculate a thermal displacement correction amount. The workpiece is machined based on the calculated thermal displacement correction amount.

예시적인 실시예들에 있어서, 상기 머신 러닝 알고리즘을 수행하는 것은 기 학습된 신경망 알고리즘의 입력값으로 상기 온도 데이터를 입력시키고, 그리고 상기 신경망 알고리즘의 출력값으로 상기 열변위 보정량을 출력시키는 것을 포함할 수 있다.In example embodiments, performing the machine learning algorithm may include inputting the temperature data as an input value of a previously learned neural network algorithm, and outputting the thermal displacement correction amount as an output value of the neural network algorithm. have.

예시적인 실시예들에 있어서, 상기 온도 데이터는 스핀들의 측정 온도, 공구대의 측정 온도, 베드의 측정 온도, 외부 측정 온도 및 절삭유 측정 온도 중 적어도 어느 하나에 대한 측정 데이터를 포함할 수 있다.In example embodiments, the temperature data may include measurement data for at least one of a measurement temperature of a spindle, a measurement temperature of a tool holder, a measurement temperature of a bed, an external measurement temperature, and a cutting oil measurement temperature.

예시적인 실시예들에 있어서, 상기 공작물의 가공을 수행하는 것은 상기 산출된 열변위 보정값에 따라 상기 공작기계의 열변위 보정을 수행하는 것을 포함할 수 있다.In example embodiments, performing the machining of the work piece may include performing thermal displacement correction of the machine tool according to the calculated thermal displacement correction value.

예시적인 실시예들에 있어서, 상기 방법은, 상기 가공된 공작물의 실제 치수를 측정하고, 상기 기 학습된 머신 러닝 알고리즘에 따른 상기 열변위 보정값과 상기 실제 측정값 사이의 치수 오차를 산출하고, 그리고 상기 치수 오차가 최소화되도록 상기 머신 러닝 알고리즘을 학습시키는 것을 더 포함할 수 있다.In example embodiments, the method comprises measuring an actual dimension of the machined workpiece, calculating a dimensional error between the thermal displacement correction value and the actual measurement value according to the previously learned machine learning algorithm, And it may further include learning the machine learning algorithm to minimize the dimensional error.

예시적인 실시예들에 있어서, 상기 머신 러닝 알고리즘을 학습시키는 것은 신경망 알고리즘의 입력값으로 상기 온도 데이터가 입력되었을 때 출력값인 상기 열변위 보정값과 상기 실제 측정값의 오차를 최소화시키는 파라미터를 산출하는 것을 포함할 수 있다.In example embodiments, training the machine learning algorithm calculates a parameter that minimizes an error between the thermal displacement correction value and the actual measured value, which is an output value when the temperature data is input as an input value of a neural network algorithm. May include.

예시적인 실시예들에 있어서, 상기 방법은, 상기 신경망 알고리즘을 상기 산출된 파라미터로 갱신하는 것을 더 포함할 수 있다.In example embodiments, the method may further include updating the neural network algorithm with the calculated parameter.

예시적인 실시예들에 있어서, 상기 방법은, 사용자에 의해 선택된 가공 모드를 수신하는 것을 더 포함하고, 상기 머신 러닝 알고리즘을 수행하는 것은 상기 선택된 가공 모드에 따른 가공 조건을 반영하도록 학습된 머신러닝 알고리즘을 수행하는 것을 포함할 수 있다.In example embodiments, the method further comprises receiving a processing mode selected by a user, and performing the machine learning algorithm is a machine learning algorithm learned to reflect a processing condition according to the selected processing mode. It may include performing.

예시적인 실시예들에 있어서, 상기 가공 모드는 건식 모드, 절삭유 모드, 선삭 모드, 밀링 모드 및 환경 모드 중에서 선택된 적어도 2개의 모드들로 구성된 다중 모드를 포함할 수 있다.In example embodiments, the machining mode may include a multiple mode consisting of at least two modes selected from a dry mode, a coolant mode, a turning mode, a milling mode, and an environmental mode.

상기 본 발명의 다른 과제를 달성하기 위한 예시적인 실시예들에 따른 공작기계의 열변위 보정 시스템은 공작기계의 열변위 보정량을 산출하는 데 필요한 온도 데이터를 제공하기 위한 온도 검출 장치, 상기 온도 데이터에 대하여 기 학습된 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출하기 위한 열변위 보정량 산출 장치, 및 상기 산출된 열변위 보정량을 반영하여 공작물을 가공하기 위한 수치제어장치를 포함할 수 있다.The thermal displacement correction system of a machine tool according to exemplary embodiments for achieving another object of the present invention is a temperature detection device for providing temperature data required to calculate the thermal displacement correction amount of the machine tool, and the temperature data A thermal displacement correction amount calculation device for calculating a thermal displacement correction amount by performing a previously learned machine learning algorithm, and a numerical control device for processing a workpiece by reflecting the calculated thermal displacement correction amount.

예시적인 실시예들에 있어서, 상기 열변위 보정량 산출 장치는 상기 온도 데이터를 기 학습된 신경망 알고리즘의 입력값으로 사용하여 상기 열변위 보정량을 상기 신경망 알고리즘의 출력값으로 출력할 수 있다.In example embodiments, the apparatus for calculating a thermal displacement correction amount may output the thermal displacement correction amount as an output value of the neural network algorithm by using the temperature data as an input value of a previously learned neural network algorithm.

예시적인 실시예들에 있어서, 상기 공작기계의 열변위 보정 시스템은 상기 가공된 공작물의 실제 치수를 측정하기 위한 가공 치수 측정 장치를 더 포함하고, 상기 열변위 보정량 산출 장치는 상기 기 학습된 머신 러닝 알고리즘에 따른 상기 열변위 보정값과 상기 실제 측정값 사이의 치수 오차가 최소화되도록 상기 머신 러닝 알고리즘을 학습시킬 수 있다.In example embodiments, the thermal displacement correction system of the machine tool further includes a processing dimension measuring device for measuring an actual dimension of the processed workpiece, and the thermal displacement correction amount calculating device is the previously learned machine learning. The machine learning algorithm may be trained to minimize a dimensional error between the thermal displacement correction value and the actual measured value according to the algorithm.

