JPH03208540A - Automatically controlled machining device - Google Patents
Automatically controlled machining deviceInfo
- Publication number
- JPH03208540A JPH03208540A JP483890A JP483890A JPH03208540A JP H03208540 A JPH03208540 A JP H03208540A JP 483890 A JP483890 A JP 483890A JP 483890 A JP483890 A JP 483890A JP H03208540 A JPH03208540 A JP H03208540A
- Authority
- JP
- Japan
- Prior art keywords
- temp
- learning
- machining
- processing
- temperature
- 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.)
- Pending
Links
- 238000003754 machining Methods 0.000 title claims description 40
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000005855 radiation Effects 0.000 abstract description 2
- 230000033001 locomotion Effects 0.000 abstract 2
- 210000002569 neuron Anatomy 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Automatic Control Of Machine Tools (AREA)
Abstract
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、自動制御加工装置、特に、ワークに対して加
工を行う加工部を備えた自動制御加工装置に関する．
〔従来の技術〕
従来の自動制御加工装置、たとえばＮＣタレット旋盤は
、ベッドと、ベッド上に固定されたヘッドストック及び
工具台とを有している．加工の際には、ヘノドスト７ク
の主軸にワークが固定され、工具台に取り付けられた工
具によってワークに加工が施される．
この際の加工動作は、ＣＰＵ等を備えたマイクロコンピ
ュータによる制御に従って行われる．〔発明が解決しよ
うとする課題〕
上述のような自動制御加工装置では、主軸と工具台との
相対位直関係は、可能な限り正確に保たれなければなら
ない．この距離を正確に保つことによって、工具による
ワークに対する加工が正確に行えるからである．
ところが、加工の際に主軸が回転すると発熱する．また
、ベッド内には油圧配管が配設されており、配管中の作
動油の温度が工作機械の動作中に上昇する．これらの温
度変化の影響によりヘッドストックや工具台が熱変形し
、その結果、主軸と工具台との相対位置関係が変化する
．このため、前記従来の構威では、主軸と工具との間の
距離を正確に維持することができなくなり、正確な加工
が行えなくなる。DETAILED DESCRIPTION OF THE INVENTION [Field of Industrial Application] The present invention relates to an automatically controlled processing device, and more particularly to an automatically controlled processing device equipped with a processing section that processes a workpiece. [Prior Art] A conventional automatic control processing device, such as an NC turret lathe, has a bed, a headstock and a tool stand fixed on the bed. During machining, the workpiece is fixed to the main shaft of the Henodostok 7, and the workpiece is machined using the tools attached to the tool stand. The machining operation at this time is performed under the control of a microcomputer equipped with a CPU, etc. [Problem to be solved by the invention] In the above-mentioned automatic control processing equipment, the relative orthogonal relationship between the spindle and the tool rest must be maintained as accurately as possible. This is because by maintaining this distance accurately, the tool can accurately process the workpiece. However, when the spindle rotates during machining, it generates heat. Additionally, hydraulic piping is installed inside the bed, and the temperature of the hydraulic fluid in the piping rises during machine tool operation. The influence of these temperature changes causes thermal deformation of the headstock and tool rest, and as a result, the relative positional relationship between the spindle and the tool rest changes. Therefore, with the conventional structure, it is no longer possible to accurately maintain the distance between the spindle and the tool, and accurate machining cannot be performed.
本発明の目的は、温度変化に基づきヘッドストックや工
具台が熱変位を生しても、正確な加工を施すことのでき
る自動制御加工装置を提供することにある，
〔課題を解決するための手段〕
本発明に係る自動制御加工装直は、加工部と、温度検出
手段と、学習手段と、制御手段とを備えている。An object of the present invention is to provide an automatically controlled machining device that can perform accurate machining even if the headstock and tool stand undergo thermal displacement due to temperature changes. Means] The automatic control machining retooling according to the present invention includes a machining section, a temperature detection means, a learning means, and a control means.
