DE102018005858A1

DE102018005858A1 - Numerische Steuerung

Info

Publication number: DE102018005858A1
Application number: DE102018005858.2A
Authority: DE
Inventors: Chao Zhi; Yuanming XU
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-07-26
Filing date: 2018-07-25
Publication date: 2019-03-21
Also published as: JP6538772B2; CN109308051B; JP2019025552A; CN109308051A; US20190033820A1

Abstract

Eine numerische Steuerung, die einen geschätzten Wert eines thermischen Verschiebungsbetrags einer Werkzeugmaschine ausgleicht, ist mit einer Schätzungseinheit, die ein Lernmodell umfasst, das die Korrelationen zwischen einer Information über die Temperatur der Werkzeugmaschine und einer Information über eine thermische Verschiebung erlernt hat und konfiguriert ist, um die Information über die Temperatur von der Werkzeugmaschine zu erfassen und einen geschätzten Wert der thermischen Verschiebung basierend auf der Information über die Temperatur und dem Lernmodell zu berechnen, einer Einheit zum Erfassen einer Ausgleichbedingung, die konfiguriert ist, um eine Positionsinformation von der Werkzeugmaschine zu erfassen, und einer Ausgleicheinheit, die konfiguriert ist, um den geschätzten Wert der thermischen Verschiebung basierend auf der Positionsinformation auszugleichen, versehen.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine numerische Steuerung und genauer gesagt eine numerische Steuerung, die in der Lage ist, eine Abweichung eines vorhergesagten Wertes auszugleichen, die durch individuelle Unterschiede oder das Altern von Werkzeugmaschinen verursacht wird, indem sie einen thermischen Verschiebungsausgleich für eine Werkzeugmaschine durch maschinelles Lernen ausführt.
Beschreibung der verwandten Technik
Eine thermische Verschiebung wird in diversen Teilen einer Werkzeugmaschine durch Wärme verursacht, die entsteht, wenn die Werkzeugmaschine ein Werkstück bearbeitet. Beispielsweise kommt es in einer Spindel oder einer Zugspindel zu einer thermischen Verschiebung, weil sich der Spindelmotor erhitzt. Die japanische Patent-Offenlegungsschrift Nr. 06-8107 beschreibt eine numerische Steuerung, die konfiguriert ist, um ein maschinelles Lernen durch ein neuronales Netzwerk für die Korrelation zwischen der Temperatur und der thermischen Verschiebung einer Werkzeugmaschine auszuführen, um die thermische Verschiebung in der Werkzeugmaschine während des Betriebs unter Verwendung des Lernmodells vorherzusagen, und um den Betrieb auszugleichen.
Manchmal kann es jedoch einen Unterschied zwischen dem Wert der thermischen Verschiebung, der durch das anfänglich erstellte Lernmodell vorhergesagt wird, und einem tatsächlichen thermischen Verschiebungsbetrag bei der Werkzeugmaschine in Betrieb auf Grund der individuellen Unterschiede oder des Alterns der Werkzeugmaschinen geben. Somit kann die Genauigkeit, die durch das Lernmodell vorhergesagt wird, möglicherweise reduziert werden. Herkömmlicherweise wird daher das Lernmodell selber aktualisiert, um die vorhergesagte Genauigkeit zu bewahren, indem je nach Bedarf ein erneutes Lernen oder ein zusätzliches Lernen ausgeführt wird.
Um jedoch das Lernmodell zu aktualisieren, sind eine gewisse Anzahl von Arbeitsstunden und Ressourcen für die Informationsverarbeitung notwendig, um Temperaturdaten und thermische Verschiebungsbeträge zu erfassen und das Lernmodell aufzubauen. Eine Zunahme der Anzahl von Arbeitsstunden führt zu einer Reduzierung der Produktivität der Fabrikanlagen. Des Weiteren erfordert die Verarbeitung für den Aufbau des Lernmodells zahlreiche Ressourcen für die Informationsverarbeitung, so dass es für numerische Steuerungen mit geringer Verarbeitungsleistung schwierig ist, diese Verarbeitung durchzuführen.