예시적인 실시예들에 있어서, 상기 공작기계의 열변위 보정 시스템은 사용자에 의해 선택된 가공 모드를 입력하기 위한 가공 모드 선택부를 더 포함하고, 상기 열변위 보정량 산출 장치는 상기 선택된 가공 모드에 따른 가공 조건을 반영하도록 학습된 머신러닝 알고리즘을 수행할 수 있다.In example embodiments, the thermal displacement correction system of the machine tool further includes a processing mode selection unit for inputting a processing mode selected by a user, and the thermal displacement correction amount calculating device is a processing condition according to the selected processing mode. Machine learning algorithms learned to reflect

예시적인 실시예들에 따르면, 공작기계의 온도 측정 데이터에 대하여 신경망 알고리즘을 수행하여 열변위 보정량을 산출하고, 상기 산출된 열변위 보정량에 기초하여 공작기계의 열변위 보정을 수행할 수 있다. 또한, 상기 가공된 공작물의 실제 치수 데이터를 기초로 하여 실시간으로 신경망 알고리즘을 학습하여 새롭게 학습된 알고리즘을 다음 가공에서의 열변위 보정에 적용할 수 있다.According to example embodiments, a neural network algorithm is performed on temperature measurement data of a machine tool to calculate a thermal displacement correction amount, and the thermal displacement correction of a machine tool may be performed based on the calculated thermal displacement correction amount. In addition, by learning a neural network algorithm in real time based on the actual dimension data of the processed workpiece, the newly learned algorithm may be applied to the thermal displacement correction in the next machining.

따라서, 실시간으로 최적의 열변위 파라미터를 산출함으로써 각 장비의 가공 조건과 환경에 맞는 최적 파라미터를 도출하여 열변위를 최소화할 수 있다. 또한, 신경망을 이용하여 해당 장비의 가공 조건과 환경에 맞는 최적의 파라미터를 도출하여 열변위를 보정하므로 열변위 보정을 위한 시간과 비용을 감소시킬 수 있다.Therefore, by calculating the optimal thermal displacement parameter in real time, the thermal displacement can be minimized by deriving the optimum parameter suitable for the processing conditions and environment of each equipment. In addition, since the thermal displacement is corrected by deriving the optimum parameter for the processing condition and environment of the corresponding equipment using a neural network, time and cost for the thermal displacement correction can be reduced.

다만, 본 발명의 효과는 상기 언급한 효과에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.However, the effects of the present invention are not limited to the above-mentioned effects, and may be variously extended without departing from the spirit and scope of the present invention.

도 1은 예시적인 실시예들에 따른 공작기계를 나타내는 단면도이다.
도 2는 예시적인 실시예들에 따른 공작기계의 열변위 보정 시스템을 나타내는 블록도이다.
도 3은 도 2의 열변위 보정 시스템의 열변위 보정량 산출 장치의 개별 신경망 회로를 나타내는 도면이다.
도 4는 도 2의 열변위 보정량 산출 장치의 다중 연산 모듈을 나타내는 블록도이다.
도 5는 예시적인 실시예들에 따른 공작기계의 열변위 보정 방법을 나타내는 순서도이다.
도 6은 도 5의 공작기계의 열변위 보정 방법에서 머신 러닝 알고리즘의 학습 방법을 나타내는 순서도이다.
도 7은 예시적인 실시예들에 따른 공작기계의 열변위 보정 방법을 나타내는 순서도이다.1 is a cross-sectional view showing a machine tool according to exemplary embodiments.
Fig. 2 is a block diagram showing a system for correcting thermal displacement of a machine tool according to exemplary embodiments.
FIG. 3 is a diagram illustrating an individual neural network circuit of a device for calculating a thermal displacement correction amount of the thermal displacement correction system of FIG. 2.
FIG. 4 is a block diagram illustrating a multiple calculation module of the apparatus for calculating a thermal displacement correction amount of FIG. 2.
5 is a flow chart illustrating a method for correcting thermal displacement of a machine tool according to exemplary embodiments.
6 is a flowchart illustrating a learning method of a machine learning algorithm in the method of correcting thermal displacement of a machine tool of FIG. 5.
7 is a flow chart illustrating a method for correcting thermal displacement of a machine tool according to exemplary embodiments.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하고자 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 각 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.In each of the drawings of the present invention, the dimensions of the structures are shown to be enlarged than the actual size for clarity of the present invention.

본 발명에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.In the present invention, terms such as first and second may be used to describe various components, but the components should not be limited by the terms. These terms are used only for the purpose of distinguishing one component from another component.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.

본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 안 된다.With respect to the embodiments of the present invention disclosed in the text, specific structural or functional descriptions have been exemplified only for the purpose of describing the embodiments of the present invention, and the embodiments of the present invention may be implemented in various forms. It should not be construed as being limited to the embodiments described in.

즉, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.That is, in the present invention, various modifications can be made and various forms can be obtained. Specific embodiments will be illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific form of disclosure, it is to be understood as including all changes, equivalents, or substitutes included in the spirit and scope of the present invention.

도 1은 예시적인 실시예들에 따른 공작기계를 나타내는 단면도이다. 1 is a cross-sectional view showing a machine tool according to exemplary embodiments.

도 1을 참조하면, 공작기계(10)는 베드(20) 상에서 공작물(80)을 클램핑하기 위한 주축대(30) 및 공작물(80)을 가공하기 위하여 베드(20) 상에서 공구(70)를 이송시키기 위한 공구대(60)를 포함할 수 있다.Referring to FIG. 1, the machine tool 10 transfers the tool 70 on the bed 20 to process the headstock 30 and the work 80 for clamping the work 80 on the bed 20 It may include a tool rest 60 for making.

예시적인 실시예들에 있어서, 주축대(30)는 공작물(80)의 일단을 클램핑하는 척을 포함할 수 있다. 상기 척은 주축에 의해 회전함에 따라, 상기 고정된 공작물은 회전될 수 있다. 공구대(60)는 이송계(40) 상부에 설치될 수 있다. 이송계(40)는 베드(20) 상의 가이드 레일(50)을 따라 이송 가능하도록 설치될 수 있다. 이에 따라, 공구대(60)에 장착된 공구(70)와 공작물(80)이 상대 운동을 하면서 원하는 공작물의 형상을 가공할 수 있다. 공작기계(10)는 수평형 NC 선반 또는 터닝 센서일 수 있다. 하지만, 상기 공작기계는 이에 제한되지는 않으며, 수직형 NC 선반, 머시닝센터, 문형머시닝센터, 스위스 턴, 방전 가공기, 수평형 NC 보링머신 등일 수 있다.In exemplary embodiments, the headstock 30 may include a chuck for clamping one end of the work piece 80. As the chuck rotates by the main shaft, the fixed workpiece can be rotated. The tool rest 60 may be installed on the feed system 40. The transport system 40 may be installed to be transportable along the guide rail 50 on the bed 20. Accordingly, while the tool 70 mounted on the tool post 60 and the work 80 perform relative motion, a desired shape of the work can be processed. The machine tool 10 may be a horizontal NC lathe or a turning sensor. However, the machine tool is not limited thereto, and may be a vertical NC lathe, a machining center, a door type machining center, a Swiss turn, an electric discharge machine, a horizontal NC boring machine, and the like.