前記加工部は、ワークに対して加工を行う部分で・ある
．前記温度検出手段は、加工部の温度変化を検出する手
段である．前記学習手段は、加工部に対してテスト加工
を行うよう制御し、温度横出手段からの検出結果に基づ
いて、温度変化と加工部の変化との関係を学習する手段
である。前記制御手段は、学習手段による学習結果と温
度検出手段による検出結果とに基づき修正しつつ、加工
部に対し加工を行うよう制御する手段である。The processing section is the part that processes the workpiece. The temperature detection means is a means for detecting temperature changes in the processed part. The learning means is a means for controlling the machining section to perform test machining and learning the relationship between temperature changes and changes in the machining section based on the detection results from the temperature output means. The control means is a means for controlling the processing portion to be processed while making corrections based on the learning result by the learning means and the detection result by the temperature detection means.
〔作用〕
本発明に係る自動制襦加工装置では、まず学習手段が、
加工部に対してテスト加工を行うよう制御する．テスト
加工によって加工部の温度が変化するので、学習手段は
、温度検出手段からの検出結果に基づいて、温度変化と
加工部の変化との関係を学習する。[Operation] In the automatic machine processing device according to the present invention, first, the learning means
Control the machining part to perform test machining. Since the temperature of the machined part changes due to the test machining, the learning means learns the relationship between the temperature change and the change of the machined part based on the detection result from the temperature detection means.
次に、制御手段は、加工部に対して加工を行うよう制御
する．このときには、制御手段は、学習手段による学習
結果と温度検出手段による検出結果とに基づく修正を行
いつつ制御を行う．この結果、加工動作に従って加工部
の温度が変化し、それによる加工部の熱変位が生じたと
しても、予め学習手段によって学習された関係に基づい
て制御が修正されるので、正確な加工が行える．〔実施
例〕
本発明の一実施例としてのＮＣタレット旋盤の概略を第
１図に示す．
このタレット旋盤は、概ね水平に配直された台ｌと、台
１上に配置されたベッド２と、ベッド２上に固定された
ヘッドストノク３及び工具台４とを備えている。Next, the control means controls the machining section to perform machining. At this time, the control means performs control while making corrections based on the learning results by the learning means and the detection results by the temperature detection means. As a result, even if the temperature of the machined part changes in accordance with the machining operation, resulting in thermal displacement of the machined part, the control is corrected based on the relationship learned in advance by the learning means, so accurate machining can be performed. ．． [Example] Figure 1 shows an outline of an NC turret lathe as an example of the present invention. This turret lathe includes a table 1 arranged approximately horizontally, a bed 2 disposed on the table 1, a head stylus 3 and a tool table 4 fixed on the bed 2.
台ｌにおいて、手前側には切粉受け部５が、奥側にはベ
ッド２がそれぞれ配置されている．ベッド２は、たとえ
ば鋳物性の部材であり、内部に作動油等を通すための油
圧配管（図示せず）等を有している．ベッド２の上面に
は、工具台４の下部に設けられた精密ガイド６が固定さ
れている．精密ガイド６は旋盤の左右方向に延びる部材
であり、工具台４を左右方向に精密にガイドするための
ものである．なお、精密ガイド６としては、たとえばウ
エーブロックやリニアガイドが使用される．精密ガイド
６上には、クロススライド７が左右方向移動可能な状態
で載置されている．
ヘッドストック３には、切粉受け部５の上方へ突出する
主軸８が回転自在に支持されている。支軸８は、ワーク
を保持するためのチャックを先端に有している，一方、
工具台４のクロススライド７には、切粉受け部５の上方
へ突出するタレントパー９が支持されている．タレット
パー９は支軸８と平行な回転中心を有している．タレン
トパー９の先端部には、工具（図示せず）が外周面に取
り付けられるタレットｌＯが設けられている．このタレ
ット旋盤は、第２図に示すような制御部２０を有してい
る．ＩＪ御部２０は、ＣＰＵ，ＲＯＭ，及びＲＡＭを備
えたマイクロコンピュータを含んでいる．制御部２０に
は、制御部２０に対しオペレータが指令を送るためのキ
ーボード２１、タレット旋盤の各部の温度を検出するた
めの温度センサ２２及びその他の入力部が接続されてい
る．また、制御部２０には、旋盤の各部を駆動するため
のサーボモータ２３及び他の出力部が接続されている．
制御部２０とサーボモータ２３との間には、ドライバ２
４が介在している．なお、温度センサ２２はタレット旋
盤の温度測定が必要な複数箇所に設けられており、たと
えば第ｌ図＊印の箇所に設けられている．即ち、温度セ
ンサ２２は、ベッド２、ヘッドストック３及びクロスス
ライド７の内部に温度測定のために設けられている．こ
の実施例では、制御部２０にニエーロコンビュー夕が採
用されている．ニューロコンピュータとは、脂の基本素
子ニューロンやそれらが結合したニエーラルネットワー
クの構造を応用して得られたコンピュータである．この
実施例で採用されるネットワークのモデルは、たとえば
第３図のような３層からなる階層的ネントワークである
．ここでは、全てのユニソトはいずれか１つの層に属し
ており、各ユニソトは隣の層のユニットとしか結合して
いない．また、信号は、入力層から出力層へ１方向にし
か伝わらない．
次に、制御部２０に従った上述のタレ・冫ト旋盤の動作
を説明する。なお、第４Ａ図及び第４Ｂ図はその制御フ
