CN109308051B

CN109308051B - 数值控制装置

Info

Publication number: CN109308051B
Application number: CN201810834018.XA
Authority: CN
Inventors: 支钞; 许渊铭
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-07-26
Filing date: 2018-07-26
Publication date: 2020-10-16
Anticipated expiration: 2038-07-26
Also published as: JP6538772B2; DE102018005858A1; CN109308051A; JP2019025552A; US20190033820A1

Abstract

本发明提供一种数值控制装置。修正机床的热位移量的推定值的数值控制装置具有：推定部，其具有学习与机床的温度有关的信息和与热位移有关的信息的相关关系的学习模型，从机床获取与温度有关的信息，并基于与度有关的信息和上述学习模型计算出热位移的推定值；修正条件获取部，其从机床获取定位信息；以及修正部，其基于定位信息修正热位移的推定值。

Description

数值控制装置

技术领域

本发明涉及一种数值控制装置，尤其涉及在通过机器学习进行机床的热位移修正的情况下，能够修正因机床的个体差异或经年产生的预测值的偏差的数值控制装置。

背景技术

机床对工件进行加工时产生的热，因此在机床各部产生热位移。例如由于主轴电动机的发热，在主轴或进给轴产生热位移。日本特开平06－008107号公报记载有一种数值控制装置，该数值控制装置对机床的温度与热位移的相关性进行基于神经网络的机器学习，并使用该学习模型预测动作中的机床中的热位移来修正动作。

然而，由于机床的个体差异或各部的经年劣化等，基于最初创建的学习模型的热位移的预测值与运转中的机床的实际的热位移量之间会产生差异。即，基于学习模型的预测精度可能降低。因此，以往，通过随时重新学习、或者进行追加学习来更新学习模型本身，并维持预测精度。

然而，为了更新学习模型，需要用于获取温度数据和热位移量并构建学习模型的时间和信息处理资源。这样的时间增加成为工厂的生产性降低的重要因素。另外，学习模型的构建处理需要大量的信息处理资源，因此在处理性能低的数值控制装置中难以实施该处理。

发明内容

本发明是为了解决这样的问题点而提出的，其目的在于提供一种在通过机器学习进行机床的热位移修正的情况下，能够修正因机床的个体差异、经年变化产生的预测值的偏差的数值控制装置。

本发明的一个实施方式所涉及的数值控制装置是修正机床的热位移量的推定值的数值控制装置，该数值控制装置具有：推定部，其具有学习与上述机床的温度有关的信息和与热位移有关的信息的相关关系的学习模型，从上述机床获取与温度有关的信息，并基于与上述温度有关的信息和上述学习模型计算出热位移的推定值；修正条件获取部，其从上述机床获取定位信息；以及修正部，其基于上述定位信息修正上述热位移的推定值。

本发明的一个实施方式所涉及的数值控制装置，上述修正部通过将从上述机床获取到的定位信息与定位信息的比较基准值的差值和上述热位移的推定值进行相加或者从上述热位移的推定值减去该差值来进行上述修正。

根据本发明，能够提供一种在通过机器学习进行机床的热位移修正的情况下，能够修正因机床的个体差异、经年变化产生的预测值的偏差的数值控制装置。

附图说明

通过参照附图的以下的实施例的说明，使本发明的上述以及其他目的和特征变得更加明确。

图1是表示数值控制装置的构成的框图。

图2是表示定位信息的获取方法的一个例子的图。

图3是表示数值控制装置的动作的流程图。

图4是表示信息处理装置的构成的框图。

图5是表示信息处理装置的构成的框图。

图6是表示信息处理装置的构成的框图。

图7A是对神经元进行说明的图。

图7B是对神经网络进行说明的图。

具体实施方式

使用附图对本发明的实施方式进行说明。

图1是表示本发明的实施方式所涉及的数值控制装置100的功能构成的框图。数值控制装置100通常是具有中央处理装置(CPU)、存储装置、输入输出装置等的计算机。CPU通过读出并执行储存于存储装置的程序，来逻辑性地实现后述的各处理部。数值控制装置100具有推定部110、修正条件获取部120、修正部130作为处理部。

推定部110使用通过信息处理装置200预先创建的学习模型，根据机床各部的温度推定热位移量。信息处理装置200既可以是数值控制装置100，也可以是数值控制装置100的外部的信息处理装置。将在后面描述信息处理装置200的学习模型的创建方法。推定部110在推定模式下使用信息处理装置200所具备的机器学习装置300，来获得基于机床的温度的热位移量的预测值。

修正条件获取部120获取机床各部的位移量。这里，修正条件获取部120获取的位移量并不是由伴随加工的热引起的，而是由机床的个体差异或经年劣化引起的。修正条件获取部120例如具有触摸探头。

