特許 6882364 機械学習装置及び熱変位補正装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6882364

(24)【登録日】2021年5月10日

(45)【発行日】2021年6月2日

(54)【発明の名称】機械学習装置及び熱変位補正装置

(51)【国際特許分類】

   B23Q 15/18 20060101AFI20210524BHJP

   B23Q 15/00 20060101ALI20210524BHJP

   G05B 19/404 20060101ALI20210524BHJP

   G05B 19/4155 20060101ALI20210524BHJP

【ＦＩ】

   B23Q15/18

   B23Q15/00 301C

   G05B19/404 K

   G05B19/4155 V

【請求項の数】13

【全頁数】20

(21)【出願番号】特願2019-82287(P2019-82287)

(22)【出願日】2019年4月23日

(62)【分割の表示】特願2017-54266(P2017-54266)の分割

【原出願日】2017年3月21日

(65)【公開番号】特開2019-111648(P2019-111648A)

(43)【公開日】2019年7月11日

【審査請求日】2020年3月23日

(73)【特許権者】

【識別番号】390008235

【氏名又は名称】ファナック株式会社

(74)【代理人】

【識別番号】100106002

【弁理士】

【氏名又は名称】正林 真之

(74)【代理人】

【識別番号】100165157

【弁理士】

【氏名又は名称】芝 哲央

(74)【代理人】

【識別番号】100160794

【弁理士】

【氏名又は名称】星野 寛明

(72)【発明者】

【氏名】渡邉 光徳

【審査官】 貞光 大樹

(56)【参考文献】

【文献】 特開２００３−９４２９１（ＪＰ，Ａ）

【文献】 特開２００５−１８６２１６（ＪＰ，Ａ）

【文献】 特開２０１７−４５４０６（ＪＰ，Ａ）

【文献】 特開平７−７５９３７（ＪＰ，Ａ）

【文献】 特許第６００１２１１（ＪＰ，Ｂ１）

【文献】 特開平６−８１０７（ＪＰ，Ａ）

【文献】 特開平８−１４１８８３（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｂ２３Ｑ １５／００ − １５／２８

Ｇ０５Ｂ １９／１８ − １９／４１６

Ｇ０５Ｂ １９／４２ − １９／４６

(57)【特許請求の範囲】

【請求項1】

熱膨張する機械要素を有する工作機械の前記機械要素とその周辺の温度データ及び／又は前記機械要素の動作状態データを含む計測データ群に基づいて前記機械要素の熱変位量を推定する計算式を機械学習によって最適化する機械学習装置であって、
前記計測データ群を取得する計測データ取得部と、
前記機械要素の熱変位量の実測値を取得する熱変位量取得部と、
前記計測データ取得部によって取得された前記計測データ群を入力データとし、前記熱変位量取得部によって取得された前記機械要素の熱変位量の実測値をラベルとして互いに関連付けて教師データとして記憶する記憶部と、
前記計測データ群と、前記機械要素の熱変位量の実測値と、に基づいて機械学習を行うことで、前記機械要素の熱変位量を前記計測データ群に基づいて算出する熱変位量予測計算式を設定する計算式学習部と、を備え、
前記計算式学習部は、前記熱変位量予測計算式に前記記憶部に教師データとして記憶された所定期間内における前記計測データ群を代入して算出される前記機械要素の熱変位量の推定値と、前記記憶部にラベルとして記憶された前記所定期間内における前記機械要素の熱変位量の実測値との差異に基づいて、前記熱変位量予測計算式を設定し、
前記熱変位量予測計算式は、前記計測データ群に含まれる温度データの複数の時間シフト要素を使用する機械学習装置。

【請求項2】

前記熱変位量予測計算式は、前記温度データの複数の時間シフト要素から導き出される温度変化の傾向に係る情報を使用する、請求項１に記載の機械学習装置。

【請求項3】

計測データ取得部は、さらに、
前記計測データ群に計測データの追加、及び／又は前記計測データ群から計測データを除外することで第２の計測データ群を取得し、
前記記憶部に、前記第２の計測データ群を入力データとして記憶し、
前記計算式学習部は、さらに、
前記第２の計測データ群に基づいて前記機械要素の熱変位量を算出する第２熱変位量予測計算式を設定する、請求項１又は請求項２に記載の機械学習装置。

【請求項4】

前記計測データ群に含まれる計測データの熱変位量の予測に対する寄与度を判定する寄与度判定部をさらに備え、
前記寄与度判定部は、
寄与度算出対象の計測データを含む計測データ群に基づいて設定された第１熱変位量予測計算式により算出される第１熱変位量予測値と熱変位量実測値との誤差である第１誤差と、前記寄与度算出対象の計測データを除く前記第２の計測データ群に基づいて設定される第２熱変位量予測計算式により算出される第２熱変位量予測値と熱変位量実測値との誤差である第２誤差と、の差異に基づいて、前記寄与度算出対象の計測データの寄与度を判定する請求項３に記載の機械学習装置。

【請求項5】

現在取得している計測データ群のうち、予め設定された数の計測データを使用して最良の精度となる計測データの組み合わせからなる最適化計測データ群を選択する最適化計測データ選定部をさらに備え、
前記最適化計測データ選定部は、
現在取得している計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第１番目の計測データ群として選択し、
第ｉ（１≦ｉ）番目の計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第（ｉ＋１）番目の計測データ群として選択することを繰り返し行うことで、予め設定された数の計測データからなる最適化計測データ群を選択する、請求項４に記載の機械学習装置。

【請求項6】

前記熱変位量予測計算式は、前記計測データ群に含まれる計測データの１次遅れ要素を使用する、請求項１から請求項５のいずれか１項に記載の機械学習装置。

【請求項7】

前記熱変位量予測計算式は、ニューラルネットワークによる機械学習に基づいて設定される、請求項１から請求項６のいずれか１項に記載の機械学習装置。

【請求項8】

前記計算式学習部は、Ｌ２正則化項を考慮した重回帰分析を用いる機械学習に基づいて、前記熱変位量の予測計算式を設定する、請求項１から請求項６のいずれか１項に記載の機械学習装置。