ローチャートである。In the table 1, a chip receiving part 5 is arranged on the front side, and a bed 2 is arranged on the back side. The bed 2 is, for example, a cast member, and has hydraulic piping (not shown) for passing hydraulic oil and the like therein. A precision guide 6 provided at the bottom of a tool stand 4 is fixed to the top surface of the bed 2. The precision guide 6 is a member extending in the left-right direction of the lathe, and is used to precisely guide the tool stand 4 in the left-right direction. Note that as the precision guide 6, for example, a wave lock or a linear guide is used. A cross slide 7 is placed on the precision guide 6 so as to be movable in the left and right directions. A main shaft 8 that protrudes above the chip receiving portion 5 is rotatably supported by the head stock 3 . The spindle 8 has a chuck at its tip for holding the workpiece, while
The cross slide 7 of the tool stand 4 supports a talent par 9 that protrudes above the chip receiver 5. The turret par 9 has a rotation center parallel to the support shaft 8. A turret 10 is provided at the tip of the talent par 9 to which a tool (not shown) is attached to the outer peripheral surface. This turret lathe has a control section 20 as shown in FIG. The IJ control section 20 includes a microcomputer equipped with a CPU, ROM, and RAM. Connected to the control section 20 are a keyboard 21 for an operator to send commands to the control section 20, a temperature sensor 22 for detecting the temperature of each part of the turret lathe, and other input sections. Further, the control section 20 is connected to a servo motor 23 and other output sections for driving each section of the lathe.
A driver 2 is provided between the control unit 20 and the servo motor 23.
4 is involved. The temperature sensors 22 are provided at multiple locations where it is necessary to measure the temperature of the turret lathe, for example, at locations marked with * in Figure 1. That is, the temperature sensor 22 is provided inside the bed 2, headstock 3, and cross slide 7 for temperature measurement. In this embodiment, the control unit 20 employs a Niero control unit. A neurocomputer is a computer obtained by applying the structure of neurons, which are the basic elements of fat, and the neural network in which they are connected. The network model adopted in this embodiment is, for example, a hierarchical network consisting of three layers as shown in Figure 3. Here, all unisotos belong to one layer, and each unisoto is only connected to units in the next layer. Furthermore, signals can only be transmitted in one direction, from the input layer to the output layer. Next, the operation of the above-mentioned sagging/dry lathe according to the control section 20 will be explained. In addition, FIG. 4A and FIG. 4B are the control flowcharts.
第４Ａ図において、ステップＳｔでは、クロススライド
７やタレット１０を初期位置にセ・冫卜する等の初期設
定が行われる．ステップＳ２では、キーボード２１から
学習動作開始指令が入力されたか否かが判断される．そ
の指令が入力されていなければステップＳ３に移行し、
キーボード２ｌから加工動作開始指令が入力されたか否
かが判断される．この指令が入力されていなければ、再
びステップＳ２に戻る．
タレット旋盤が工場出荷前のテスト段階にある場合には
、テスト加工を行うためキーボード２ｌから学習開始指
令が人力される。これによって、プログラムはステップ
Ｓ２からステップＳ４に移行し、第４Ｂ図の学習サブル
ーチンを実行する。In FIG. 4A, in step St, initial settings such as setting and lifting the cross slide 7 and turret 10 to initial positions are performed. In step S2, it is determined whether a learning operation start command has been input from the keyboard 21. If the command has not been input, the process moves to step S3,
It is determined whether a machining operation start command has been input from the keyboard 2l. If this command has not been input, the process returns to step S2 again. When the turret lathe is in the test stage before being shipped from the factory, a learning start command is manually input from the keyboard 2l in order to perform test machining. As a result, the program moves from step S2 to step S4, and executes the learning subroutine shown in FIG. 4B.
