CN112415950B 机器学习装置、控制系统以及机器学习方法 （发那科株式会社）

作部，其具备包含决定发热量的第1系数和决定放热量的第2系数的虚拟温度计算式，使用发热原因数据通过虚拟温度计算式来推定机器的特虚拟温度数据和从安装在特定部位以外的部位出由热位移推定量计算式推定出的热位移与实搜索所述第1系数与所述第2系数的机器学习以2虚拟温度模型制作部，其具备虚拟温度计算式，使用发度计算式求出的所述虚拟温度数据和从安装在所述特定部位以外的部位的至少一个温度热位移的误差，进行搜索所述第3系数的机器学习来制作最佳化的热位移推定量计算式以所述虚拟温度模型制作部进行搜索所述第1系数和所述第2系数的机器学习来制作最所述第1系数是决定由来自驱动所述机器的电动机的热传递和/或轴承摩擦导致的发热量的系数，所述第2系数是决定由从所述机器的特定部位向周围流体的热传递导致的放所述机器的特定部位是机床的滚珠丝杠的丝杠热位移校正装置，其保存从所述机器学习装置输出的虚拟数值控制装置，其根据所述热位移校正量，来校正向对电动机进行通过包含决定发热量的第1系数和决定放热量的第2系数的虚拟原因数据推定机器的特定部位的温度来求出具有包含第3系数的热位移推定量计算式，使用利用所述虚拟温度计算式求出的所述虚拟温度数据和从安装在所述特定部位以外的部位的至少一个温度传感器取得的实际温搜索所述第3系数的机器学习来制作最佳化的热位移推定量计算式以便使进行搜索所述第1系数和所述第2系数的机器学习来制作最佳化便通过使用由所述虚拟温度计算式推定出的所述虚拟温度数据被最佳化的所述热位移推3置或者热位移校正装置例如在专利文献1～专利文[0004]专利文献2中记载有如下热位移校正装置：将包含主轴的主轴部考虑为二维的模息，设置使用神经网络常数值来运算工具与工作物的热位移的校正量的神经网络运算部，作为训练数据，使神经网络学习运算部学习从训练数据存储部8中读出的热位移以及温度4拟温度计算式求出的所述虚拟温度数据和从安装在所述特定部位以外的部位的至少一个出的热位移的误差，进行搜索所述第3系数的机器学习来制作最佳化的热位移推定量计算[0013]所述虚拟温度模型制作部进行搜索所述第1系数和所述第2系数的机器学习来制[0015]该虚拟温度模型制作部具有包含决定发热量的第1系数和决定放热量的第2系数[0016]该虚拟温度模型制作部使用利用发热原因数据通过所述虚拟温度计算式获得的机器的特定部位的虚拟温度数据和从安装在所述特定部位的至少一个温度传感器取得的和所述第2系数的机器学习来制作最佳化的虚拟温度计算式以便使所述[0021]具有包含第3系数的热位移推定量计算式，使用利用所述虚拟温度计算式求出的所述虚拟温度数据和从安装在所述特定部位以外的部位的至少一个温度传感器取得的实际温度数据，求出由所述热位移推定量计算式推定出的热位移与实测出的热位移的误差，进行搜索所述第3系数的机器学习来制作最佳化的热位移推定量计算式以便使所述误差最[0022]进行搜索所述第1系数和所述第2系数的机器学习来制作最佳化的虚拟温度计算算式利用发热原因数据求出的虚拟温度数据和从安装在所述特定部位的至少一个温度传5所述第1系数和所述第2系数的机器学习来制作最佳化的虚拟温度计算式以便使所述误差[0043]图1是表示本公开的第1实施方式的控制系统的机器学习时的结构的框图。图2是6[0046]热位移模型制作部310与虚拟温度模型制作部320也可以分离而分别设为机器学[0050]虚拟温度计算部201在控制系统10的机器学习后从机器学习部300的虚拟温度模[0052]热位移量计算部203在机器学习后从机器学习部300的热位移模型制作部310接受表示在主轴以外的部位实际使用温度传感器进行了测量(虚拟主轴温度)的虚拟温度模型的虚拟主轴温度计算式的系数进行学习。