공작기계(10)에 의해 공작물(80)을 장시간 가공할 때, 상기 공구와 상기 공작물의 마찰에 의해 발생되는 절삭열, 상기 주축의 고속회전에 의해 발생되는 주축 마찰열, 상기 이송계의 반복적인 이송에 따라 발생되는 마찰열, 절삭유의 순환에 따라 발생하는 대류열, 공작기계 주변의 주위 열 등에 의해 열변형이 발생할 수 있다. 이러한 열변형에 의해 상기 공작기계를 구성하는 부품의 치수가 변형되어 공작물의 가공 치수가 변동될 수 있다.When machining the work piece 80 by the machine tool 10 for a long time, the cutting heat generated by friction between the tool and the work piece, the main axis friction heat generated by the high-speed rotation of the main axis, and the repetitive transfer of the feed system Thermal deformation may occur due to frictional heat generated according to the result, convective heat generated by circulation of cutting oil, and ambient heat around the machine tool. Due to such thermal deformation, dimensions of parts constituting the machine tool may be deformed, so that the machining dimensions of the workpiece may be varied.

이하에서는, 이러한 열변형에 따른 가공오차를 최소화하기 위한 공작기계의 열변위 보정 시스템에 대하여 설명하기로 한다.Hereinafter, a system for compensating a thermal displacement of a machine tool for minimizing processing errors due to such thermal deformation will be described.

도 2는 예시적인 실시예들에 따른 공작기계의 열변위 보정 시스템을 나타내는 블록도이다. 도 3은 도 2의 열변위 보정 시스템의 열변위 보정량 산출 장치의 개별 신경망 회로를 나타내는 도면이다. 도 4는 도 2의 열변위 보정량 산출 장치의 다중 연산 모듈을 나타내는 블록도이다.Fig. 2 is a block diagram showing a system for correcting thermal displacement of a machine tool according to exemplary embodiments. FIG. 3 is a diagram illustrating an individual neural network circuit of a device for calculating a thermal displacement correction amount of the thermal displacement correction system of FIG. 2. FIG. 4 is a block diagram illustrating a multiple calculation module of the apparatus for calculating a thermal displacement correction amount of FIG.

도 2 내지 도 4를 참조하면, 공작기계의 열변위 보정 시스템은 공작기계의 열변위 보정량을 산출하는 데 필요한 온도 데이터를 제공하기 위한 온도 검출 장치(100), 상기 온도 데이터에 대하여 기 학습된 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출하기 위한 열변위 보정량 산출 장치(200) 및 상기 산출된 열변위 보정량을 반영하여 공작물을 가공하기 위한 공작기계 제어 장치(300)를 포함할 수 있다. 상기 공작기계의 열변위 보정 시스템은 상기 가공된 공작물의 실제 치수를 측정하기 위한 가공 치수 측정 장치(110)를 더 포함할 수 있다. 또한, 상기 열변위 보정 시스템은 사용자가 가공 모드를 선택하여 입력하기 위한 가공 모드 선택부(120)를 더 포함할 수 있다.2 to 4, a thermal displacement correction system of a machine tool includes a temperature detection device 100 for providing temperature data required to calculate a thermal displacement correction amount of a machine tool, and a machine previously learned about the temperature data. A thermal displacement correction amount calculation device 200 for calculating a thermal displacement correction amount by performing a running algorithm, and a machine tool control device 300 for processing a workpiece by reflecting the calculated thermal displacement correction amount. The thermal displacement correction system of the machine tool may further include a processing dimension measuring device 110 for measuring the actual dimension of the processed workpiece. In addition, the thermal displacement correction system may further include a processing mode selection unit 120 for a user to select and input a processing mode.

온도 검출 장치(100)는 공작기계의 온도 데이터를 수집할 수 있다. 온도 검출 장치(100)는 상기 공작기계에 설치된 복수 개의 온도 센서들을 포함할 수 있다. 예를 들면, 온도 검출 장치(100)는 스핀들, 공구대, 베드, 외부 온도, 절삭유 온도를 검출하고 온도 검출값들을 열변위 보정량 산출 장치(200)에 제공할 수 있다.The temperature detection device 100 may collect temperature data of a machine tool. The temperature detection device 100 may include a plurality of temperature sensors installed on the machine tool. For example, the temperature detection device 100 may detect a spindle, a tool rest, a bed, an external temperature, and a coolant temperature, and provide temperature detection values to the thermal displacement correction amount calculation device 200.

가공 치수 측정 장치(110)는 가공의 완료된 공작물의 실제 치수를 측정하고 치수 측정값을 열변위 보정량 산출 장치(200)에 제공할 수 있다. 가공 치수 측정 장치(110)는 고객 중요 관리 치수(내경, 외경, 길이)의 측정값을 제공할 수 있다.The machined dimension measuring device 110 may measure an actual dimension of the finished workpiece and provide the dimension measurement value to the thermal displacement correction amount calculating device 200. The machined dimension measuring device 110 may provide a measurement value of customer important management dimensions (inner diameter, outer diameter, length).

가공 모드 선택부(120)는 사용자에 의해 선택된 가공 모드를 열변위 보정량 산출 장치(200)에 제공할 수 있다. 상기 가공 모드는 건식 모드, 절삭유 모드, 선삭 모드, 밀링 모드, 환경 모드 등을 포함할 수 있다. 상기 건식 모드와 상기 절삭유 모드는 절삭유의 유무에 따른 가공 조건에 따라 선택될 수 있다. 상기 환경 모드는 외부의 온도 범위에 따라 복수 개의 세부 환경 모드들로 구분될 수 있다. 또한, 상기 가공 모드는 상기 모드들 중에서 선택된 적어도 2개의 모드들로 구성된 다중 모드를 포함할 수 있다. 예를 들면, 상기 건식 모드, 상기 선삭 모드 및 상기 환경 모드가 함께 선택되어 하나의 다중 모드를 구성할 수 있다.The processing mode selection unit 120 may provide the processing mode selected by the user to the thermal displacement correction amount calculating device 200. The processing mode may include a dry mode, a coolant mode, a turning mode, a milling mode, an environmental mode, and the like. The dry mode and the coolant mode may be selected according to processing conditions according to the presence or absence of coolant. The environmental mode may be divided into a plurality of detailed environmental modes according to an external temperature range. In addition, the processing mode may include a multi-mode composed of at least two modes selected from among the modes. For example, the dry mode, the turning mode, and the environment mode may be selected together to form one multiple mode.

열변위 보정량 산출 장치(200)는 데이터 수신부(210), 산출부(220), 출력부(230) 및 저장부(240)를 포함할 수 있다.The thermal displacement correction amount calculating device 200 may include a data receiving unit 210, a calculating unit 220, an output unit 230, and a storage unit 240.