【請求項9】

前記計算式学習部は、スパース正則化学習を用いて、前記熱変位量の予測計算式を設定する、請求項１から請求項６のいずれか１項に記載の機械学習装置。

【請求項10】

前記計測データ群に含まれる、熱変位量予測の精度向上に貢献しない計測データを検出する検出部をさらに備え、
前記検出部は、
スパース正則化学習により設定される前記熱変位量の予測計算式に基づいて検出する請求項９に記載の機械学習装置。

【請求項11】

前記機械学習装置は、前記工作機械の制御装置に含まれる請求項１から請求項１０のいずれか１項に記載の機械学習装置。

【請求項12】

請求項１から請求項１１のいずれか１項に記載の機械学習装置により設定された熱変位量予測計算式に基づいて、前記計測データ群から算出される前記機械要素の熱変位量に対応する補正量を算出する補正量算出部と、
前記補正量算出部によって算出された前記機械要素の補正量に基づき、前記機械要素の機械位置を補正する補正部と、
を備えている工作機械の熱変位補正装置。

【請求項13】

前記熱変位補正装置は、前記工作機械の制御装置に含まれる請求項１２に記載の熱変位補正装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、工作機械に適用される機械学習装置及び熱変位補正装置に関する。

【背景技術】

【0002】

工作機械における加工誤差の主要因の一つとして、工作機械の機械要素の熱膨張により、工具とワークとの間に相対的な熱変位が発生する問題がある。より具体的には、工作機械の構成要素として、例えば、主軸、主軸装置、ベッド、コラム、ワークテーブル、工具等が挙げられる。主軸の回転による発熱、主軸駆動モータの発熱、クーラント供給装置から工具に供給されるクーラントによる吸熱、潤滑油供給装置から主軸軸受に供給される潤滑油による吸熱等により、とりわけ主軸を中心として上記の構成要素が熱変形し、工具とワークとの間の相対的な熱変位が発生することがある。

【0003】

これに対し、工作機械の主軸近くの熱源や外気温等の様々な熱源による、主軸の熱膨張の影響を考慮して、工作機械を制御する数値制御装置の指令値を補正することにより、加工精度を向上させる技術が従来用いられてきた（例えば、特許文献１）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開平７−７５９３７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１に記載された技術では、工作機械の特性値の取得方法として、単に、複数の温度センサを設置することが言及されるのみであり、高精度な補正が保証されるものではなかった。

【0006】

また、温度センサで計測した熱が熱伝導により広がって熱膨張するまでに時間がかかるため、高精度の補正には時間遅れの評価が必要となり、補正式は複雑化する。

【0007】

また、数値制御装置を搭載する機械によって構造や部材が変化するため、機械の種別により、最適な熱変位補正式は変化する。

【0008】

また、周囲の発熱源や出入り口の存在等、使用環境によって外部の熱源が変化するため、適切な温度センサ配置が変化し、これに応じて、最適な補正式も変化する。また、温度センサを適切な位置に配置するために、計測器を増加させた場合には、生産コストと保守費用の増大に繋がる。

【0009】

本発明は、このような事情に鑑み、高精度な補正式の導出、延いては、高精度な補正自体を、低コストで実施することが可能な機械学習装置及び熱変位補正装置を提供することを目的とする。

【課題を解決するための手段】

【0010】

（１） 本発明に係る機械学習装置は、熱膨張する機械要素を有する工作機械（例えば、後述の工作機械３５）の前記機械要素とその周辺の温度データ及び／又は前記機械要素の動作状態データを含む計測データ群に基づいて前記機械要素の熱変位量を推定する計算式を機械学習によって最適化する機械学習装置（例えば、後述の機械学習装置１０，１０Ａ，１０Ｂ）であって、前記計測データ群を取得する計測データ取得部（例えば、後述の計測データ取得部１１）と、前記機械要素の熱変位量の実測値を取得する熱変位量取得部（例えば、後述の熱変位量取得部１２）と、前記計測データ取得部によって取得された前記計測データ群を入力データとし、前記熱変位量取得部によって取得された前記機械要素の熱変位量の実測値をラベルとして互いに関連付けて教師データとして記憶する記憶部（例えば、後述の記憶部１３）と、前記計測データ群と、前記機械要素の熱変位量の実測値と、に基づいて機械学習を行うことで、前記機械要素の熱変位量を前記計測データ群に基づいて算出する熱変位量予測計算式を設定する計算式学習部（例えば、後述の計算式学習部１４）と、を備え、前記計算式学習部は、前記熱変位量予測計算式に前記記憶部に教師データとして記憶された所定期間内における前記計測データ群を代入して算出される前記機械要素の熱変位量の推定値と、前記記憶部にラベルとして記憶された前記所定期間内における前記機械要素の熱変位量の実測値との差異に基づいて、前記熱変位量予測計算式を設定する。

【0011】

（２） （１）の機械学習装置において、前記計測データ取得部（例えば、後述の計測データ取得部１１）は、さらに、前記計測データ群に計測データの追加、及び／又は前記計測データ群から計測データを除外することで第２の計測データ群を取得し、前記記憶部（例えば、後述の記憶部１３）に、前記第２の計測データ群を入力データとして記憶し、前記計算式学習部（例えば、後述の計算式学習部１４）は、さらに、前記第２の計測データ群に基づいて前記機械要素の熱変位量を算出する第２熱変位量予測計算式を設定してもよい。

【0012】

（３） （２）の機械学習装置において、前記計測データ群に含まれる計測データの熱変位量の予測に対する寄与度を判定する寄与度判定部（例えば、後述の寄与度判定部１５）をさらに備え、前記寄与度判定部は、寄与度算出対象の計測データを含む計測データ群に基づいて設定された第１熱変位量予測計算式により算出される第１熱変位量予測値と熱変位量実測値との誤差である第１誤差と、前記寄与度算出対象の計測データを除く前記第２の計測データ群に基づいて設定される第２熱変位量予測計算式により算出される第２熱変位量予測値と熱変位量実測値との誤差である第２誤差と、の差異に基づいて、前記寄与度算出対象の計測データの寄与度を判定してもよい。