KURZDARSTELLUNG DER ERFINDUNG
Die vorliegende Erfindung wurde erdacht, um die obigen Probleme zu lösen, und ihre Aufgabe besteht darin, eine numerische Steuerung bereitzustellen, die in der Lage ist, eine Abweichung eines vorhergesagten Wertes, die durch die individuellen Unterschiede oder das Altern der Werkzeugmaschinen verursacht wird, auszugleichen, indem sie einen Ausgleich der thermischen Verschiebung für eine Werkzeugmaschine durch maschinelles Lernen ausführt.
Eine numerische Steuerung gemäß einer Ausführungsform der vorliegenden Erfindung ist eine numerische Steuerung, die einen geschätzten Wert eines thermischen Verschiebungsbetrags einer Werkzeugmaschine ausgleicht und eine Schätzungseinheit, die ein Lernmodell umfasst, das die Korrelationen zwischen einer Information über die Temperatur der Werkzeugmaschine und einer Information über eine thermische Verschiebung erlernt hat und konfiguriert ist, um die Information über die Temperatur von der Werkzeugmaschine zu erfassen und einen geschätzten Wert der thermischen Verschiebung basierend auf der Information über die Temperatur und dem Lernmodell zu berechnen, eine Einheit zum Erfassen einer Ausgleichbedingung, die konfiguriert ist, um eine Positionsinformation von der Werkzeugmaschine zu erfassen, und eine Ausgleicheinheit, die konfiguriert ist, um den geschätzten Wert der thermischen Verschiebung basierend auf der Positionsinformation auszugleichen, umfasst.
Bei der numerischen Steuerung gemäß der einen Ausführungsform der vorliegenden Erfindung führt die Ausgleicheinheit den Ausgleich aus, indem sie die Differenz zwischen der Positionsinformation, die von der Werkzeugmaschine erfasst wird, und einem Vergleichsreferenzwert der Positionsinformation zu dem geschätzten Wert der thermischen Verschiebung addiert oder davon subtrahiert.
Gemäß der vorliegenden Erfindung kann eine numerische Steuerung bereitgestellt werden, die in der Lage ist, eine Abweichung eines vorhergesagten Wertes auszugleichen, die durch die individuellen Unterschiede oder das Altern der Werkzeugmaschinen verursacht wird, indem sie einen Ausgleich der thermischen Verschiebung für eine Werkzeugmaschine durch maschinelles Lernen ausführt.
Figurenliste
Die obigen und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung von Ausführungsformen mit Bezug auf die beiliegenden Zeichnungen hervorgehen. Es zeigen:

1 ein Blockdiagramm, das eine Konfiguration einer numerischen Steuerung zeigt;
2 ein Diagramm, das ein Beispiel eines Verfahrens zum Erfassen einer Positionsinformation zeigt;
3 ein Ablaufschema, das den Betrieb der numerischen Steuerung zeigt;
4 ein Blockdiagramm, das eine Konfiguration eines Informationsverarbeitungsgeräts zeigt;
5 ein Blockdiagramm, das eine Konfiguration des Informationsverarbeitungsgeräts zeigt;
6 ist ein Blockdiagramm das eine Konfiguration des Informationsverarbeitungsgeräts zeigt;
7A ein Diagramm, das ein Neuron abbildet; und
7B ein Diagramm, das ein neuronales Netzwerk abbildet.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Eine Ausführungsform der vorliegenden Erfindung wird mit Bezug auf die beiliegenden Zeichnungen beschrieben.
1 ist ein Blockdiagramm, das eine Maschinenkonfiguration einer numerischen Steuerung 100 gemäß der Ausführungsform der vorliegenden Erfindung zeigt. Typischerweise ist die numerische Steuerung 100 ein Computer, der eine Zentraleinheit (CPU), eine Speichervorrichtung, eine Ein-/Ausgabevorrichtung und dergleichen umfasst. Verarbeitungseinheiten, die noch beschrieben werden, werden logisch umgesetzt, wenn die CPU Programme, die in der Speichervorrichtung gespeichert sind, ausliest und durchführt. Die numerische Steuerung 100 umfasst eine Schätzungseinheit 110, eine Einheit 120 zum Erfassen einer Ausgleichbedingung und eine Ausgleicheinheit 130 zur Verwendung als Verarbeitungseinheiten.