第４Ｂ図において、ステップＳ５では、テスト加工動作
が行われる。この動作は、テスト加工動作を行うように
組まれた加工プログラムに従って、実際にワークを加工
する動作である。この動作は、基本的には実際の加工動
作と同じであり、後述するステップＳｌｌ−５１７での
動作と実質的に同しであるのでここでは説明を省略する
．テスト加工中には、モータの駆動や油圧配管からの放
熱等によってタレント旋盤の各部の温度が変化する．ス
テップＳ６では、その温度を温度センサ２２によって測
定する．次に、ステップＳ７では、得られた温度分布に
おける王軸と工具との計算上の位置関係が演算される。In FIG. 4B, a test machining operation is performed in step S5. This operation is an operation of actually machining a workpiece according to a machining program designed to perform a test machining operation. This operation is basically the same as the actual machining operation, and is substantially the same as the operation in step Sll-517, which will be described later, so the explanation will be omitted here. During test machining, the temperature of each part of the talent lathe changes due to motor drive, heat radiation from hydraulic piping, etc. In step S6, the temperature is measured by the temperature sensor 22. Next, in step S7, the calculated positional relationship between the king axis and the tool in the obtained temperature distribution is calculated.
ここでは、ニエーラルネットワークのダイナミクスにし
だがって、人力層から出力層に向かっての信号伝送過程
に伴う、各ニューロンの状態変化が順次計算される．次
に、オペレータによって主軸８に保持されたワークの形
状が実測され、その測定結果に基づいて主軸８と工具と
の相対位置関係が測定される．得られた実測値は、出力
教師信号としてステップＳ８においてキーボード２ｌか
ら入力される．ステップＳ９では、ステップＳ７におい
て得られた出力値と、ステップＳ８に於いて人力された
実測値とに基づいて学習が行われる．ここでは、ステッ
プＳ７での計算の結果得られた出力層のｉ番目のニュー
ロンの出力をＯｉとし、入力信号に対する実測値（出力
教師信号）をＤｉとすると、実測値と実際に得られた出
力との２乗誤差は、Ｅ＝Σ（Ｄｉ−Ｏｉ）”／２ ・
・・（１）である．この実施例では逆伝播学習則が採用
され、上式の２乗誤差を極小化するように、即ち、実際
の出力が望ましい出力に可能な限り近づくように、ネッ
トワークのシナップス結合が変化させられる。Here, according to the dynamics of the neural network, the state changes of each neuron are calculated sequentially as the signal is transmitted from the human layer to the output layer. Next, the shape of the workpiece held by the spindle 8 is actually measured by the operator, and the relative positional relationship between the spindle 8 and the tool is measured based on the measurement results. The obtained actual measurement value is input as an output teacher signal from the keyboard 2l in step S8. In step S9, learning is performed based on the output value obtained in step S7 and the actual measured value manually input in step S8. Here, let Oi be the output of the i-th neuron in the output layer obtained as a result of the calculation in step S7, and let Di be the actual measured value for the input signal (output teacher signal), then the actual measured value and the actually obtained output The squared error with E=Σ(Di-Oi)”/2 ・
...(1). In this embodiment, a backpropagation learning rule is employed, and the synaptic connections of the network are varied so as to minimize the squared error in the above equation, ie, so that the actual output is as close as possible to the desired output.