데이터 수신부(210)는 온도 데이터 검출 장치(100)로부터 상기 공작기계의 온도 데이터를 수신할 수 있다. 데이터 수신부(210)는 스핀들의 측정 온도, 공구대의 측정 온도, 베드의 측정 온도, 외부 측정 온도, 절삭유 측정 온도에 대한 측정 데이터를 수신할 수 있다. 또한, 데이터 수신부(210)는 가공 치수 측정 장치(110)로부터 공작물의 치수 측정 데이터를 수신할 수 있다. 데이터 수신부(210)는 가공이 완료된 공작물의 내경, 외경, 길이에 대한 측정 데이터를 수신할 수 있다. 또한, 데이터 수신부(210)는 가공 모드 선택부(120)로부터 가공 환경에 따른 가공 모드에 대한 데이터를 수신할 수 있다.The data receiver 210 may receive temperature data of the machine tool from the temperature data detection device 100. The data receiving unit 210 may receive measurement data on a measurement temperature of a spindle, a measurement temperature of a tool holder, a measurement temperature of a bed, an external measurement temperature, and a cutting oil measurement temperature. In addition, the data receiving unit 210 may receive dimension measurement data of the workpiece from the machined dimension measurement device 110. The data receiving unit 210 may receive measurement data on an inner diameter, an outer diameter, and a length of a workpiece that has been processed. In addition, the data receiving unit 210 may receive data on a processing mode according to a processing environment from the processing mode selection unit 120.

데이터 수신부(210)는 상기 공작기계의 온도 데이터의 노이즈를 제거하기 위한 제1 데이터 필터부 및 상기 공작물의 치수 측정 데이터의 노이즈를 제거하기 위한 제2 데이터 필터부를 포함할 수 있다. 산출부(220)는 상기 수신된 온도 데이터를 기초로 하여 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출할 수 있다. 상기 머신 러닝 알고리즘은 신경망 알고리즘을 포함할 수 있다. 산출부(220)는 기 학습된 신경망 알고리즘을 수행하여 열변위 보정량을 산출하는 신경망 회로를 포함할 수 있다.The data receiving unit 210 may include a first data filter unit to remove noise from temperature data of the machine tool and a second data filter unit to remove noise from dimension measurement data of the work piece. The calculation unit 220 may calculate a thermal displacement correction amount by performing a machine learning algorithm based on the received temperature data. The machine learning algorithm may include a neural network algorithm. The calculation unit 220 may include a neural network circuit that calculates a thermal displacement correction amount by performing a previously learned neural network algorithm.

도 3에 도시된 바와 같이, 상기 신경망 회로는 다층 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)을 갖는 다층 퍼셉트론(Multi Layer Perceptron) 구조를 가질 수 있다. 뉴런들이 각 층들에 배열되고, 각 층의 뉴런들은 연결 가중치(Weight1, Weight2)에 의해 연결될 수 있다. 즉, 입력 데이터가 상기 입력층의 뉴런들에 입력되고, 상기 은닉층을 통해 상기 출력층으로 전달될 수 있다. 상기 온도 데이터가 상기 신경망 회로의 입력층에 입력되면, 출력값으로 열변위 보정량이 출력될 수 있다.As shown in FIG. 3, the neural network circuit may have a multilayer perceptron structure having a multilayer input layer, a hidden layer, and an output layer. Neurons are arranged in each layer, and neurons of each layer may be connected by connection weights (Weight1, Weight2). That is, input data may be input to neurons of the input layer and transmitted to the output layer through the hidden layer. When the temperature data is input to the input layer of the neural network circuit, a thermal displacement correction amount may be output as an output value.

상기 신경망 알고리즘에서의 학습은 특정 입력(실제 측정 데이터)에 따른 신경망 알고리즘에 의해 도출되는 출력값과 기대값의 오차가 최소화되도록 각 노드 간 가중치를 조정하는 과정일 수 있다. 예를 들면, 상기 신경망 회로의 신경망 알고리즘은 역전파(back propagation) 학습 방법에 의해 학습될 수 있다.Learning in the neural network algorithm may be a process of adjusting weights between nodes so that an error between an output value derived by a neural network algorithm and an expected value according to a specific input (actual measurement data) is minimized. For example, the neural network algorithm of the neural network circuit may be learned by a back propagation learning method.

예시적인 실시예들에 있어서, 상기 신경망 알고리즘에서의 학습에 있어서, 기 학습된(기 설정된) 신경망 알고리즘에 따른 열변위 보정량과 상기 열변위 보정량에 따른 가공이 수행된 실제 가공물의 측정값의 오차가 최소화하는 파라미터(weight factor, bias)를 산출할 수 있다. 즉, 오차 역전파법은 온도 데이터가 입력되었을 때의 출력값인 열변위 보정값과 실제 가공품의 측정값 사이의 치수 오차를 작게 하도록 반복함으로써 예측값과 실제값의 차이를 최소화하는 각각의 가중치(weight factor)와 바이어스(bias)를 찾는 학습 방법일 수 있다. In example embodiments, in the learning in the neural network algorithm, an error between a thermal displacement correction amount according to a previously learned (pre-set) neural network algorithm and a measured value of an actual workpiece processed according to the thermal displacement correction amount is A parameter (weight factor, bias) to be minimized can be calculated. In other words, the error backpropagation method is a weight factor that minimizes the difference between the predicted value and the actual value by repeating to reduce the dimensional error between the thermal displacement correction value, which is the output value when temperature data is input, and the measured value of the actual processed product. And may be a learning method to find a bias.

따라서, 산출부(220)의 상기 신경망 회로는 사전 수집된 데이터를 이용하여 입력층, 은닉층, 출력층을 연결하고 있는 가중치를 조절하여 예측 모델로서 신경망 알고리즘을 수립할 수 있다.Accordingly, the neural network circuit of the calculation unit 220 may establish a neural network algorithm as a prediction model by adjusting weights connecting the input layer, the hidden layer, and the output layer using pre-collected data.

출력부(230)는 상기 산출된 열변위 보정량을 공작기계의 제어 장치(300)에 출력할 수 있다. 예를 들면, 공작기계의 제어 장치(300)는 수치제어장치(NC)를 포함할 수 있다. 일 실시예에 있어서, 열변위 보정량 산출 장치(200)는 수치제어장치(NC) 내에 일부로서 구비될 수 있다.The output unit 230 may output the calculated amount of thermal displacement correction to the control device 300 of the machine tool. For example, the control device 300 of the machine tool may include a numerical control device (NC). In one embodiment, the thermal displacement correction amount calculating device 200 may be provided as part of the numerical control device NC.

공작기계의 제어 장치(300)는 상기 산출된 열변위 보정량을 반영하여 공작물을 가공하도록 공작기계의 각 유닛들을 제어할 수 있다.The machine tool control device 300 may control each unit of the machine tool to process the work piece by reflecting the calculated thermal displacement correction amount.

저장부(240)는 상기 열변위 보정량을 산출하기 위한 데이터를 저장할 수 있다. 예를 들면, 저장부(240)는 상기 예측 모델을 위한 학습, 상기 머신 러닝 알고리즘 수행 등과 같은 연산을 위한 데이터를 저장할 수 있다.The storage unit 240 may store data for calculating the thermal displacement correction amount. For example, the storage unit 240 may store data for operations such as learning for the prediction model and performing the machine learning algorithm.