Die Schätzungseinheit 110 schätzt einen thermischen Verschiebungsbetrag basierend auf der Temperatur jedes Teils einer Werkzeugmaschine unter Verwendung eines Lernmodells, das zuvor durch ein Informationsverarbeitungsgerät 200 erstellt wurde. Das Informationsverarbeitungsgerät 200 kann entweder die numerische Steuerung 100 oder ein Informationsverarbeitungsgerät außerhalb der numerischen Steuerung 100 sein. Ein Verfahren zum Erstellen des Lernmodells durch das Informationsverarbeitungsgerät 200 wird noch beschrieben. Die Schätzungseinheit 110 erfasst einen vorhergesagten Wert des thermischen Verschiebungsbetrags basierend auf der Temperatur der Werkzeugmaschine unter Verwendung einer maschinellen Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200 in einem Schätzungsmodus.
Die Einheit 120 zum Erfassen einer Ausgleichbedingung erfasst den Verschiebungsbetrag jedes Teils der Werkzeugmaschine. Der Verschiebungsbetrag, der durch die Einheit 120 zum Erfassen einer Ausgleichbedingung erfasst wird, ist nicht der Wärme, die durch die Bearbeitung entsteht, sondern individuellen Unterschieden oder dem Altern der Werkzeugmaschinen zuzuschreiben. Die Einheit 120 zum Erfassen einer Ausgleichbedingung umfasst beispielsweise eine Berührungssonde.
Die Berührungssonde berührt einen vorbestimmten Positionspunkt auf einem Tisch und gibt die Koordinaten des Positionspunktes basierend auf einem Maschinenkoordinatensystem aus. Die Einheit 120 zum Erfassen einer Ausgleichbedingung erfasst diese Koordinaten als Ausgleichbedingungen des thermischen Verschiebungsbetrags, der durch das Lernmodell geschätzt wird.
Die Erfassung des Positionspunktes wird mit Bezug auf 2 weiter beschrieben. Die Berührungssonde ist an dem distalen Ende der Spindel der Werkzeugmaschine montiert. Die Berührungssonde gibt die Koordinaten eines Kontaktpunktes nach außen aus. Die somit ausgegebenen Koordinaten sind die Koordinaten des Kontaktpunktes von dem Maschinenkoordinatensystem aus gesehen. Beispielsweise misst die Werkzeugmaschine einen vorbestimmten Referenzpunkt an dem Tisch oder dergleichen anhand der Berührungssonde vor dem Beginn der Bearbeitung.
Diese Messung wird als Positionierung bezeichnet, und die Information, die durch die Positionierung erfasst wird, wird als Positionsinformation bezeichnet. Da die Koordinaten, die durch die Positionierung erfasst werden, vor dem Beginn der Bearbeitung erzielt werden, werden sie nicht durch die thermische Verschiebung beeinflusst, die durch die Bearbeitung verursacht wird. Andererseits werden die Ergebnisse der Messung des Referenzpunktes durch die Positionierung als Koordinaten dargestellt, die von dem Maschinenkoordinatensystem aus gesehen sind, so dass sie unter der Einwirkung der individuellen Unterschiede oder des Alterns der Werkzeugmaschinen geändert werden können. Gemäß der vorliegenden Ausführungsform erfasst die Einheit 120 zum Erfassen einer Ausgleichbedingung die Koordinaten des Referenzpunktes, der durch das Positionieren gemessen wird, als Information für das Ausgleichen der Einwirkung der individuellen Unterschiede oder des Alterns der Werkzeugmaschinen.