より具体的には、次のようにネットワークのシナプス結
合が変化する．
ここで、出力層のニューロンの出力Ｏは、中間層のニュ
ーロンの出力ＮとＯ−ｆ （Ｎ）の関係にある。従って
、（１）式は、
Ｅ＝Σ（Ｄｉ−ｆ ｉ （Ｎｈ））” ／２・・・（２
）となる。ここで、ｈは中間層のニューロンの数である
。この（２）式の２乗誤差が極小化するように関数ｆｉ
の重みＷｈｉ（すなわち、出力Ｎの係数）が決定される
．決定された重みＷｈｉを用いて、中間層のニューロン
の望ましい出力Ｃ（出力教師信号）が決定される．
さらに、中間層において、演算で得られた望ましい出力
ｃｈと実際に得られた出力Ｎｈの２乗誤差は、
Ｅ＝Σ（Ｃｈ−Ｎｈ）” ／２・・・（３）となる．こ
こで、中間層のニューロンの出力Ｎは、人力層に出力Ｍ
とＮ＝ｆ （Ｍ）の関係にある．従って、（３）式は、
Ｅ＝Σ（Ｃｈ−ｆ ｈ （Ｍｇ） ）富／２・・・（４
）となる。ここで、ｇは人力層の二二ーロンの数である
。この（４）式の２乗誤差が極小化するように関数ｆｈ
の重みＷｇｈ（すなわち、出力Ｍの係数）が決定される
。More specifically, the synaptic connections of the network change as follows. Here, the output O of the neuron in the output layer has a relationship of O-f (N) with the output N of the neuron in the intermediate layer. Therefore, equation (1) is E=Σ(Di-f i (Nh))"/2...(2
). Here, h is the number of neurons in the hidden layer. The function fi is set so that the square error of equation (2) is minimized.
The weights Whi (i.e., the coefficients of the output N) are determined. Using the determined weights Whi, the desired output C (output teacher signal) of the neurons in the hidden layer is determined. Furthermore, in the intermediate layer, the square error between the desired output ch obtained by calculation and the actually obtained output Nh is E=Σ(Ch-Nh)''/2...(3).Here, , the output N of the neuron in the middle layer is the output M to the human layer
There is a relationship of N=f (M). Therefore, Equation (3) is E=Σ(Ch−f h (Mg) ) Wealth/2...(4
). Here, g is the number of 2-nirons in the human power layer. The function fh is
The weight Wgh of (ie, the coefficient of the output M) is determined.
このように、シナブス結合の学習は、信号の伝播方向と
は逆に出力層から人力層に向かって進行する。In this way, the learning of synaptic connections progresses from the output layer toward the human layer in the opposite direction to the signal propagation direction.
学習により得られた重みＷｇｈ，Ｗｈｉを含めた関数ｆ
ｈ，ｆｉは制御部２０の不揮発性のＲＡＭに書き込まれ
、１回の学習が完了する。Function f including weights Wgh and Whi obtained through learning
h and fi are written into the nonvolatile RAM of the control unit 20, and one learning session is completed.
次に、ステップＳｌＯにおいて学習が終了したか否かが
判断される。さらに学習を続ける場合には、ステップＳ
５に戻り、それ以降の制御が繰り返される。相当回数の
学習（ステップ５５〜ステップＳ９の処理）を経て、充
分な知識をタレント旋盤が蓄えたと考えられる場合には
、ステップＳ１０から第４Ａ図のメインルーチンに戻る
．テスト加工による学習が済んだタレット旋盤は、出荷
され、例えばユーザーの工場に設置される。Next, in step SlO, it is determined whether learning has ended. If you want to continue learning further, step S
5, and the subsequent control is repeated. If it is considered that the talented lathe has accumulated sufficient knowledge after a considerable number of learning operations (processing from step 55 to step S9), the process returns to the main routine of FIG. 4A from step S10. The turret lathe that has been trained through test machining is shipped and installed, for example, at a user's factory.
ここでは、学習は行われず、通常の加工動作のみが行わ
れる。Here, no learning is performed, and only normal machining operations are performed.