예시적인 실시예들에 있어서, 도 4에 도시된 바와 같이, 산출부(220)는 가공 모드들에 따른 연산 모듈들(222a, 222b, 222c, …, 222n)을 갖는 다중 연산 모듈을 포함할 수 있다. 상기 연산 모듈들 각각은 가공 모드별 열적 특성을 반영하도록 학습된 신경망 알고리즘을 수행하는 신경망 회로를 포함할 수 있다.In example embodiments, as shown in FIG. 4, the calculation unit 220 may include a multiple calculation module having calculation modules 222a, 222b, 222c, ..., 222n according to processing modes. have. Each of the calculation modules may include a neural network circuit that performs a learned neural network algorithm to reflect thermal characteristics of each processing mode.

이하에서는, 도 2의 공작기계의 열변위 보정 시스템을 이용하여 공작물을 가공하는 방법에 대하여 설명하기로 한다.Hereinafter, a method of processing a workpiece using the thermal displacement correction system of the machine tool of FIG. 2 will be described.

도 5는 예시적인 실시예들에 따른 공작기계의 열변위 보정 방법을 나타내는 순서도이다. 도 6은 도 5의 공작기계의 열변위 보정 방법에서 머신 러닝 알고리즘의 학습 방법을 나타내는 순서도이다.5 is a flow chart illustrating a method for correcting thermal displacement of a machine tool according to exemplary embodiments. 6 is a flowchart illustrating a learning method of a machine learning algorithm in the method of correcting thermal displacement of a machine tool of FIG. 5.

도 1 내지 도 6을 참조하면, 먼저, 공작기계(10)의 온도 데이터를 수신하고(S100), 상기 온도 데이터에 대하여 기 학습된 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출한다(S200).1 to 6, first, temperature data of the machine tool 10 is received (S100), and a pre-learned machine learning algorithm is performed on the temperature data to calculate a thermal displacement correction amount (S200).

예시적인 실시예들에 있어서, 공작기계(10)에 설치된 복수 개의 온도 센서들을 이용하여 공작기계(10)의 온도 데이터를 수집할 수 있다. 예를 들면, 상기 온도 데이터는 스핀들의 측정 온도, 공구대의 측정 온도, 베드의 측정 온도, 외부 측정 온도, 절삭유 측정 온도에 대한 측정 데이터를 포함할 수 있다.In example embodiments, temperature data of the machine tool 10 may be collected using a plurality of temperature sensors installed in the machine tool 10. For example, the temperature data may include measurement data on a measurement temperature of a spindle, a measurement temperature of a tool rest, a measurement temperature of a bed, an external measurement temperature, and a cutting oil measurement temperature.

예시적인 실시예들에 있어서, 상기 수신된 온도 데이터를 기초로 하여 기 학습된 신경망 알고리즘을 수행하여 열변위 보정량을 산출할 수 있다. 열변위 보정량 산출 장치(200)는 상기 온도 데이터를 상기 신경망 알고리즘의 입력값으로 사용하여 상기 열변위 보정량을 상기 신경망 알고리즘의 출력값으로 출력할 수 있다.In example embodiments, a thermal displacement correction amount may be calculated by performing a pre-learned neural network algorithm based on the received temperature data. The thermal displacement correction amount calculation apparatus 200 may use the temperature data as an input value of the neural network algorithm and output the thermal displacement correction amount as an output value of the neural network algorithm.

이어서, 상기 산출된 열변위 보정량에 기초하여 공작물의 가공을 수행할 수 있다.Subsequently, the workpiece may be processed based on the calculated thermal displacement correction amount.

예시적인 실시예들에 있어서, 수치제어장치(NC)는 상기 산출된 열변위 보정량을 반영하여 공작물을 가공하도록 공작기계(10)의 각 유닛들을 제어할 수 있다. 수치제어장치(NC)는 상기 산출된 열변위 보정값에 따라 공작기계(10)의 열변위 보정을 수행할 수 있다. 예를 들면, 스핀들이 특정 축 방향으로 이동할 때 주축 스핀들의 산출된 열변위 보정값만큼 위치 보상을 할 수 있다.In example embodiments, the numerical control device NC may control each unit of the machine tool 10 to process the work piece by reflecting the calculated thermal displacement correction amount. The numerical control device NC may perform thermal displacement correction of the machine tool 10 according to the calculated thermal displacement correction value. For example, when the spindle moves in a specific axial direction, position compensation may be performed by the calculated thermal displacement correction value of the main spindle.

예시적인 실시예들에 있어서, 상기 가공된 공작물의 실제 치수 데이터를 실시간으로 신경망 연산 모듈에 반영할 수 있다. 구체적으로, 가공 치수 측정 장치(110)를 통해 획득한 실제 측정값을 기초로 하여 상기 신경망 알고리즘을 학습시킬 수 있다.In example embodiments, the actual dimension data of the processed workpiece may be reflected in a neural network operation module in real time. Specifically, the neural network algorithm may be trained on the basis of an actual measurement value obtained through the processing dimension measuring apparatus 110.

이하에서는, 도 6을 참조로 하여 상기 신경망 알고리즘의 학습 방법에 대하여 설명하기로 한다.Hereinafter, a method of learning the neural network algorithm will be described with reference to FIG. 6.

도 5을 참조하면, 기 학습된 알고리즘에 의해 획득한 상기 열변위 보정량에 따라 공작물을 가공하고(S200), 상기 가공된 공작물의 실제 치수를 측정한다(S210).Referring to FIG. 5, a workpiece is machined according to the thermal displacement correction amount obtained by a previously learned algorithm (S200), and an actual dimension of the machined workpiece is measured (S210).

예시적인 실시예들에 있어서, 단계 S120에 설명한 바와 같이 상기 산출된 열변위 보정량을 반영하여 공작물을 가공한 후, 가공 치수 측정 장치(110)를 통해 상기 가공된 공작물의 실제 치수를 측정할 수 있다. 가공 치수 측정 장치(110)를 통해 고객 중요 관리 치수(내경, 외경, 길이)의 측정값을 획득할 수 있다.In exemplary embodiments, after processing the workpiece by reflecting the calculated thermal displacement correction amount as described in step S120, the actual dimensions of the processed workpiece may be measured through the processing dimension measuring device 110. . Through the processing dimension measuring device 110, it is possible to obtain a measurement value of customer important management dimensions (inner diameter, outer diameter, length).

이어서, 상기 기 학습된 머신 러닝 알고리즘에 따른 상기 열변위 보정값과 상기 실제 측정값 사이의 치수 오차를 산출하고(S230), 상기 치수 오차가 최소화되도록 상기 머신 러닝 알고리즘을 학습시킬 수 있다(S240). 상기 머신 러닝 알고리즘의 학습을 통해 보정 파라미터를 산출하고 상기 머신 러닝 알고리즘을 상기 산출된 파라미터로 갱신시킬 수 있다(S250).Subsequently, a dimensional error between the thermal displacement correction value and the actual measured value according to the previously learned machine learning algorithm is calculated (S230), and the machine learning algorithm may be trained to minimize the dimensional error (S240). . A correction parameter may be calculated through learning of the machine learning algorithm, and the machine learning algorithm may be updated with the calculated parameter (S250).