【0013】

（４） （３）の機械学習装置において、現在取得している計測データ群のうち、予め設定された数の計測データを使用して最良の精度となる計測データの組み合わせからなる最適化計測データ群を選択する最適化計測データ選定部（例えば、後述の最適化計測データ選定部１６）をさらに備え、前記最適化計測データ選定部は、現在取得している計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第１番目の計測データ群として選択し、第ｉ（１≦ｉ）番目の計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第（ｉ＋１）番目の計測データ群として選択することを繰り返し行うことで、予め設定された数の計測データからなる最適化計測データ群を選択してもよい。

【0014】

（５） （１）〜（４）の機械学習装置において、前記熱変位量予測計算式は、前記計測データ群に含まれる計測データの１次遅れ要素を使用してもよい。

【0015】

（６） （１）〜（５）の機械学習装置において、前記熱変位量予測計算式は、前記計測データ群に含まれる計測データの時間シフト要素を使用してもよい。

【0016】

（７） （１）〜（６）の機械学習装置において、前記熱変位量予測計算式は、ニューラルネットワークによる機械学習に基づいて設定されてもよい。

【0017】

（８） （１）〜（６）の機械学習装置において、前記計算式学習部（例えば、後述の計算式学習部１４）は、Ｌ２正則化重回帰分析を用いた機械学習に基づいて、前記熱変位量の予測計算式を設定してもよい。

【0018】

（９） （１）〜（６）の機械学習装置において、前記計算式学習部（例えば、後述の計算式学習部１４）は、スパース正則化学習を用いて、前記熱変位量の予測計算式を設定してもよい。

【0019】

（１０） （９）の機械学習装置において、前記計測データ群に含まれる、熱変位量予測の精度向上に貢献しない計測データを検出する検出部（例えば、後述の検出部１７）をさらに備え、前記検出部は、スパース正則化学習により設定される前記熱変位量の予測計算式に基づいて検出してもよい。

【0020】

（１１） （１）〜（１０）の機械学習装置は、前記工作機械（例えば、後述の工作機械３５）の制御装置（例えば、後述の制御装置３０）に含まれてもよい。

【0021】

（１２） 本発明に係る熱変位補正装置は、（１）〜（１１）の機械学習装置（例えば、後述の機械学習装置１０，１０Ａ，１０Ｂ）により設定された熱変位量予測計算式に基づいて、前記計測データ群から算出される前記機械要素の熱変位量に対応する補正量を算出する補正量算出部（例えば、後述の補正量算出部２２）と、前記補正量算出部によって算出された前記機械要素の補正量に基づき、前記機械要素の機械位置を補正する補正部（例えば、後述の補正部２４）と、を備えている。

【0022】

（１３） （１２）の熱変位補正装置は、前記工作機械（例えば、後述の工作機械３５）の制御装置（例えば、後述の制御装置３０）に含まれてもよい。

【発明の効果】

【0023】

本発明によれば、高精度な補正式の導出、延いては、高精度な補正自体を、低コストで実施することが可能となる。

【図面の簡単な説明】

【0024】

【図1】本発明の第１実施形態に係る熱変位補正システムを示すブロック図である。

【図2】本発明の第１実施形態に係る機械学習装置及び熱変位補正装置の詳細を示すブロック図である。

【図3】本発明の第１実施形態に係る工作機械及び制御装置の詳細を示すブロック図である。

【図4】本発明の第１実施形態に係る機械学習装置における機械学習時の動作を示すフローチャートである。

【図5】本発明の第１実施形態における機械学習に用いるニューラルネットワークの例を示すフローチャートである。

【図6A】本発明の第１実施形態における機械学習に用いるニューラルネットワークの例を示すフローチャートである。

【図6B】本発明の第１実施形態における機械学習に用いるニューラルネットワークの例を示すフローチャートである。

【図7】本発明の第１実施形態に係る熱変位補正装置における補正時の動作を示すフローチャートである。

【図8】本発明の第２実施形態に係る機械学習装置の詳細を示すブロック図である。

【図9】本発明の第２実施形態に係る機械学習装置における寄与度判定時の動作を示すフローチャートである。

【図10】本発明の第２実施形態に係る機械学習装置における最適化計測データ群選択の動作を示すフローチャートである。

【図11】本発明の第３実施形態に係る機械学習装置の詳細を示すブロック図である。

【図12】本発明の第３実施形態に係る機械学習装置における精度向上に貢献しない計測データの検出時の動作を示すブロック図である。

【発明を実施するための形態】

【0025】

［第１実施形態］
以下、本発明の第１実施形態を図面に基づいて説明する。図１は、本実施形態に係る熱変位補正システムを示すブロック図である。図２は、本実施形態に係る機械学習装置及び熱変位補正装置の詳細を示すブロック図である。図３は、本実施形態に係る工作機械及び制御装置の詳細を示すブロック図である。

【0026】

＜熱変位補正システム１００の構成＞
まず、本実施形態に係る熱変位補正システム１００の構成について説明する。熱変位補正システム１００は、図１に示すように、機械学習装置１０、熱変位補正装置２０、制御装置３０、工作機械３５、及びネットワーク４０を備えている。なお、機械学習装置１０、熱変位補正装置２０、制御装置３０、工作機械３５は、１台でも複数台でもよい。

【0027】

ここで、制御装置３０と工作機械３５とは１対１の組とされて、通信可能に接続されている。これら制御装置３０と工作機械３５の組は、例えば同じ工場に複数組設置されていてもよく、それぞれ異なる工場に設置されていてもよい。

【0028】

また、機械学習装置１０と、熱変位補正装置２０と、制御装置３０と、工作機械３５とは、それぞれネットワーク４０に接続されており、ネットワーク４０を介して相互に通信を行うことが可能である。ネットワーク４０は、例えば、工場内に構築されたＬＡＮ（Local Area Network）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワーク４０における具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。なお、熱変位補正装置２０と制御装置３０とは、ネットワーク４０を用いた通信ではなく、接続部を介して直接接続してもよく、機械学習装置１０と制御装置３０とは、接続部を介して直接接続してもよい。