主轴为特定部7中的热位移的推定量(热位移推定量)的热位移模型的热位移推定量计算式的系数进行学[0061]这样，机器学习部300求出由热位移量推定式推定出的热位移与实测出的热位移[0062]以下，使用图5对热位移模型制作部310以及虚拟温度模型制作部320的结构进行[0066]误差取得部322从后述的热位移模型制作部310的误差计算部316，取得热位移量[0067]存储部323将通过发热原因数据取得部321取得的发热原因数据与通过误差取得8[0076]数学公式2的B表示电动机的热传递的系数，C以及D表示成为机器受损的轴承M[0084]Q学习以在某种状态S下从能够取得的行为A中将价值Q(S、A)最高的行为A选择为拟温度模型制作部320学习如下价值Q：将从热位移模型制作部310输出的误差以及从机床9装台540以及圆柱(柱)550的图4所示的黑圈的地方的[0095]虚拟主轴温度取得部313取得通过虚拟主轴温度计算部325计算出的虚拟主轴温[0096]存储部314将由移位取得部311取得的热位移量的实测值、由温度取得部312取得的主轴以外的部位的实测温度、由虚拟主轴温度取得部313取得的虚拟主轴温度相互关联[0097]表1是表示针对时刻t的、来自设置于主轴以外的n个地方的部位的温度传感器的…θθθnt1…[0101]更具体来说，通过广义线性模型的多元回归，学习部315根据代入存储在存储部314中的预定期间内的来自设置在主轴以外的n个地方的部位的温度传感器的实测温度θ1~θn以及虚拟主轴温度θv而计算出的热位移推定量、与作为标签而存储在存储部13中的预式以便通过最小二乘法等使差异最小。根据实测温度θ1~θn以及虚拟主轴温与YL的差异最小[0103]误差计算部316将通过学习部315设定出的热位移推定量计算式而计算出的热位移推定量与热位移量的实测值之差作为误差而输出给误差取方法，能够根据广义线性模型(Generalizedlinearmodel)的多元回归(Multiple+a2θ2+…+anθn+aVθV计算出的热位移量的推定值(热位移推定量)与热位移量的实测值YL的kv为第3[0111]设定热位移推定量计算式的方法不限于上述方法，可以使用日本特开2018-报中记载有使用了测量数据的1次延迟要素的热位移量预测计算式以及使用了测量数据的施单层神经网络或者多层神经网络等公知的神经网络涉及的[0116]步骤S11中，虚拟温度模型制作部320的学习部324在机器学习开始时以及机器学以使使用了虚拟主轴温度以及来自设置在主轴以外的部位的温度传感器的实测温度的热(误差)最小。与YL的误差。将虚拟温度模型输出给热位移校正部200。学习结束时输出的虚拟温度模型是使用了搜索[0121]另外，机器学习部300的存储部314与存储部323存储虚拟主轴温度计算式和热位虚拟主轴温度用作一个参数来求出热位移推定量的热位移推定量计算式的系数进行机器[0128]与第1实施方式同样地，设定热位移推定量计算式的系数的方法能够根据广义线式Y＝a1θ1+a2θ2+…anθn+aVθVL而计算出的热位移量的推定值(热位移推定量)与热位移量的述的虚拟温度模型制作部320A中由通过学习而最佳化了的虚拟转塔温度计算式求出的虚[0129]图8是表示本公开的第2实施方式的控制系统的机器学习时的结构的框图。图9是表示本公开的第2实施方式的控制系统的运转时的结构的框图。图10是表示包含转塔的机[0131]机器学习部300A的热位移模型制作部310A与热位移模型制作部310相比，由于虚拟主轴温度被替换为虚拟转塔温度，因此虚拟主轴温度取得部313被替换为虚拟转塔温度作部310A的热位移推定量计算式的系数进行机器学习的方法与对热位移模型制作部310的的部位的温度传感器的实测温度θ1~θn以及虚拟转塔温度θvL的表。[0136]机器学习部300A的虚拟温度模型制作部320A与虚拟温度模型制作部320相比，误差取得部322被替换为实际温度取得部326，虚拟主轴温度计算部325被替换为虚拟转塔温在转塔的温度传感器的实测温度θT以及虚拟转塔温度θv的表。…θθθnt1…[0143]学习部324A求出使用发热原因数据而获得的虚拟转塔温度数据与转塔的实际温[0144]某个时刻ti的虚拟转)＝F×{负载}+G×{主轴转速}+H×{电动机温度}施方式的热位移推定量计算式的方法一样，使用日本特开2018-153901号公报所记载的各取得部313A从虚拟转塔温度计算部325A取得虚拟转塔温度θVL。[0158]接下来，对本实施方式涉及的机器学习部300A中的机器学习时的动作进行说[0159]步骤S21中，虚拟温度模型制作部320A的学习部324A在机器学习开始时以及机器[0163]步骤S25中，热位移模型制作部310A的学习部315设定热位移推定量计算式的系与YL的误差。