예시적인 실시예들에 있어서, 먼저, 실제 가공 후 노이즈나 제어의 이상적 발현, 척킹 불량 등 장비의 비정상적인 작동으로 인해 발생되는 치수 편차가 많은 데이터들을 제거하는 필터링할 수 있다.In example embodiments, first, data having a large dimensional deviation caused by an abnormal operation of the equipment, such as noise, ideal expression of control, and chucking defects after actual processing may be removed.

열변위 보정량 산출 장치(200)는 상기 필터링된 실제 공작물의 측정값과 기 설정된 신경망 알고리즘에 의해 산출된 보정값(열변위 보정량)과의 치수 오차를 산출하고, 상기 치수 오차가 최소화되도록 상기 머신 러닝 알고리즘을 학습시킬 수 있다.The thermal displacement correction amount calculation device 200 calculates a dimensional error between the filtered measurement value of the actual workpiece and a correction value (thermal displacement correction amount) calculated by a preset neural network algorithm, and the machine learning to minimize the dimensional error. You can train the algorithm.

예를 들면, 상기 보정값과 공작물의 실제 열변위 치수 차이를 최소화하도록 오차 역전파법에 의한 학습 훈련을 통해 상기 오차를 최소화하는 파라미터(weight factor, bias)를 산출할 수 있다. 상기 오차 역전파법에 따른 학습 방법을 통해, 각각의 온도 데이터가 입력되었을 때의 출력값인 열변위 보정값과 실제 가공된 공작물의 측정값과의 치수 오차를 작게 하도록 반복함으로써 예측값과 실제값의 차이를 최소화하는 각각의 가중치(weight factor)와 바이어스(bias)를 찾을 수 있다.For example, in order to minimize the difference between the correction value and the actual thermal displacement dimension of the workpiece, a weight factor (bias) for minimizing the error may be calculated through learning training using an error backpropagation method. Through the learning method according to the error backpropagation method, the difference between the predicted value and the actual value is reduced by repeating to reduce the dimensional error between the thermal displacement correction value that is the output value when each temperature data is input and the measured value of the processed workpiece. You can find each weight factor and bias to minimize.

상기 보정 파라미터는 각각의 가중치와 바이어스로 정의될 수 있으며, 최후의 파라미터가 갱신되어 다음의 열변위 보정에 적용될 수 있다.The correction parameter may be defined by each weight and bias, and the last parameter may be updated and applied to the next thermal displacement correction.

상술한 바와 같이, 공작기계의 온도 측정 데이터에 대하여 신경망 알고리즘을 수행하여 열변위 보정량을 산출하고, 상기 산출된 열변위 보정량에 기초하여 공작기계의 열변위 보정을 수행할 수 있다. 또한, 상기 가공된 공작물의 실제 치수 데이터를 기초로 하여 실시간으로 신경망 알고리즘을 학습하여 새롭게 학습된 알고리즘을 다음 가공에서의 열변위 보정에 적용할 수 있다.As described above, a neural network algorithm is performed on the temperature measurement data of the machine tool to calculate a thermal displacement correction amount, and the thermal displacement correction of the machine tool may be performed based on the calculated thermal displacement correction amount. In addition, by learning a neural network algorithm in real time based on the actual dimension data of the processed workpiece, the newly learned algorithm may be applied to the thermal displacement correction in the next machining.

따라서, 실시간으로 최적의 열변위 파라미터를 산출함으로써 각 장비의 가공 조건과 환경에 맞는 최적 파라미터를 도출하여 열변위를 최소화할 수 있다. 또한, 신경망을 이용하여 해당 장비의 가공 조건과 환경에 맞는 최적의 파라미터를 도출하여 열변위를 보정하므로 열변위 보정을 위한 시간과 비용을 감소시킬 수 있다.Therefore, by calculating the optimal thermal displacement parameter in real time, the thermal displacement can be minimized by deriving the optimum parameter suitable for the processing conditions and environment of each equipment. In addition, since the thermal displacement is corrected by deriving the optimum parameter for the processing condition and environment of the corresponding equipment using a neural network, time and cost for the thermal displacement correction can be reduced.

도 7은 예시적인 실시예들에 따른 공작기계의 열변위 보정 방법을 나타내는 순서도이다. 상기 공작기계의 열변위 보정 방법은 사용자가 선택한 가공 모드에 따른 열변위 보정량 산출 단계를 제외하고는 도 5의 열변위 보정 방법과 실질적으로 동일하다. 이에 따라, 동일한 구성요소들에 대한 반복 설명은 생략한다.7 is a flow chart illustrating a method for correcting thermal displacement of a machine tool according to exemplary embodiments. The thermal displacement correction method of the machine tool is substantially the same as the thermal displacement correction method of FIG. 5 except for the step of calculating the thermal displacement correction amount according to the processing mode selected by the user. Accordingly, repeated descriptions of the same components are omitted.

도 7을 참조하면, 먼저, 사용자에 의해 선택된 가공 모드를 수신하고(S300), 공작기계(10)의 온도 데이터를 수신할 수 있다(S310).Referring to FIG. 7, first, a processing mode selected by a user may be received (S300), and temperature data of the machine tool 10 may be received (S310).

예시적인 실시예들에 있어서, 가공 모드 선택부(120)를 통해 사용자가 선택한 가공 모드에 대한 데이터를 수신할 수 있다. 예를 들면, 상기 가공 모드는 건식 모드, 절삭유 모드, 선삭 모드, 밀링 모드, 환경 모드 등을 포함할 수 있다. 상기 가공 모드는 상기 모드들 중에서 선택된 적어도 2개의 모드들로 구성된 다중 모드를 포함할 수 있다. 예를 들면, 상기 건식 모드, 상기 선삭 모드 및 상기 환경 모드가 함께 선택되어 하나의 다중 모드를 구성할 수 있다.In example embodiments, data on a processing mode selected by a user may be received through the processing mode selection unit 120. For example, the processing mode may include a dry mode, a coolant mode, a turning mode, a milling mode, an environmental mode, and the like. The processing mode may include a multi-mode composed of at least two modes selected from among the modes. For example, the dry mode, the turning mode, and the environment mode may be selected together to form one multiple mode.

이어서, 상기 선택된 가공 모드에 따른 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출한 후(S320), 상기 산출된 열변위 보정량에 기초하여 공작물의 가공을 수행할 수 있다.Subsequently, after calculating a thermal displacement correction amount by performing a machine learning algorithm according to the selected processing mode (S320), processing of the workpiece may be performed based on the calculated thermal displacement correction amount.