通常の加工動作を行う時には、キーボード２ｌから加工
動作移行指令が人力される．これによって、プログラム
はステップＳ３からステップＳｌｌに移行する，ステッ
プＳｌｌでは、テープリーダー（図示せず）を用いて、
ＮＣプログラムが読み込まれる。ステップ５１２では、
キーボード２ｌからの加工開始指令を待つ．加工開始指
令が人力されれば、ステップＳｌ３に移行してＮＣプロ
グラムのｌステップを読み込む．ステップＳ１４では、
ステップＳｌ３での読み込みに基づいて、ＮＣプログラ
ムが終了したか否かを判断する。When performing normal machining operations, a machining operation transition command is input manually from the keyboard 2l. As a result, the program moves from step S3 to step Sll. In step Sll, a tape reader (not shown) is used to
The NC program is loaded. In step 512,
Wait for the command to start machining from the keyboard 2l. If a machining start command is given manually, the process moves to step Sl3 and reads l step of the NC program. In step S14,
Based on the reading in step Sl3, it is determined whether the NC program has ended.
ＮＣプログラムが終了していなければステップ５１５に
移行する．ステップＳ１５では、温度センサ２２によっ
てタレント旋盤の各部の温度を測定する。ステップ５１
６では、得られた温度分布から、必要に応した加工動作
の修正を行う，ここでは、第４Ｂ図における学習プログ
ラムにおいて得られたニューラルネットワークのダイナ
ミクスに従って出力が得られ、その出力に基づいて動作
の修正が行われる．ステップ５１７では、修正後の指令
に基づいて、タレ７ト旋盤の動作が行われる。ここでは
、学習によって得られたニューラルネットワークに従っ
て温度補正が行われるので、タレフト旋盤の温度変位が
修正され、正確な加工が行われる。ステップＳ１７での
処理が終わればステップＳ１３に戻り、次のステップを
読み込む。If the NC program has not ended, the process moves to step 515. In step S15, the temperature sensor 22 measures the temperature of each part of the talent lathe. Step 51
In step 6, the machining operation is corrected as necessary from the obtained temperature distribution. Here, an output is obtained according to the dynamics of the neural network obtained in the learning program in Fig. 4B, and the operation is performed based on the output. will be corrected. In step 517, the turret lathe is operated based on the corrected command. Here, temperature correction is performed according to the neural network obtained through learning, so the temperature variation of the taleft lathe is corrected and accurate machining is performed. When the process in step S17 is completed, the process returns to step S13 and the next step is read.
上述の動作を繰り返し、最終ステップをステップＳ１３
において読み込むと、ステップＳ１４での判断がＹｅｓ
となりプログラムはメインルーチンに戻る。The above operation is repeated and the final step is step S13.
, the judgment in step S14 is Yes.
The program then returns to the main routine.
なお、上述の実施例では出荷前の段階で学習を行ったが
、ユーザー側において相当期間経過後に学習を再び行っ
てもよい．この場合には、新たな学習によって、より正
確な温度補正が行える。In the above embodiment, the learning was performed before shipping, but the user may perform the learning again after a considerable period of time has passed. In this case, new learning enables more accurate temperature correction.
本発明に係る自動制御加工装置は、上述のような学習手
段を有しているので、雇度変化に基づく加工装置に熱変
位が生しても、正確な加工を施すことができるようにな
る。Since the automatic control processing device according to the present invention has the above-described learning means, it is possible to perform accurate processing even if thermal displacement occurs in the processing device based on changes in employment rate. .
第１図は本発明の一実施例の斜視概略図、第２図はその
制御部の概略ブロック図、第３図は制御部のニューラル
ネットワークの概念図、第４Ａ図及び第４Ｂ図は制御部
の制御フローチ十一トである．
８・・・主軸、ｌＯ・・・タレット、２０・・・制御部
、２２・・・温度センサ．FIG. 1 is a schematic perspective view of an embodiment of the present invention, FIG. 2 is a schematic block diagram of the control section, FIG. 3 is a conceptual diagram of the neural network of the control section, and FIGS. 4A and 4B are the control section. The control flowchart is 11. 8... Main shaft, lO... Turret, 20... Control unit, 22... Temperature sensor.