Die Ausgleicheinheit 130 gleicht den thermischen Verschiebungsbetrag, der durch das Lernmodell der Schätzungseinheit 110 geschätzt wird, unter Verwendung der Ausgleichbedingungen, die durch die Einheit 120 zum Erfassen einer Ausgleichbedingung erfasst werden, aus. Somit korrigiert die Ausgleicheinheit 130 eine Abweichung des vorhergesagten Wertes, die durch die individuellen Unterschiede oder das Altern der Werkzeugmaschinen verursacht wird.
Ein Beispiel des Verfahrens zum Erstellen des Lernmodells durch das Informationsverarbeitungsgerät 200 als Stand der Technik der vorliegenden Erfindung wird nun zum einfacheren Verständnis der Erfindung beschrieben. Danach wird der Betrieb der numerischen Steuerung 100 gemäß der vorliegenden Ausführungsform genauer beschrieben.
4 ist ein schematisches Diagramm einer Hardware-Konfiguration, das die Hauptbestandteile des Informationsverarbeitungsgeräts 200 zeigt. Eine CPU 11 ist ein Prozessor zum allgemeinen Steuern des Informationsverarbeitungsgeräts 200. Die CPU 11 liest ein Systemprogramm, das in einem RAM 12 gespeichert ist, aus und steuert das gesamte Informationsverarbeitungsgerät 200 gemäß diesem Systemprogramm. In einem RAM 13 werden zeitweilig provisorische Rechendaten und Anzeigedaten, diverse extern eingegebene Daten und dergleichen gespeichert.
Ein nicht flüchtiger Speicher 14 ist als Speicher ausgelegt, d.h. beispielsweise durch eine Batterie (nicht gezeigt) gesichert, so dass sein Speicherzustand bewahrt werden kann, selbst wenn das Informationsverarbeitungsgerät 200 ausgeschaltet ist. In dem nicht flüchtigen Speicher 14 sind diverse Programme und Daten, die über eine Schnittstelle (nicht gezeigt) eingegeben werden, gespeichert. Die Programme und die Daten, die in dem nicht flüchtigen Speicher 14 gespeichert sind, können in dem RAM 13 zum Zeitpunkt der Durchführung oder Verwendung dekomprimiert werden. Des Weiteren werden zuvor diverse Systemprogramme in den ROM 12 geschrieben.
Eine Temperaturmessvorrichtung 60 misst die Temperaturen von diversen Teilen der Werkzeugmaschine. Die Temperaturmessvorrichtung 60 kann beispielsweise ein Temperatursensor oder ein Thermograph sein. Das Informationsverarbeitungsgerät 200 empfängt Temperaturdaten (Messwerte von Temperaturen, Ausgangsbilder des Thermographen usw.) von der Temperaturmessvorrichtung 60 über eine Schnittstelle 18 und gibt sie an die CPU 11 ab.
Eine Formmessvorrichtung 70 misst die Formen von diversen Teilen der Werkzeugmaschine. Die Formmessvorrichtung 70 kann beispielsweise ein Mikrometer oder ein Verschiebungssensor sein. Das Informationsverarbeitungsgerät 200 empfängt Formdaten (Längen oder Verschiebungsbeträge von Koordinaten von vorbestimmten Abschnitten der Werkzeugmaschine usw.) von der Formmessvorrichtung 70 über eine Schnittstelle 19 und gibt sie an die CPU 11 ab.
Eine Schnittstelle 21 ist eine Schnittstelle, um das Informationsverarbeitungsgerät 200 und die maschinelle Lernvorrichtung 300 zu verbinden. Die maschinelle Lernvorrichtung 300 umfasst einen Prozessor 301 zum Steuern der gesamten maschinellen Lernvorrichtung 300, einen ROM 302, in dem Systemprogramme und dergleichen gespeichert sind, einen RAM 303 zur zeitweiligen Speicherung in jedem Schritt der Verarbeitung bezüglich des maschinellen Lernens und einen nicht flüchtigen Speicher 304, der verwendet wird, um das Lernmodell und dergleichen zu speichern. Die maschinelle Lernvorrichtung 300 kann diverse Informationen (Temperaturdaten, Formdaten usw.) beobachten, die durch das Informationsverarbeitungsgerät 200 über die Schnittstelle 21 erfasst werden können.