예시적인 실시예들에 있어서, 열변위 보정량 산출 장치(200)는 상기 가공 모드들에 따른 복수 개의 연산 모듈들을 포함하고, 상기 연산 모듈은 해당 가공 모드별 열적 특성을 반영하도록 학습된 신경망 알고리즘을 수행하는 신경망 회로를 포함할 수 있다. 따라서, 상기 선택된 상기 가공 모드의 가공 조건에 최적화된 열보정 파라미터 산출 알고리즘을 수행하여 열변위 보정량의 오차를 최소화 할 수 있다.In example embodiments, the apparatus 200 for calculating a thermal displacement correction amount includes a plurality of calculation modules according to the processing modes, and the calculation module performs a learned neural network algorithm to reflect thermal characteristics for each processing mode. It may include a neural network circuit. Accordingly, an error in the amount of thermal displacement correction can be minimized by performing an algorithm for calculating a thermal correction parameter optimized for the processing conditions of the selected processing mode.

상술한 바와 같이, 모든 가공 조건에 대한 최적 파라미터의 제한성을 극복하기 위하여 가공 모드별로 여러 개의 연산 모듈들을 구성하여 사용자가 수행하고자 하는 특정 가공 모드에 대한 최적 파라미터를 산출하여 열변위량을 최소화할 수 있다.As described above, in order to overcome the limitation of optimal parameters for all processing conditions, several calculation modules are configured for each processing mode to calculate the optimal parameters for a specific processing mode that a user wants to perform, thereby minimizing the amount of thermal displacement. .

공작기계의 정밀도는 절삭유의 유무, 밀링 가공 특성, 외부의 온도 환경에 따른 열변위 거동에 의해 영향을 받을 수 있다. 이러한 가공 조건들을 반영하여 복수 개의 가공 모드들로 구분하고 사용자가 원하는 가공 모드에 따른 뉴럴 네트워크 기반의 열변위 보정을 수행함으로써 보다 높은 정밀도를 확보할 수 있다.The precision of a machine tool can be affected by the presence or absence of cutting oil, milling processing characteristics, and thermal displacement behavior according to the external temperature environment. Higher precision can be secured by dividing into a plurality of processing modes by reflecting these processing conditions and performing neural network-based thermal displacement correction according to the processing mode desired by the user.

이상에서는 본 발명의 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to embodiments of the present invention, those skilled in the art will be able to variously modify and change the present invention without departing from the spirit and scope of the present invention described in the following claims. You will understand that you can.

10: 공작기계 20: 베드
30: 주축대 40: 이송계
50: 가이드 레일 60: 공구대
70: 공구 80: 공작물
100: 온도 검출 장치 110: 가공 치수 측정 장치
120: 가공 모드 선택부 200: 열변위 보정량 산출 장치
210: 데이터 수신부 220: 산출부
230: 출력부 240: 저장부
300: 공작기계의 제어 장치10: machine tool 20: bed
30: headstock 40: feed system
50: guide rail 60: tool rest
70: tool 80: workpiece
100: temperature detection device 110: processing dimension measuring device
120: processing mode selection unit 200: thermal displacement correction amount calculation device
210: data receiving unit 220: calculating unit
230: output unit 240: storage unit
300: machine tool control device

Claims (13)

공작기계의 열변위 보정량을 산출하는 데 필요한 온도 데이터를 획득하고;
상기 온도 데이터에 대하여 기 학습된 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출하고; 그리고
상기 산출된 열변위 보정량에 기초하여 공작물의 가공을 수행하는 것을 포함하는 공작기계의 열변위 보정 방법.Acquiring temperature data required to calculate a thermal displacement correction amount of the machine tool;
Calculating a thermal displacement correction amount by performing a previously learned machine learning algorithm on the temperature data; And
A method for correcting thermal displacement of a machine tool, comprising processing a workpiece based on the calculated thermal displacement correction amount. 제 1 항에 있어서, 상기 머신 러닝 알고리즘을 수행하는 것은
기 학습된 신경망 알고리즘의 입력값으로 상기 온도 데이터를 입력시키고; 그리고
상기 신경망 알고리즘의 출력값으로 상기 열변위 보정량을 출력시키는 것을 포함하는 공작기계의 열변위 보정 방법.The method of claim 1, wherein performing the machine learning algorithm
Inputting the temperature data as an input value of a previously learned neural network algorithm; And
The thermal displacement correction method of a machine tool comprising outputting the thermal displacement correction amount as an output value of the neural network algorithm. 제 1 항에 있어서, 상기 온도 데이터는 스핀들의 측정 온도, 공구대의 측정 온도, 베드의 측정 온도, 외부 측정 온도 및 절삭유 측정 온도 중 적어도 어느 하나에 대한 측정 데이터를 포함하는 공작기계의 열변위 보정 방법.The method of claim 1, wherein the temperature data includes measurement data for at least one of a spindle measurement temperature, a tool holder measurement temperature, a bed measurement temperature, an external measurement temperature, and a cutting oil measurement temperature. . 제 1 항에 있어서, 상기 공작물의 가공을 수행하는 것은 상기 산출된 열변위 보정값에 따라 상기 공작기계의 열변위 보정을 수행하는 것을 포함하는 공작기계의 열변위 보정 방법.The method of claim 1, wherein the processing of the workpiece comprises performing thermal displacement correction of the machine tool according to the calculated thermal displacement correction value. 제 1 항에 있어서,
상기 가공된 공작물의 실제 치수를 측정하고;
상기 기 학습된 머신 러닝 알고리즘에 따른 상기 열변위 보정값과 상기 실제 측정값 사이의 치수 오차를 산출하고; 그리고
상기 치수 오차가 최소화되도록 상기 머신 러닝 알고리즘을 학습시키는 것을 더 포함하는 공작기계의 열변위 보정 방법.The method of claim 1,
Measuring the actual dimensions of the processed workpiece;
Calculating a dimensional error between the thermal displacement correction value and the actual measured value according to the previously learned machine learning algorithm; And
The thermal displacement correction method of a machine tool further comprising learning the machine learning algorithm to minimize the dimensional error. 제 5 항에 있어서, 상기 머신 러닝 알고리즘을 학습시키는 것은 신경망 알고리즘의 입력값으로 상기 온도 데이터가 입력되었을 때 출력값인 상기 열변위 보정값과 상기 실제 측정값의 오차를 최소화시키는 파라미터를 산출하는 것을 포함하는 공작기계의 열변위 보정 방법.The method of claim 5, wherein training the machine learning algorithm comprises calculating a parameter that minimizes an error between the thermal displacement correction value and the actual measured value, which is an output value when the temperature data is input as an input value of a neural network algorithm. How to correct thermal displacement of machine tools. 제 6 항에 있어서,
상기 신경망 알고리즘을 상기 산출된 파라미터로 갱신하는 것을 더 포함하는 공작기계의 열변위 보정 방법.The method of claim 6,
The thermal displacement correction method of a machine tool further comprising updating the neural network algorithm with the calculated parameter. 제 1 항에 있어서,
사용자에 의해 선택된 가공 모드를 수신하는 것을 더 포함하고,
상기 머신 러닝 알고리즘을 수행하는 것은 상기 선택된 가공 모드에 따른 가공 조건을 반영하도록 학습된 머신러닝 알고리즘을 수행하는 것을 포함하는 공작기계의 열변위 보정 방법.The method of claim 1,
Further comprising receiving the processing mode selected by the user,
The performing of the machine learning algorithm includes performing a machine learning algorithm learned to reflect a machining condition according to the selected machining mode. 제 8 항에 있어서, 상기 가공 모드는 건식 모드, 절삭유 모드, 선삭 모드, 밀링 모드 및 환경 모드 중에서 선택된 적어도 2개의 모드들로 구성된 다중 모드를 포함하는 공작기계의 열변위 보정 방법.The method of claim 8, wherein the machining mode comprises a multiple mode consisting of at least two modes selected from a dry mode, a coolant mode, a turning mode, a milling mode, and an environmental mode. 공작기계의 열변위 보정량을 산출하는 데 필요한 온도 데이터를 제공하기 위한 온도 검출 장치;
상기 온도 데이터에 대하여 기 학습된 머신 러닝 알고리즘을 수행하여 열변위 보정량을 산출하기 위한 열변위 보정량 산출 장치; 및
상기 산출된 열변위 보정량을 반영하여 공작물을 가공하기 위한 수치제어장치를 포함하는 공작기계의 열변위 보정 시스템.A temperature detection device for providing temperature data required to calculate a thermal displacement correction amount of a machine tool;
A thermal displacement correction amount calculating device for calculating a thermal displacement correction amount by performing a machine learning algorithm previously learned on the temperature data; And
Thermal displacement correction system of a machine tool comprising a numerical control device for processing a workpiece by reflecting the calculated thermal displacement correction amount. 제 10 항에 있어서, 상기 열변위 보정량 산출 장치는 상기 온도 데이터를 기 학습된 신경망 알고리즘의 입력값으로 사용하여 상기 열변위 보정량을 상기 신경망 알고리즘의 출력값으로 출력하는 공작기계의 열변위 보정 시스템.The system of claim 10, wherein the thermal displacement correction amount calculating device outputs the thermal displacement correction amount as an output value of the neural network algorithm by using the temperature data as an input value of a previously learned neural network algorithm. 제 10 항에 있어서, 상기 가공된 공작물의 실제 치수를 측정하기 위한 가공 치수 측정 장치를 더 포함하고,
상기 열변위 보정량 산출 장치는 상기 기 학습된 머신 러닝 알고리즘에 따른 상기 열변위 보정값과 상기 실제 측정값 사이의 치수 오차가 최소화되도록 상기 머신 러닝 알고리즘을 학습시키는 공작기계의 열변위 보정 시스템.The method of claim 10, further comprising a machined dimension measuring device for measuring an actual dimension of the machined workpiece,
The thermal displacement correction amount calculating device is a thermal displacement correction system of a machine tool that learns the machine learning algorithm to minimize a dimensional error between the thermal displacement correction value and the actual measured value according to the previously learned machine learning algorithm. 제 10 항에 있어서, 사용자에 의해 선택된 가공 모드를 입력하기 위한 가공 모드 선택부를 더 포함하고,
상기 열변위 보정량 산출 장치는 상기 선택된 가공 모드에 따른 가공 조건을 반영하도록 학습된 머신러닝 알고리즘을 수행하는 공작기계의 열변위 보정 시스템.The method of claim 10, further comprising a processing mode selection unit for inputting a processing mode selected by a user,
The thermal displacement correction amount calculating device is a thermal displacement correction system of a machine tool that performs a machine learning algorithm learned to reflect a processing condition according to the selected processing mode.
KR1020190056144A 2019-05-14 2019-05-14 Method and system for themal displacement compensation in machine tool KR20200131475A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190056144A KR20200131475A (en) 2019-05-14 2019-05-14 Method and system for themal displacement compensation in machine tool