【0029】

次に、熱変位補正システム１００に含まれるこれら装置の機能について、図２に基づいて説明する。図２は、各装置に含まれる機能ブロックを表すブロック図である。なお、各熱変位補正装置２０はそれぞれ同等の機能を有しているため、図２では１台のみを図示する。同様に、各制御装置３０や各工作機械３５もそれぞれ同等の機能を有しているため、図２では１台のみを図示する。また、各装置間に存在するネットワーク４０については、その図示を省略する。

【0030】

工作機械３５は、図３に示すように、刃物が取り付けられて主軸モータ３６で回転する主軸と、この主軸を送り出す送り軸とによって切削加工を行う。すなわち、この刃物は、主軸３６を駆動する主軸モータ３７により回転し、送り軸３８を駆動する送り軸モータ３９によって送り出される。なお、実施例では、工作機械３５を切削機械として説明するが、これに限定されない。

【0031】

制御装置３０は、図２及び図３に示すように、工作機械３５に制御信号を送出することにより、工作機械３５が所定の切削加工を行うように制御する。制御装置３０には、ワークの加工内容に応じて定まる複数の加工プログラム３１が格納されている。そして、制御装置３０は、加工プログラム３１を読み取って解釈することにより、切削加工の条件（例えば、主軸の加減速の頻度、回転数、切削負荷、切削時間）を抽出して位置指令データ等を熱変位補正装置２０に出力するプログラム読取解釈部３２と、熱変位補正装置２０から出力される熱変位補正後の位置指令データに基づいて、工作機械３５の主軸モータ３７及び送り軸モータ３９を駆動する動作指令を作成するモータ制御部３３と、動作指令を増幅して工作機械３５の主軸モータ３７に出力するモータ駆動アンプ３４Ａ、及び、送り軸モータ３９に出力するモータ駆動アンプ３４Ｂと、を備えている。また、プログラム読取解釈部３２は、切削加工の条件（例えば、主軸の加減速の頻度、回転数、切削負荷、切削時間）を抽出して熱変位補正装置２０に出力してもよい。また、回転数や切削時間等に関して、制御装置３０は、主軸モータ３７及び／又は送り軸モータ３９からリアルタイムに得られた情報を熱変位補正装置２０に出力してもよい。
また、制御装置３０には、計測データを取得するため、工作機械３５に取り付けるセンサを接続する端子が複数存在する。センサのケーブルをこの端子から抜き差しすることにより、制御装置３０に接続されるセンサを加えたり、取り外したり、センサの場所を変更したりすることが可能である。また、工作機械３５に設置されるセンサの配置を変更することも可能である。なお、センサの配置変更は、工作機械３５の設置場所から取りはずし、設置変更場所に当該センサを加える態様として扱うことができる。

【0032】

機械学習装置１０は、図２に示すように、教師あり機械学習により、工作機械３５における熱変位量予測計算式を学習する。そのため、機械学習装置１０は、計測データ取得部１１、熱変位量取得部１２、記憶部１３及び計算式学習部１４を備えている。

【0033】

計測データ取得部１１は、制御装置３０から計測データ群を取得する。ここで、計測データとは、温度センサにより計測された、工作機械３５の機械要素とその周辺の温度データを含んでもよい。さらに計測データは、工作機械３５の機械要素の動作状態データ、具体的には、例えば、工作機械３５の主軸の回転速度や、主軸へのクーラント流量、主軸軸受への潤滑油量等の、温度センサを貼り付けられない箇所の物性値を含んでもよい。

【0034】

熱変位量取得部１２は、例えばプローブによって検出される、工作機械３５の機械要素の熱変位量の実測値を取得する。

【0035】

記憶部１３は、計測データ取得部１１によって取得された計測データ群を入力データとし、熱変位量取得部１２によって取得された機械要素の熱変位量の実測値をラベルとして、互いに関連付けて教師データとして記憶する。

【0036】

計算式学習部１４は、計測データ群と、機械要素の熱変位量の実測値とに基づいて機械学習を行うことで、機械要素の熱変位量を計測データ群に基づいて算出する熱変位量予測計算式を設定する。
より具体的には、計測データ群内に独立変数が複数存在するため、一般化線形モデルの重回帰により、計算式学習部１４は、求めるべき熱変位量予測計算式に、記憶部１３に教師データとして記憶された所定期間内における計測データ群を代入して算出される機械要素の熱変位量の推定値と、記憶部１３にラベルとして記憶された所定期間内における機械要素の熱変位量の実測値との差異に基づいて、例えば最小二乗法等により差異が最小となるように、熱変位量予測計算式を設定する。
なお、計算式学習部１４は、具体的には、計測データ（入力データ）をＸ１，Ｘ２，・・・Ｘｎとし、工作機械を構成する主軸、ベッド、コラム等の構成要素の各々について、熱変位量の予測値をｆ（Ｘ１，Ｘ２，・・・，Ｘｎ）（ｎは自然数）、熱変位量の実測値をＹＬとした際、ｆ（Ｘ１，Ｘ２，・・・，Ｘｎ）とＹＬとの差異が最小となるような熱変位量予測計算式を設定する。

【0037】

熱変位補正装置２０は、図２に示すように、補正量算出手段としての補正量算出部２２と、補正実行手段としての補正部２４とを備える。
補正量算出部２２は、機械学習装置１０により設定された熱変位量予測計算式に基づいて、計測データ群（判定データ）から算出される機械要素の熱変位量に対応する補正量を算出する。
補正部２４は、補正量算出部２２によって算出された機械要素の補正量に基づき、機械要素の機械位置を補正する。又は、補正部２４は、この機械要素の補正量を制御装置３０に送信する。より具体的には、補正部２４は、図３に示すように、この機械要素の補正量を用いて、制御装置３０のプログラム読取解釈部３２から出力される切削加工の条件を補正した上で、モータ制御部３３に位置指令データを出力する。

【0038】

＜機械学習時の動作＞
次に、本実施形態に係る熱変位補正システム１００における機械学習時の動作について説明する。図４は、この機械学習時の機械学習装置１０の動作を示すフローチャートである。