触摸探头在预定的定时接触在工作台上预先决定的定位点，输出从机械坐标系观察到的定位点的坐标。修正条件获取部120获取该坐标作为通过学习模型推定出的热位移量的修正条件。

使用图2，进一步对定位点的获取进行说明。在机床的主轴的前端安装有触摸探头。触摸探头将接触点的坐标向外部输出。这里输出的坐标是从机械坐标系观察到的接触点的坐标。例如，机床在加工开始前通过触摸探头测定在工作台上等预先决定的基准点。

将该测定称为定位，将通过定位获取到的信息称为定位信息。通过定位获取到的坐标是加工开始前的坐标，所以不受伴随加工的热位移的影响。另一方面，基于定位的基准点的测定结果被表示为从机械坐标系观察到的坐标，所以可能受到例如机床的个体差异、经年劣化的影响变而化。在本实施方式中，修正条件获取部120获取通过定位测定的基准点的坐标作为用于修正机床的个体差异、经年劣化的影响的信息。

修正部130使用修正条件获取部120获取到的修正条件来修正推定部110的学习模型推定出的热位移量。即，修正部130不更新推定部110的学习模型本身，而修正基于学习模型的预测值，由此修正因机床的个体差异或经年变化产生的预测值的偏差。

这里，为了容易理解本发明，而对作为本发明的背景技术的信息处理装置200的学习模型的创建方法的一个例子进行说明。然后，对本发明的实施方式所涉及的数值控制装置100的动作更具体地进行说明。

图4是表示信息处理装置200的主要部分的概要性硬件构成图。CPU11是整体控制信息处理装置200的处理器。CPU11经由总线20读出储存于ROM12的***/程序，并根据该***/程序控制信息处理装置200整体。RAM13暂时储存暂时的计算数据、显示数据以及从外部输入的各种数据等。

非易失性存储器14构成为，例如通过未图示的蓄电池进行备份等，即使信息处理装置200的电源断开也保持存储状态的存储器。

将经由未图示的接口输入的各种程序、数据存储于非易失性存储器14。存储于非易失性存储器14的程序、数据也可以在执行时/利用时在RAM13中被展开。另外，在ROM12中预先写入各种***/程序。

温度测定装置60测量机床各部的温度。温度测定装置60例如是温度传感器、红外热成像仪(thermography)。信息处理装置200经由接口18从温度测定装置60接收温度数据(温度的测定值或红外热成像仪的输出图像等)，并传递给CPU11。

形状测定装置70测量机床各部的形状。形状测定装置70例如是测微仪(micrometer)、位移传感器。信息处理装置200经由接口19从形状测定装置70接收形状数据(机床的预定位置的长度、坐标值的位移量等)，并传递到CPU11。

接口21是用于连接信息处理装置200和机器学习装置300的接口。机器学习装置300具备控制机器学习装置300整体的处理器301、存储***/程序等的ROM302、用于进行机器学习的各处理中的暂时的存储的RAM303、以及用于学习模型等的存储的非易失性存储器304。机器学习装置300能够经由接口21观测能够由信息处理装置200获取的各信息(温度数据、形状数据等)。

图5是信息处理装置200和机器学习装置300的概要性功能框图。

机器学习装置300包括用于通过所谓的机器学习来自学针对机床的各部的温度数据的机床各部的形状数据的软件(学习算法等)以及硬件(处理器301等)。信息处理装置200所具备的机器学习装置300学习到的数据相当于表示温度数据与形状数据的相关性的模型构造。

如图5中功能模块所示，信息处理装置200所具备的机器学习装置300具备：状态观测部306，其观测温度数据作为表示环境的当前状态的状态变量S；判定数据获取部308，其获取形状数据作为判定数据D；以及学习部310，其使用状态变量S和判定数据D，将形状数据与温度数据关联起来进行学习。

状态观测部306例如能够构成为处理器301的一个功能。或者，状态观测部306例如能够构成为用于使处理器301发挥作用的存储于ROM302的软件。状态观测部306观测到的状态变量S即温度数据能够获取温度测定装置60输出的数据。温度测定装置60通常是红外热成像仪。红外热成像仪既可以输出从预先决定的1个方向拍摄到的图像数据，也可以输出使用机器人等从多个方向拍摄到的图像数据的集合。或者，温度测定装置60也可以是接触式或者非接触式温度计等。

判定数据获取部308例如能够构成为处理器301的一个功能。或者，判定数据获取部308例如能够构成为用于使处理器301发挥作用的存储于ROM302的软件。判定数据获取部308获取到的判定数据D即形状数据能够获取形状测定装置70输出的数据。形状测定装置70通常是测微仪。测微仪设定于机床的各部，例如每次加工时输出计测值(长度)。