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190056144A KR20200131475A (en) 2019-05-14 2019-05-14 Method and system for themal displacement compensation in machine tool

Publications (1)

Publication Number Publication Date
KR20200131475A true KR20200131475A (en) 2020-11-24

Family

ID=73679522

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190056144A KR20200131475A (en) 2019-05-14 2019-05-14 Method and system for themal displacement compensation in machine tool

Country Status (1)

Country Link
KR (1) KR20200131475A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023149765A1 (en) * 2022-02-07 2023-08-10 주식회사 디엔솔루션즈 Machine tool thermal displacement compensation device and compensation method therefor
WO2023238192A1 (en) * 2022-06-06 2023-12-14 ファナック株式会社 Thermal displacement correction device, and computer-readable recording medium in which program is recorded

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023149765A1 (en) * 2022-02-07 2023-08-10 주식회사 디엔솔루션즈 Machine tool thermal displacement compensation device and compensation method therefor
KR20230119360A (en) 2022-02-07 2023-08-16 주식회사 디엔솔루션즈 Thermal displacement compensation device of machine tool and method thereof
WO2023238192A1 (en) * 2022-06-06 2023-12-14 ファナック株式会社 Thermal displacement correction device, and computer-readable recording medium in which program is recorded

Similar Documents

Publication Publication Date Title
US11650565B2 (en) Machine learning device and thermal displacement compensation device
US6167634B1 (en) Measurement and compensation system for thermal errors in machine tools
CN109308048B (en) Machining machine system and manufacturing system
Ratchev et al. An advanced FEA based force induced error compensation strategy in milling
US5513113A (en) Method of and device for correcting position of cutting-edge of tool in numerically controlled machine tool
US6269284B1 (en) Real time machine tool error correction using global differential wet modeling
US11680916B2 (en) Machine learning device, control system, and machine learning method
KR20200131475A (en) Method and system for themal displacement compensation in machine tool
CN112904797A (en) Numerical controller and control method
WO2020217571A1 (en) Fluctuation amount estimation device in machine tool and correction amount calculation device
CN115398360A (en) Machine tool control and method for feature map-based error compensation on a machine tool
WO2017085768A1 (en) Tool path generating method
US11809155B2 (en) Morphic manufacturing
US6286055B1 (en) Error correction apparatus for NC machine tool
US20060191149A1 (en) On-machine automatic inspection of workpiece features using a lathe rotary table
Surkov Development of methods and means of coordinate measurements for linear and angular parameters of cutting instruments
CN106695451A (en) Machining device and control device and method for machined workpieces thereof
JP4469681B2 (en) Method for correcting machining errors of machine tools
Wang et al. Using error equivalence concept to automatically adjust discrete manufacturing processes for dimensional variation control
Sørby et al. High-accuracy turning with slender boring bars
Jasiewicz et al. Identification of a lathe spindle dynamics using extended inverse receptance coupling
JP7476497B2 (en) A support device for creating analytical models of machine tools
WO2020232041A1 (en) On-machine thread inspection apparatus and method
JP2004154907A (en) Thermal displacement correction method and device for multishaft machining tool
Freeman A novel means of software compensation for robots and machine tools

Legal Events

Date Code Title Description
E902 Notification of reason for refusal