5 ist ein schematisches Funktionsblockdiagramm des Informationsverarbeitungsgeräts 200 und der maschinellen Lernvorrichtung 300.
Die maschinelle Lernvorrichtung 300 umfasst Software (Lernalgorithmus usw.) und Hardware (Prozessor 301 usw.) zum Selbstlernen basierend auf dem so genannten maschinellen Lernen der Formdaten an diversen Teilen der Werkzeugmaschine, die den Temperaturdaten darüber entsprechen. Ein Objekt, das durch die maschinelle Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200 erlernt wird, entspricht einer Modellstruktur, welche die Korrelationen zwischen den Temperaturdaten und den Formdaten darstellt.
Wie durch die Blöcke in 5 angegeben, umfasst die maschinelle Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200 eine Zustandsbeobachtungseinheit 306, die konfiguriert ist, um die Temperaturdaten als Zustandsvariablen S zu beobachten, welche die vorliegenden Zustände der Umgebungen darstellen, eine Einheit 308 zum Erfassen von Bestimmungsdaten, die konfiguriert ist, um die Formdaten als Bestimmungsdaten D zu erfassen, und eine Lerneinheit 310, die konfiguriert ist, um die Temperaturdaten in Verbindung mit den Formdaten zu erlernen, wobei die Zustandsvariablen S und die Bestimmungsdaten D verwendet werden.
Die Zustandsbeobachtungseinheit 306 kann beispielsweise als eine Funktion des Prozessors 301 ausgelegt sein. Alternativ kann die Zustandsbeobachtungseinheit 306 beispielsweise als Software ausgelegt sein, die in dem ROM 302 gespeichert ist und konfiguriert ist, um zu bewirken, dass der Prozessor 301 funktioniert. Die Zustandsvariablen S oder die Temperaturdaten, die durch die Zustandsbeobachtungseinheit 306 beobachtet werden, können als diejenigen erfasst werden, die von der Temperaturmessvorrichtung 60 ausgegeben werden. Typischerweise ist die Temperaturmessvorrichtung 60 ein Thermograph. Der Thermograph kann konfiguriert sein, um Bilddaten auszugeben, die aus einer vorbestimmten Richtung aufgenommen werden, oder um einen Satz von Bilddaten auszugeben, der aus mehreren Richtungen aufgenommen wird, unter Verwendung eines Roboters oder dergleichen. Alternativ kann die Temperaturmessvorrichtung 60 ein Thermometer mit oder ohne Kontakt oder dergleichen sein.
Die Einheit 308 zum Erfassen von Bestimmungsdaten kann beispielsweise als eine Funktion des Prozessors 301 ausgelegt sein. Alternativ kann die Einheit 308 zum Erfassen von Bestimmungsdaten beispielsweise als Software ausgelegt sein, die in dem ROM 302 gespeichert ist und konfiguriert ist, um zu bewirken, dass der Prozessor 301 funktioniert. Die Bestimmungsdaten D oder die Formdaten, die durch die Einheit 308 zum Erfassen von Bestimmungsdaten erfasst werden, können als diejenigen erfasst werden, die von der Formmessvorrichtung 70 ausgegeben werden. Typischerweise ist die Formmessvorrichtung 70 ein Mikrometer. Das Mikrometer wird auf jeden Teil der Werkzeugmaschine gesetzt und gibt beispielsweise jedes Mal einen Messwert (Länge) aus, wenn eine Bearbeitung ausgeführt wird.
Die Lerneinheit 310 kann beispielsweise als eine Funktion des Prozessors 301 ausgelegt sein. Alternativ kann der Prozessor 301 beispielsweise als Software ausgelegt sein, die in dem ROM 302 gespeichert ist und konfiguriert ist, um zu bewirken, dass der Prozessor 301 funktioniert. Die Lerneinheit 310 erlernt die Beziehungen zwischen den Temperaturdaten und den Formdaten gemäß einem beliebigen Lernalgorithmus, der insgesamt als maschinelles Lernen bezeichnet wird. Die Lerneinheit 310 kann das Lernen basierend auf einem Datensatz, der die obigen Zustandsvariablen S und die Bestimmungsdaten D umfasst, wiederholt ausführen.