【0039】

ステップＳ１１において、機械学習装置１０の計測データ取得部１１は、制御装置３０から計測データ群を取得する。より具体的には、計測データ取得部１１は、工作機械３５の機械要素とその周辺の温度データ、及び／又は、動作状態データを取得する。動作状態データとしては、例えば、主軸の回転速度や、クーラント流量、及び潤滑油流量を含むようにしてもよい。
なお、例えば、計測データとして、温度自体のデータではなく、温度変化量のデータを取得してもよい。さらに、温度変化量のデータとして、初期温度からの温度変化量のデータを取得してもよく、前回測定された温度から今回測定された温度までの温度変化量のデータを取得してもよい。
また、動作状態データとして、クーラントによる吸熱量、潤滑油吸熱量を含むようにしてもよい。

【0040】

ステップＳ１２において、機械学習装置１０の熱変位量取得部１２は、例えばプローブによって検出される、工作機械３５の機械要素の熱変位量の実測値を取得する。具体的には、例えば、熱変位量のＸ、Ｙ、Ｚ軸方向成分を測定し、それらの測定値の組を実測値としてもよい。

【0041】

ステップＳ１３において、機械学習装置１０の記憶部１３は、計測データ取得部１１によって取得された計測データ群を入力データとし、熱変位量取得部１２によって取得された機械要素の熱変位量の実測値をラベルとして、互いに関連付けた組とし、教師データとして記憶する。

【0042】

ステップＳ１４において、機械学習装置１０の計算式学習部１４は、この教師データに基づいて機械学習を実行する。機械学習の具体的な手法の例については、後述する。

【0043】

ステップＳ１５において、機械学習装置１０の計算式学習部１４は、機械学習を終了するか、それとも機械学習を繰り返すかを判定する。ここで、機械学習を終了させる条件は任意に定めることができる。ここで、機械学習を終了する場合（Ｓ１５：ＹＥＳ）には、処理はステップＳ１６に移行する。機械学習を繰り返す場合（Ｓ１５：ＮＯ）には、処理は、ステップＳ１１に戻り、同じ処理を繰り返す。

【0044】

ステップＳ１６において、機械学習装置１０は、その時点までの機械学習により設定した熱変位量予測計算式をネットワーク４０経由で各熱変位補正装置２０に送信する。

【0045】

また、機械学習装置１０の記憶部１３は、この熱変位量予測計算式を記憶する。これにより、新たに設置された熱変位補正装置２０から熱変位量予測計算式を要求された場合には、その熱変位補正装置２０に熱変位量予測計算式を送信することができる。また、新たな教師データを取得した場合には、更なる機械学習を行うこともできる。

【0046】

＜機械学習の方法の例＞
上記のように、図４のステップＳ１４において、計算式学習部１４は、教師データを用いて機械学習を実施するが、その方法の例について詳述する。

【0047】

第１の手法として、一般化線形モデルの重回帰に基づき、熱変位量予測計算式Ｙ＝ａ１Ｘ１＋ａ２Ｘ２＋・・・ａｎＸｎによって算出される熱変位量の推定値と、熱変位量の実測値との二乗誤差が最小となる係数を、最小二乗法を用いた機械学習により、推論して設定することが可能である。ここで、Ｙは熱変位量推定値、Ｘ１、Ｘ２・・・Ｘｎは各計測データ値、ａ１、ａ２・・・ａｎは重回帰により決定される係数である。
具体的には、計測データをＸｋ、ラベルをＹＬとしたとき、

【0048】

【数1】

を、複数の教師データに渡って合計した値が最小となるような係数ａｋの組を求める。なお、ｋは自然数、ｎは任意の整数であり、ｋ≦ｎである。

【0049】

第１の手法において、通常の重回帰分析ではなく、Ｌ２正則化項を考慮した重回帰分析を実施することが可能である。すなわち、熱変位量予測計算式Ｙ＝ａ１Ｘ１＋ａ２Ｘ２＋・・・ａｎＸｎによって算出される熱変位量の推定値と、熱変位量の実測値との二乗誤差に、Ｌ２正則化項を加算した値が最小となる係数を、機械学習により推論して設定することが可能である。ここで、上記と同様に、Ｙは熱変位量推定値、Ｘ１、Ｘ２・・・Ｘｎは各計測データ値、ａ１、ａ２・・・ａｎはＬ２正則化項を考慮した重回帰により決定される係数である。
具体的には、計測データをＸｋ、ラベルをＹＬとしたとき、

【0050】

【数2】

を、複数の教師データに渡って合計した値が最小となるような係数ａｋの組を求める。なお、ｎは自然数であり、学習に使用する教師データの測定点数を意味する。また、λはハイパーパラメータであり、機械学習を行う前に、予め設定されるパラメータである。

【0051】

また、第１の手法において、スパース正則化を実施することが可能である。例えばＬ１正則化項を考慮した重回帰分析を実施することが可能である。具体的には、計測データをＸｋ、ラベルをＹＬとしたとき、

【0052】

【数3】

を、複数の教師データに渡って合計した値が最小となるような係数ａｋの組を求める。なお、ｎは自然数であり、学習に使用する教師データの測定点数を意味する。また、λはハイパーパラメータであり、機械学習を行う前に、予め設定されるパラメータである。λを大きく設定するほど、ａｋにおいて０となる項の数が増加する効果がある。

【0053】

正則化の例としてＬ２正則化とＬ１正則化を用いたが、これは一例であって、これには限定されない。

【0054】

第１の手法において、上記の機械学習を実行する際の入力データとして、計測データの１次遅れ要素や、計測データの時間シフト要素を用いることも可能である。具体的には、時刻ｔにおける熱変位量の推定値をＹ（ｔ）、時刻ｔにおけるセンサＸｋの測定値をＸｋ（ｔ）とした場合、計測データの１次遅れ要素を用いた熱変位量予測計算式は、