Claims (1)
度変化を検出する温度検出手段と、前記加工部に対して
テスト加工を行うよう制御し、前記温度検出手段からの
検出結果に基づいて、温度変化と前記加工部の変化との
関係を学習する学習手段と、 前記学習手段による学習結果と前記温度検出手段による
検出結果とに基づき修正しつつ、前記加工部に対し加工
を行うよう制御する制御手段と、を備えた自動加工制御
装置。(1) A machining section that processes a workpiece, a temperature detection means that detects temperature changes in the machining section, and controlling the said machining section to perform test machining, based on the detection results from the temperature detection means. learning means for learning the relationship between temperature changes and changes in the machining section based on the learning means; and processing the machining section while making corrections based on the learning result by the learning means and the detection result by the temperature detection means. An automatic processing control device comprising: a control means for controlling the process;
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP483890A JPH03208540A (en) | 1990-01-12 | 1990-01-12 | Automatically controlled machining device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP483890A JPH03208540A (en) | 1990-01-12 | 1990-01-12 | Automatically controlled machining device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH03208540A true JPH03208540A (en) | 1991-09-11 |
Family
ID=11594833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP483890A Pending JPH03208540A (en) | 1990-01-12 | 1990-01-12 | Automatically controlled machining device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH03208540A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018065211A (en) * | 2016-10-18 | 2018-04-26 | ファナック株式会社 | Machine learning device for learning set value of processing program in machine tool and processing system |
| JP6784868B1 (en) * | 2019-09-02 | 2020-11-11 | ヤマザキマザック株式会社 | Controls, machine tools, calculation methods and programs |
-
1990
- 1990-01-12 JP JP483890A patent/JPH03208540A/en active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018065211A (en) * | 2016-10-18 | 2018-04-26 | ファナック株式会社 | Machine learning device for learning set value of processing program in machine tool and processing system |
| US10606233B2 (en) | 2016-10-18 | 2020-03-31 | Fanuc Corporation | Machine learning apparatus that learns setting value in machining program of machine tool, and machining system |
| JP6784868B1 (en) * | 2019-09-02 | 2020-11-11 | ヤマザキマザック株式会社 | Controls, machine tools, calculation methods and programs |
| WO2021044491A1 (en) * | 2019-09-02 | 2021-03-11 | ヤマザキマザック株式会社 | Control device, machine tool, calculation method, and program |
| CN114341752A (en) * | 2019-09-02 | 2022-04-12 | 山崎马扎克公司 | Control device, machine tool, calculation method, and program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5513113A (en) | Method of and device for correcting position of cutting-edge of tool in numerically controlled machine tool | |
| EP0641624B1 (en) | Machine tool | |
| Azouzi et al. | On-line prediction of surface finish and dimensional deviation in turning using neural network based sensor fusion | |
| US6415191B1 (en) | Intelligent machining and manufacturing | |
| JPH0238342B2 (en) | ||
| Chen et al. | Improving the machine accuracy through machine tool metrology and error correction | |
| Nee et al. | An intelligent fixture with a dynamic clamping scheme | |
| JP2942547B2 (en) | Method and apparatus for correcting thermal displacement of machine tool | |
| EP0268887B1 (en) | Numerical control feed device for machine tool | |
| US4615149A (en) | Feed control apparatus for grinding machine | |
| US4294045A (en) | Grinding machine with a sizing device | |
| JPH068107A (en) | Thermal displacement compensation method for machine tool | |
| JP2002144191A (en) | Machine tool | |
| Ouafi et al. | Accuracy enhancement of multi-axis CNC machines through on-line neurocompensation | |
| WO2020217571A1 (en) | Fluctuation amount estimation device in machine tool and correction amount calculation device | |
| Mareš et al. | Thermal error minimization of a turning-milling center with respect to its multi-functionality | |
| JPH03208540A (en) | Automatically controlled machining device | |
| JPS592045B2 (en) | Temperature compensation method and device for positioning in numerically controlled machines | |
| CN108919746B (en) | Thermal error testing and analyzing method of rotary swing table | |
| KR20200131475A (en) | Method and system for themal displacement compensation in machine tool | |
| Verbert et al. | Obtainable accuracies and compensation strategies for robot supported SPIF | |
| JP2004154907A (en) | Thermal displacement correction method and device for multishaft machining tool | |
| JPH0523952A (en) | Machining accuracy maintaining method by means of relative position reference | |
| Mareš et al. | Enhancement of vertical turning lathe accuracy by minimising thermal errors depending on rotary table activity and workpiece clamping diameter | |
| TW202223693A (en) | Intelligent module for real-time spatial accuracy compensation of numerical control machine tool wherein the intelligent learning module can learn, improve and optimize synchronously |