学习部310例如能够构成为处理器301的一个功能。或者，学习部310例如能够构成为用于使处理器301发挥作用的存储于ROM302的软件。学习部310根据统称为机器学习的任意的学习算法，学习温度数据与形状数据的相关关系。学习部310能够反复执行基于包括上述的状态变量S和判定数据D的数据集合的学习。

通过反复进行这样的学***，则学习部310反复输出的学习结果能够用于对当前状态(温度数据)推定形状数据应该是怎样的。换句话说，学习部310能够随着学习算法的推进，使温度数据与形状数据的相关性逐渐地接近最佳解。

如上述那样，信息处理装置200所具备的机器学习装置300中，使用状态观测部306观测到的状态变量S和判定数据获取部308获取到的判定数据D，学习部310根据机器学习算法学习形状数据。状态变量S由难以受到干扰的影响的数据构成，另外，判定数据D被唯一求出。因此，根据信息处理装置200所具备的机器学习装置300，通过使用学习部310的学习结果，与运算、估算无关地，能够自动且准确地求出与温度数据对应的形状数据。

在具有上述构成的机器学习装置300中，学习部310执行的学习算法并不特别限定，能够采用公知的学习算法作为机器学习。图6是图5所示的信息处理装置200的一个方式，示出了具备执行监督学习的学习部310的构成作为学习算法的一个例子。监督学习是是如下的方法：通过预先大量地给予输入和与输入对应的输出的已知的数据集(称为监督数据)，并根据这些监督数据识别暗示输入与输出的相关性的特征，由此学习用于推定针对新的输入的所需要的输出(针对温度数据的形状数据)的相关性模型的方法。

在图6所示的信息处理装置200所具备的机器学习装置300中，学习部310具备：误差计算部311，其计算根据状态变量S导出形状数据的相关性模型M与根据预先准备的监督数据T识别出的相关性特征的误差E；以及模型更新部312，其更新相关性模型M以便缩小误差E。学习部310通过模型更新部312反复更新相关性模型M来学习温度数据与形状数据的相关关系。

相关性模型M能够通过回归分析、强化学习、深度学习等来构建。相关性模型M的初始值例如作为简化表示状态变量S与形状数据的相关性的数据，在监督学习的开始前提供给学习部310。监督数据T例如能够由通过记录过去的温度数据与形状数据的对应关系并积蓄的经验值(温度数据与形状数据的已知的数据集)构成，在监督学习的开始前提供给学习部310。误差计算部311根据提供给学习部310的大量的监督数据T识别暗示温度数据与形状数据的相关性的相关性特征，求出该相关性特征与当前状态中的状态变量S所对应的相关性模型M的误差E。模型更新部312例如根据预先决定的更新规则，向误差E变小的方向更新相关性模型M。

在下个学习周期中，误差计算部311使用按照更新后的相关性模型M执行工件的加工过程以及检查过程而得到的状态变量S以及判定数据D，来求出与这些状态变量S以及判定数据D对应的相关性模型M的误差E，由模型更新部312再次更新相关性模型M。这样，未知的环境的当前状态(温度数据)和与此对应的状态(形状数据)的相关性逐渐清楚。换句话说，通过相关性模型M的更新，温度数据与形状数据的关系逐渐地接近最佳解。

在推进上述的监督学习时，例如能够使用神经网络。图7A示意性地示出神经元的模型。图7B示意地示出组合图7A所示的神经元构成的三层神经网络的模型。神经网络例如能够由模拟神经元的模型的运算装置、存储装置等构成。

图7A所示的神经元输出针对多个输入x(这里，作为一个例子，输入x₁～输入x₃)的结果y。各输入x₁～x₃被乘以与该输入x对应的权重w(w₁～w₃)。由此，神经元输出由如下的公式1表示的输出y。此外，在公式1中，输入x、输出y以及权重w全部是向量。另外，θ是偏差，fk是激活函数。

【公式1】

图7B所示的三层神经网络从左侧输入多个输入x(这里，作为一个例子，输入x1～输入x3)，从右侧输出结果y(这里，作为一个例子，结果y1～结果y3)。在图示的例子中，输入x1、x2、x3分别被乘以对应的权重(统称由w1表示)，各个输入x1、x2、x3均被输入3个神经元N11、N12、N13。

在图7B中，将神经元N11～N13的各自的输出统称为z1。z1能够被视为提取出输入向量的特征量而得的特征向量。在图示的例子中，特征向量z1分别被乘以对应的权重(统称为W2)，各个特征向量z1均被输入到2个神经元N21、N22。特征向量z1表示权重W1与权重W2之间的特征。

在图7B中，将神经元N21～N22的各自的输出统称为z2。z2能够被视为提取出特征向量z1的特征量而得的特征向量。在图示的例子中，特征向量z2分别被乘以对应的权重(统称为W3)，各个特征向量z2均被输入到3个神经元N31、N32、N33。特征向量z2表示权重W2与权重W3之间的特征。最后，神经元N31～N33分别输出结果y1～y3。