【0055】

【数4】

となり、機械学習により、係数ａｋ、ｂｋ、Ｔｋを求める。なお、ΔｔｋはセンサＸｋの測定値のサンプリングタイムである。

【0056】

また、時刻ｔにおける熱変位量の推定値をＹ（ｔ）、時刻ｔにおけるセンサＸｋの測定値をＸｋ（ｔ）とした場合、計測データの時間シフト要素を用いた熱変位量予測式は、

【0057】

【数5】

となり、機械学習により、係数ａｋτ、Ｔｋを求める。なお、ΔｔｋはセンサＸｋの測定値のサンプリングタイムである。

【0058】

また、計測データの１次遅れ要素や計測データの時間シフト要素を用いた上で、Ｌ１正則化項やＬ２正則化項といった各種正則化項を付加した学習を行っても良い。この場合、ａｋ、ａｋτ、ｂｋ、Ｔｋ等の各種パラメータに対する正則化項を付加することになる。

【0059】

第２の手法として、周知のニューラルネットワークによる機械学習を実施することが可能である。
例えば、図５に示すような単層のニューラルネットワークを用いることが可能である。図５においては、温度データＡ、温度データＢ、温度データＣ、動作状態データＡを元に主軸熱変位量推定値を求め、温度データＢ、温度データＤ、動作状態データＢを元に送り軸熱変位量推定値を求めているが、これは一例であって、これには限定されない。

【0060】

また、図６Ａ及び図６Ｂに示すような多層のニューラルネットワークを用いることも可能である。とりわけ、図６Ａに記載されるような、中間層の出力が、同時に中間層の入力となるようなリカレントニューラルネットワークや、図６Ｂに記載されるような、所定時間分の過去から現在までの履歴データ、例えば、温度データＡｔ、温度データＡｔ−１、温度データＡｔ−２が同時に入力値となるような、タイムディレイ型のフィードフォワードニューラルネットワーク等を用いることが有効である。
また、ニューラルネットワークの入力データとして、前述した計測データの時間シフト要素（計測データの１次遅れ要素、及び／又は、計測データの時間シフト要素）を用いるようにしてもよい。
また、ニューラルネットワークの学習を行う際に、例えばＬ２正則化項のような各種正則化項を付加した学習を行っても良い。
なお、図６Ａ及び図６Ｂには中間層は１層のみしか記載されていないが、これには限定されず、任意の数の中間層を設定することが可能である。また、図６Ａでは、温度データＡ、温度データＢ、動作状態データＡを入力とし、主軸熱変位量推定値、送り軸熱変位量推定値を出力しているが、これは一例であって、これには限定されない。また、図６Ｂでは、温度データＡｔ、温度データＡｔ−１、温度データＡｔ−２を入力とし、主軸熱変位量推定値、送り軸熱変位量推定値を出力しているが、これは一例であって、これには限定されない。

【0061】

＜補正時の動作＞
次に、本実施形態に係る熱変位補正システム１００における補正時の動作について説明する。図７は、この補正時の熱変位補正装置２０の動作を示すフローチャートである。

【0062】

ステップＳ２１において、補正量算出部２２は、機械学習装置１０により設定された熱変位量予測計算式に基づいて、計測データ群から算出される機械要素の熱変位量に対応する補正量を算出する。

【0063】

ステップＳ２２において、補正部２４は、補正量算出部２２によって算出された前記機械要素の補正量に基づき、前記機械要素の機械位置を補正することにより、熱変位量を相殺補償する。
なお、図７の記載とは異なるが、ステップＳ２２において、補正部２４は、この機械要素の補正量を制御装置３０に送信してもよい。より具体的には、補正部２４は、この機械要素の補正量を用いて、制御装置３０のプログラム読取解釈部３２から出力される座標位置を補正してモータ制御部３３に位置指令データを出力してもよく、この補正量を用いて予め加工プログラム３１を補正した上で、加工プログラム３１を実行してもよい。

【0064】

＜第１実施形態が奏する効果＞
上記のように、本実施形態では、機械学習装置１０において、熱膨張する機械要素を有する工作機械３５の機械要素とその周辺の温度データ及び／又は機械要素の動作状態データを含む計測データ群に基づいて、機械要素の熱変位量を推定する熱変位量予測計算式を機械学習によって最適化することができる。

【0065】

また、計測データを取得する各点の温度変化は熱伝導による遅れがかかり、その上で熱変位に反映されるため、遅れを考慮できる機械学習手法は有効である。

【0066】

また、工作機械３５の動作環境や工作機械３５の種別に応じて、熱変位量予測計算式、熱変位量予測計算式に基づく補正式をチューニングし精度を向上することが可能となる。

【0067】

［第２実施形態］
以下、本発明の第２実施形態を図面に基づいて説明する。図８は、本実施形態に係る機械学習装置の詳細を示すブロック図である。図９は、本実施形態に係る機械学習装置における寄与度判定時の動作を示すフローチャートである。図１０は、本実施形態に係る機械学習装置における最適化計測データ群選択の動作を示すフローチャートである。

【0068】

＜熱変位補正システム１００Ａの構成＞
第２実施形態に係る熱変位補正システム１００Ａは、第１実施形態に係る熱変位補正システム１００に比較して、第２実施形態に係る機械学習装置１０Ａの構成要素は、図８に示すように、第１実施形態に係る機械学習装置１０の構成要素に加えて、寄与度判定部１５及び最適化計測データ選定部１６が追加される点で異なる。その他の構成については、上述した第１実施形態と基本的に同一であるので、同一の部材については、同一の符号を付してその説明を省略する。

【0069】

寄与度判定部１５は、計測データ群に含まれる各計測データの熱変位量の予測に対する寄与度を判定する。
より具体的には、寄与度判定部１５は、寄与度算出対象の計測データを含む第１の計測データ群に基づく機械学習により設定される第１熱変位量予測計算式により算出される第１熱変位量予測値と熱変位量実測値との誤差である第１誤差（絶対値）と、寄与度算出対象の計測データを除く第２の計測データ群に基づく機械学習により設定される第２熱変位量予測計算式により算出される第２熱変位量予測値と熱変位量実測値との誤差である第２誤差（絶対値）との差異に基づいて、寄与度算出対象の計測データの寄与度を判定する。具体的には、第１誤差と第２誤差との差異が大きいほど、寄与度算出対象の計測データの寄与度は大きいと判定することができる。
なお、第１誤差と第２誤差との差異の判定に際しては、複数の教師データ集合に対応する第１誤差の集合及び第２誤差の集合に基づいて判定することが好ましい。この場合、例えば第１誤差と第２誤差との差異の平均値、又は最大値等を用いることができる。