Durch das Wiederholen dieser Lernzyklen kann die Lerneinheit 310 Kennzeichen, welche die Korrelationen zwischen den Temperaturdaten und den Formdaten nahelegen, automatisch identifizieren. Obwohl die Korrelationen zwischen den Temperaturdaten und den Formdaten zu Beginn des Lernalgorithmus praktisch unbekannt sind, interpretiert die Lerneinheit 310 die Korrelationen, indem sie die Kennzeichen mit dem Fortschritt des Lernens allmählich identifiziert. Falls die Korrelationen zwischen den Temperaturdaten und den Formdaten einigermaßen zuverlässig interpretiert werden, können die Lernergebnisse, die durch die Lerneinheit 310 wiederholt ausgegeben werden, verwendet werden, um eine wünschenswerte Form der Formdaten basierend auf dem vorliegenden Zustand (Temperaturdaten) zu schätzen. Somit kann die Lerneinheit 310 die Korrelationen zwischen den Temperaturdaten und den Formdaten mit dem Fortschritt des Lernalgorithmus allmählich einer optimalen Lösung nähern.
Wie zuvor beschrieben, ist die maschinelle Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200 derart konfiguriert, dass die Lerneinheit 310 die Formdaten gemäß dem maschinellen Lernalgorithmus unter Verwendung der Zustandsvariablen S, die durch die Zustandsbeobachtungseinheit 306 beobachtet werden, und der Bestimmungsdaten D, die durch die Einheit 308 zum Erfassen von Bestimmungsdaten erfasst werden, erlernt. Die Zustandsvariablen S bestehen aus Daten, die nicht ohne Weiteres durch Störungen beeinflusst werden, während die Bezeichnungsdaten L einzigartig erzielt werden. Somit können gemäß der maschinellen Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200 die Formdaten, die den Temperaturdaten entsprechen, automatisch und genau erzielt werden, ohne Berechnungen oder Schätzungen vorzunehmen.
Bei der maschinellen Lernvorrichtung 300, welche die obige Konfiguration aufweist, ist der Lernalgorithmus, der durch die Lerneinheit 310 durchgeführt wird, nicht insbesondere eingeschränkt, und es kann ein herkömmlicher Lernalgorithmus als maschinelles Lernen verwendet werden. 6 zeigt eine Konfiguration, die auf einer Form des in 5 gezeigten Informationsverarbeitungsgeräts 200 basiert, bei welcher die Lerneinheit 310 ein betreutes Lernen als Beispiel des Lernalgorithmus ausführt. Das betreute Lernen ist ein Verfahren, bei dem ein großes Volumen von bekannten Datensätzen (so genannten Lehrerdaten), die Eingaben und diesen entsprechende Ausgaben umfassen, im Voraus gegeben ist, und Kennzeichen, welche die Korrelationen zwischen den Eingaben und den Ausgaben nahelegen, aus diesen Lehrerdaten identifiziert werden, wodurch ein Korrelationsmodell zum Schätzen einer Ausgabe (Formdaten, die den Temperaturdaten entsprechen), die für eine neue Eingabe benötigt wird, erlernt wird.
Bei der maschinellen Lernvorrichtung 300 des in 6 gezeigten Informationsverarbeitungsgeräts 200 umfasst die Lerneinheit 310 eine Fehlerberechnungseinheit 311 und eine Modellaktualisierungseinheit 312. Die Fehlerberechnungseinheit 311 berechnet Fehler E zwischen einem Korrelationsmodell M, das die Formdaten aus den Zustandsvariablen S und den Korrelationskennzeichen, die aus im Voraus vorbereiteten Lehrerdaten T identifiziert werden, ableitet. Die Modellaktualisierungseinheit 312 aktualisiert das Korrelationsmodell M, um die Fehler E zu reduzieren. Die Lerneinheit 310 erlernt die Korrelationen zwischen den Temperaturdaten und den Formdaten, wenn die Modellaktualisierungseinheit 312 die Aktualisierung des Korrelationsmodells M wiederholt.