在信息处理装置200所具备的机器学习装置300中，通过将状态变量S作为输入x，学习部310进行根据上述的神经网络的多层结构的运算，由此能够输出形状数据作为推定值(结果y)。此外，神经网络的动作模式有学习模式和判定模式，例如能够在学习模式下使用学习数据集来学习权重W，并使用学习到的权重W在判定模式下进行形状数据的判定。此外，在判定模式中，也能够进行检测、分类、推论等。

这样，根据信息处理装置200创建的学习模型，能够得到可靠性高的形状数据，即热位移量的预测值。另一方面，为了生成信息处理装置200的学习模型，需要大量的信息处理资源。另外，状态变量S以及判定数据D的获取需要很多的工时。以往，为了对应由机床的个体差异、经年劣化引起的预测精度的降低，将识别个体的信息、关于时间流逝的信息作为状态变量S而输入来创建学习模型，或者通过在线追加学习来更新学习模型。这需要持续对学习模型的创建分配信息处理资源，但这是不现实的。因此，本发明的实施方式所涉及的数值控制装置100不对最初创建的学习模型做任何改变，通过修正学习模型输出的预测值这样的方法，抑制需要的信息处理资源。

接着，使用图3的流程图对本发明的实施方式所涉及的数值控制装置100的动作具体地进行说明。

S1：信息处理装置200创建表示温度数据与形状数据的相关关系的学习模型。例如，信息处理装置200通过在机床的导入时或者制造时等试行工件的加工等，获取足够数量的温度数据和形状数据，并将其作为状态变量S以及判定数据D输入到机器学习装置300，来获得学习模型。

此外，此时修正条件获取部120进行一次定位，获取此时的基准点的坐标，并作为定位信息的比较基准值保存即可。

S2：数值控制装置100的修正条件获取部120获取修正条件。例如，修正条件获取部120在加工开始前进行定位，获取基准点的坐标。

S3：推定部110使用由信息处理装置200创建的学习模型来推定热位移量。换言之，推定部110使用信息处理装置200的机器学习装置300，来获得与温度数据对应的形状数据的推定值。此时的机器学习装置300的动作如以下所述。

从设置于机床的各部的温度测定装置60向机器学习装置300的状态观测部306输入温度数据作为状态变量S。机器学习装置300的学习部310向预先创建的学习模型输入状态变量S，并输出与状态变量S对应的形状数据的推定值。这里输出的形状数据的内容是伴随温度变化的机床各部的长度或者坐标的位移量。

S4：修正部130基于推定部110输出的形状数据的推定值和修正条件获取部120输出的修正条件来计算热位移量。例如，修正部130保持学习模型创建时(通常是机床的导入或者制造时)的基准点的坐标作为比较基准值，并计算出该学习模型创建时的基准点的坐标与当前(最近的加工开始前)进行定位时的基准点的坐标的差，来计算修正量。然后，对推定部110输出的形状数据的推定值加上或者减去上述修正量，来计算修正后的推定值。

根据本实施方式，修正部130使用来自修正条件获取部120的定位信息，来修正推定部110输出的热位移量的推定值。由此，能够不需要大量的工时、信息处理资源，就简单、高速并且准确地修正由于机床的个体差异、经年变化产生的热位移量的预测值的偏差。

以上，对本发明的实施方式进行了说明，但本发明并不局限于上述的实施方式的例子，能够通过施加适当的变更而以各种方式实施。

例如在上述的实施方式中，修正条件获取部120为了获取修正条件而使用了触摸探头，但本发明并不局限于此，能够使用能够测定由机床的各部的个体差异、经年劣化引起的位移的各种接触或者非接触传感器(激光、光、涡流、磁等)。

以上，对本发明的实施方式进行了说明，但本发明并不局限于上述的实施方式的例子，能够通过施加适当的变更而以其他的方式实施。

Claims

1.一种数值控制装置，其修正机床的热位移量的推定值，其特征在于，该数值控制装置具有：

推定部，其具有学习与上述机床的温度有关的信息和与热位移有关的信息的相关关系的学习模型，从上述机床获取与温度有关的信息，并基于与上述温度有关的信息和上述学习模型计算出热位移的推定值；

修正条件获取部，其从上述机床获取定位信息，该定位信息不是由伴随加工的热引起的，而是由机床的个体差异、经年劣化引起的；以及

修正部，其基于上述定位信息修正上述热位移的推定值。

2.根据权利要求1所述的数值控制装置，其特征在于，

上述修正部通过将从上述机床获取到的定位信息与定位信息的比较基准值的差值和上述热位移的推定值进行相加或者从上述热位移的推定值减去该差值来进行上述修正。