【0070】

最適化計測データ選定部１６は、現在取得している計測データ群のうち、例えば、寄与度の小さい計測データを除く、予め設定された数の計測データの組み合わせからなる最適化計測データ群を選択する。なお、ここで「計測データ数」とは、例えば計測データを計測するセンサ毎に異なる、計測データの種類数を意味する。
より具体的には、最適化計測データ選定部１６は、現在取得している計測データ群から、寄与度判定部１５により判定される寄与度の一番少ない計測データを外した計測データ群を、第１番目の計測データ群として選択する。次に、最適化計測データ選定部１６は、第ｉ（１≦ｉ）番目の計測データ群から、寄与度判定部１５により判定される寄与度の一番少ない計測データを外した計測データ群を、第（ｉ＋１）番目の計測データ群として選択することを繰り返し行うことで、予め設定された数の計測データからなる最適化計測データ群を選択する。なお、ここでｉとは自然数である。

【0071】

＜寄与度判定時の動作＞
次に、機械学習装置１０Ａにおける、計測データ群に含まれる計測データの寄与度を判定する動作について説明する。図９は、この寄与度判定時の機械学習装置１０Ａの動作を示すフローチャートである。

【0072】

ステップＳ３１において、計算式学習部１４は、図４に記載のフローに従い、全ての計測データを含む第１の計測データ群及び熱変位量実測値に基づいて第１熱変位量予測計算式を設定する。

【0073】

ステップＳ３２において、寄与度判定部１５は、第１熱変位量予測計算式を用いて、第１熱変位量予測値を算出する。

【0074】

ステップＳ３３において、寄与度判定部１５は、第１熱変位量予測値と熱変位量実測値との誤差である第１誤差（絶対値）を算出する。

【0075】

ステップＳ３４において、計算式学習部１４は、図４に記載のフローに従い、寄与度算出対象の計測データを除く第２の計測データ群及び熱変位量実測値に基づいて第２熱変位量予測計算式を設定する。

【0076】

ステップＳ３５において、寄与度判定部１５は、第２熱変位量予測計算式を用いて、第２熱変位量予測値を算出する。

【0077】

ステップＳ３６において、寄与度判定部１５は、第２熱変位量予測値と熱変位量実測値との誤差である第２誤差（絶対値）を算出する。

【0078】

なお、ステップＳ３１〜Ｓ３６は、図９に記載のように並行して実行してもよく、あるいは、連続的に実行してもよい。

【0079】

ステップＳ３７において、寄与度判定部１５は、第１誤差と第２誤差との差異に基づいて、寄与度算出対象の計測データの寄与度を判定する。具体的には、この差異が大きいほど、寄与度算出対象の計測データの寄与度は大きくなると判定することができる。

【0080】

＜最適化計測データ群選択時の動作＞
次に、機械学習装置１０Ａにおける、寄与度の小さい計測データを外して所定の数の計測データを含む最適化計測データ群選択時の動作について説明する。図１０は、この寄与度判定時の機械学習装置１０Ａの動作を示すフローチャートである。

【0081】

ステップＳ４１において、最適化計測データ選定部１６は、最終的に使用する計測データの数を設定する。なお、最終的に使用する計測データの数は、当所の計測データ数未満であるものとする。

【0082】

ステップＳ４２において、寄与度判定部１５は、図９に記載のフローに従い、現在取得している計測データ群を構成する各計測データの寄与度を判定する。

【0083】

ステップＳ４３において、最適化計測データ選定部１６は、現在取得している計測データ群から、最も寄与度が小さい計測データを外した上で、この計測データ群を「１番目の計測データ群」とする。

【0084】

ステップＳ４４において、最適化計測データ選定部１６は、初期値としてｉ＝１を設定する。

【0085】

ステップＳ４５において、最適化計測データ選定部１６は、ｉ番目の計測データ群を選択する。

【0086】

ステップＳ４６において、寄与度判定部１５は、図９に記載のフローに従い、ｉ番目の計測データ群を構成する各計測データの寄与度を判定する。

【0087】

ステップＳ４７において、最適化計測データ選定部１６は、ｉ番目の計測データ群から、最も寄与度が小さい計測データを外した上で、この計測データ群を「ｉ＋１番目の計測データ群」とする。

【0088】

ステップＳ４８において、最適化計測データ選定部１６は、「ｉ＋１番目の計測データ群」中の計測データ数が、ステップＳ４１において設定した計測データ数に等しいか判定する。計測データ数が当初の設定数と等しい場合（Ｓ４８：ＹＥＳ）には、処理を終了する。すなわち、ステップＳ４８の処理を終了した時点での「ｉ＋１番目の計測データ群」が、最適化された計測データ群となる。計測データ数が当初の設定数と等しくない場合（Ｓ４８：ＮＯ）には、処理はステップＳ４７に移行する。

【0089】

ステップＳ４７において、最適化計測データ選定部１６は、ｉを１インクリメントする。その後、処理はステップＳ４５に戻る。

【0090】

＜第２実施形態が奏する効果＞
上記のように、第２実施形態では、第１実施形態が奏する効果に加えて、貢献度の小さな計測データを計測データ群から外すことにより、計測データ群をスリム化することが可能となる。

【0091】

さらに、上記のように、制御装置３０の端子に接続されたセンサは取り外し可能であるため、精度向上への寄与が小さいセンサを外したり、センサの位置を変更したりすることにより、少ないセンサで高精度な補正をすることが可能となる。また、センサの削減は、コストカットや保守の容易性に繋がる。とりわけ、あらかじめ大量のセンサを設置して計測データを取得した上で、機械学習による自動解析で寄与度を算出し、寄与が小さいセンサを削除することにより、少ないセンサで高精度な補正をすることが可能となる。

【0092】

［第３実施形態］
以下、本発明の第３実施形態を図面に基づいて説明する。図１１は、本実施形態に係る機械学習装置の詳細を示すブロック図である。図１２は、本実施形態に係る機械学習装置における精度向上に貢献しない計測データの検出時の動作を示すフローチャートである。