[0169]以上，对第1以及第2实施方式的机器学习部300、300A所包含的功能块进行了说后暂时需要的数据的RAM(RandomAccessMemoryCPU(CentralProcessingUnit)等运算处理装置、辅助存储装置以及主存储装置被共享，不需要针对机器学习部300或者机器学习部人计算机搭载GPU(GraphicsProcessingUnits)，称为GPGPU(General-Purpose[0175]第1实施方式中，作为无法安装温度传感器来实际测量主轴温度的示例而列举主[0177]电动机控制部400通过电动机510，经由被驱动体520的连结机构521而使工作台动机510连结的耦合器5211、与固定于耦合器5211的滚珠丝杠5212，螺母5213与滚珠丝杠通过旋转角度位置求出的检测速度(实际速度)速度反馈(速度FB)给电动机控制[0178]滚珠丝杠5212的丝杠轴(screwaxis)处为了旋转而无法在丝杠轴的区域R1安装[0179]上述机器学习部所包含的各结构部可以通过硬件、软件或者它们的组合来实[0180]可以使用各种类型的非暂时性的计算机可读介质(non-transitorycomputer类型的有实体的存储介质(tangiblestoragemedium)。非暂时性的计算机可读介质的示种类型的暂时性的计算机可读介质(transitorycomputerreadablemedium)将程序供给[0183]＜机器学习装置经由网络设置在控制系统[0184]图14是表示控制系统的其他结构例的框图。图14所示的控制系统10B与图1和图2个机器学习装置300-1～300-n与n个控制装置700-1～700-n和机床500-1～500-n经由网络具有与图5所示的机器学习部300或者机器学习部300A的结构1～700-n以及机床500-1～500-n与机器学习装置300-1～300-n的n个组，经由网络800连接，但是也可以经由连接接口而直接连接。这些控制装置700-1～700-n以及机床500-1~一台机器学习装置也可以经由网络800与多台控制装置以及机床能够通信地连接，针对多[0192]本公开涉及的机器学习装置、控制系统以及机器学习方计算式推定出的热位移与实测出的热位移的误差，进行搜索所述第3系数的机器学习来制[0195]所述虚拟温度模型制作部进行搜索所述第1系数和所述第2系数的机器学习来制[0196]根据本公开的第1方式的机器学习装置，即使存在无法安装温度传感器来实际测[0197](2)关于上述(1)所记载的机器学习装置，所述第1系数是决定由来自驱动所述机[0198](3)关于上述(1)或者(2)所记载的机器学习装置，所述机器的特定部位是机床的[0199](4)关于上述(1)或者(2)所记载的机器学习装置，所述机器的特定部位是机床的热量的第1系数和决定放热量的第2系数的虚[0201]该虚拟温度模型制作部使用利用发热原因数据通过所述虚拟温度计算式获得的机器的特定部位的虚拟温度数据和从安装在所述特定部位的至少一个温度传感器取得的和所述第2系数的机器学习来制作最佳化的虚拟温度计算式以便使所述[0202]根据本公开的第2方式的机器学习装置，存在即使数据收集时能够安装温度传感[0204]该热位移模型制作部使用利用最佳化的所述虚拟温度计算式求出的虚拟温度数[0205](7)关于上述(5)或者(6)所记载的机器学习装置，所述机器的特定部位是机床的及[0209]根据本公开的第3方式的控制系统，即使无法安装温度传感器或者实际运用时难[0210](9)本公开的第4方式是一种机器学习装置(例如，机器学习部300)的机器学习方原因数据推定机器的特定部位的温度来求出[0211]具有包含第3系数的热位移推定量计算式，使用利用所述虚拟温度计算式求出的所述虚拟温度数据和从安装在所述特定部位以外的部位的至少一个温度传感器取得的实际温度数据，求出由所述热位移推定量计算式推定出的热位移与实测出的热位移的误差，进行搜索所述第3系数的机器学习来制作最佳化的热位移推定量计算式以便使所述误差最[0212]进行搜索所述第1系数和所述第2系数的机器学习来制作最佳化的虚拟温度计算[0213]根据本公开的第4方式的机器学习方法，即使存在无法安装温度传感器来实际测[0214](10)本公开的