【0093】

＜熱変位補正システム１００Ｂの構成＞
第３実施形態に係る熱変位補正システム１００Ｂは、第１実施形態に係る熱変位補正システム１００に比較して、機械学習装置１０Ｂの構成要素は、図８に示すように、機械学習装置１０の構成要素に加えて、検出部１７が追加される。その他の構成については、上述した第１実施形態と基本的に同一であるので、同一の部材については、同一の符号を付してその説明を省略する。第３実施形態は、スパース正則化学習を利用することにより精度向上に寄与しない計測データを検出するものである。

【0094】

検出部１７は、スパース正則化学習により設定される熱変位量予測式に基づいて、熱変位量予測の精度向上に貢献しない計測データを検出する。

【0095】

＜検出時の動作＞
次に、機械学習装置１０Ｂにおける、計測データ群に含まれる計測データの寄与度を判定する動作について説明する。図１２は、この寄与度判定時の機械学習装置１０Ｂの動作を示すフローチャートである。

【0096】

ステップＳ５１において、機械学習装置１０Ｂの計測データ取得部１１は、制御装置３０から計測データ群を取得する。より具体的には、計測データ取得部１１は、工作機械３５の機械要素とその周辺の温度データ、及び／又は、工作機械３５の動作状態データを取得する。

【0097】

ステップＳ５２において、機械学習装置１０Ｂの熱変位量取得部１２は、例えば渦電流センサによって検出される、工作機械３５の機械要素の熱変位量の実測値を取得する。具体的には、例えば、熱変位量のＸ、Ｙ、Ｚ軸方向成分を測定し、それらの測定値の組を実測値としてもよい。

【0098】

ステップＳ５３において、機械学習装置１０Ｂの記憶部１３は、計測データ取得部１１によって取得された計測データ群を入力データとし、熱変位量取得部１２によって取得された機械要素の熱変位量の実測値をラベルとして、互いに関連付けた組とし、教師データとして記憶する。

【0099】

ステップＳ５４において、機械学習装置１０の計算式学習部１４は、この教師データを用いたスパース正則化による機械学習をする。

【0100】

ステップＳ５５において係数ａｋ＝０となるような計測データＸｋを検出する。こうすることで、検出部１７は、スパース正則化学習により設定される熱変位量予測式に基づいて、熱変位量予測の精度向上に貢献しない計測データを検出する。

【0101】

なお、第２実施形態である機械学習装置１０Ａにおいて、寄与度判定部１５に代えて、検出部１７を使用し、最適化計測データ選定部１６と組み合わせることで、計測データ群を最適化することも可能である。より具体的には、検出部１７が、係数ａｋ＝０となるような、熱変位量予測の精度向上に貢献しない計測データを検出し、最適化計測データ選定部１６が、現在取得している計測データ群から、熱変位量予測の精度向上に貢献しない計測データを外すことにより、スリム化された計測データ群を選定することが可能となる。

【0102】

＜第３実施形態が奏する効果＞
上記のように、第３実施形態では、第２実施形態が奏する効果と同様の効果を奏することが可能となる。

【0103】

［その他の実施形態］
上述した実施形態は、本発明の好適な実施形態ではあるが、上記実施形態に本発明の範囲を限定するものではなく、本発明の要旨を逸脱しない範囲において、種々の変更を施した形態での実施が可能である。

【0104】

［変形例１］
上記の実施形態においては、一般化線形モデルの重回帰に基づき、熱変位量予測計算式を多項式としたが、これには限定されず、非線形モデルの重回帰に基づくものとしてもよい。

【0105】

［変形例２］
また、上記の実施形態においては、計測データを削除することにより計測データ群を最適化する技術について記載したが、これには限定されず、計測データを追加することにより計測データ群を最適化してもよい。具体的には、機械学習の結果設定された熱変位量予測計算式の精度が、閾値未満である場合には、計測データを追加してもよい。さらに、ある計測データを削除した上で、別の計測データを追加してもよい。
とりわけ、工作機械の保守員やエンドユーザの側でセンサを追加した際、熱変位量予測計算式に基づく補正式の自動チューニングにより、熱変位補正の精度が向上する。
また、例えば熱変位補正の精度を向上させるために、例えば温度センサの配置位置を変えて得られる計測データ群による機械学習を行うようにしてもよい。この場合も、配置換えした後に得られる熱変位予測式により算出される熱変位量予測値と熱変位量実測値との誤差と、配置換えをする前の計測データ群による機械学習に基づいて得られた熱変位補正式により算出される熱変位量予測値と熱変位量実測値との誤差と、の差異を評価することで、精度が向上しているかどうかを判定することができる。

【0106】

また、上記の実施形態では、工作機械３５を切削機械としたがこれには限定されない。工作機械３５は、例えば、ワイヤ放電加工機や、レーザ加工機であってもよい。

【0107】

［変形例４］
また、制御装置３０が熱変位補正装置２０を備えるように構成してもよい。
あるいは、制御装置３０が機械学習装置１０，１０Ａ，１０Ｂを備えるように構成してもよい。

【0108】

［変形例５］
上記の実施形態における機械学習装置１０，１０Ａ，１０Ｂは、ＣＰＵを備えるコンピュータシステムとしてもよい。その場合には、ＣＰＵは、例えばＲＯＭ等の記憶部に格納されたプログラムを読み出し、このプログラムに従ってコンピュータを計測データ取得部１１、熱変位量取得部１２、記憶部１３、計算式学習部１４、寄与度判定部１５、最適化計測データ選定部１６、検出部１７として実行させる。

【符号の説明】

【0109】

１０ １０Ａ １０Ｂ 機械学習装置
１１ 計測データ取得部
１２ 熱変位量取得部
１３ 記憶部
１４ 計算式学習部
１５ 寄与度判定部
１６ 最適化計測データ選定部
１７ 検出部
２０ 熱変位補正装置
２２ 補正量算出部
２４ 補正部
３０ 制御装置
３５ 工作機械
４０ ネットワーク
１００ １００Ａ １００Ｂ 熱変位補正システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6A】

【図6B】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】