Das Korrelationsmodell M kann durch Regressionsanalyse, Verstärkungslernen, tiefgehendes Lernen oder dergleichen ausgelegt sein. Ein anfänglicher Wert des Korrelationsmodells M wird beispielsweise als eine vereinfachte Darstellung der Korrelationen zwischen den Zustandsvariablen S und den Formdaten vor dem Beginn des betreuten Lernens an die Lerneinheit 310 gegeben. Beispielsweise können die Lehrerdaten T aus Erfahrungswerten (bekannten Datensätzen, welche die Temperaturdaten und die Formdaten umfassen) bestehen, die als Korrespondenz zwischen den vergangenen Temperatur- und Formdaten gespeichert, aufgezeichnet und vor dem Beginn des betreuten Lernens an die Lerneinheit 310 gegeben werden. Die Fehlerberechnungseinheit 311 identifiziert die Korrelationskennzeichen, welche die Korrelationen zwischen den Temperaturdaten und den Formdaten nahelegen, aus dem großen Volumen von Lehrerdaten T, die an die Lerneinheit 310 gegeben werden, und erzielt die Fehler E zwischen den Korrelationskennzeichen und dem Korrelationsmodell M, die den Zustandsvariablen S in den vorliegenden Zuständen entsprechen. Die Modellaktualisierungseinheit 312 aktualisiert das Korrelationsmodell M, um die Fehler E beispielsweise gemäß einer vorbestimmten Aktualisierungsregel zu aktualisieren.
In dem nächsten Lernzyklus erzielt die Fehlerberechnungseinheit 311 die Fehler E mit Bezug auf das Korrelationsmodell M, das den Zustandsvariablen S und den Bestimmungsdaten D entspricht, unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D, die durch das Ausführen eines Bearbeitungstaktes und eines Kontrolltaktes gemäß dem aktualisierten Korrelationsmodell M erzielt werden, und die Modellaktualisierungseinheit 312 aktualisiert das Korrelationsmodell M noch einmal. Somit wird die Korrelation zwischen den vorliegenden Zuständen (Temperaturdaten) der Umgebungen, die bisher unbekannt waren, und den Zuständen (Formdaten), die diesen entsprechen, allmählich klar. Mit anderen Worten werden die Beziehungen zwischen den Temperaturdaten und den Formdaten durch das Aktualisieren des Korrelationsmodells M allmählich einer optimalen Lösung genähert.
Es kann beispielsweise ein neuronales Netzwerk verwendet werden, um mit dem obigen betreuten Lernen Fortschritte zu machen. 7A zeigt schematisch ein Modell eines Neurons. 7B zeigt schematisch ein Modell eines neuronalen Netzwerks mit drei Lagen, das ausgelegt wird, indem die in 7A gezeigten Neuronen kombiniert werden. Das neuronale Netzwerk kann beispielsweise aus einer arithmetischen Einheit oder einer Speichervorrichtung, die das Neuronenmodell nachahmt, bestehen.
Das in 7A gezeigte Neuron gibt die Ergebnisse y von einer Mehrzahl von Eingaben x (hier beispielsweise den Eingaben x₁ bis x₃ ) aus. Die Eingaben x₁ bis x₃ werden mit ihren entsprechenden Gewichtungen w (w₁ bis w₃ ) multipliziert. Somit gibt das Neuron die Ausgaben y ab, die durch die folgende Gleichung 1 dargestellt werden. In der Gleichung 1 sind die Eingaben x, die Ausgaben y und die Gewichtungen w allesamt Vektoren. Des Weiteren ist θ ein systematischer Fehler, und f_k ist eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ) .$
In dem neuronalen Netzwerk mit drei Lagen, das in 7B gezeigt wird, wird eine Mehrzahl von Eingaben x (hier beispielsweise die Eingaben x₁ bis x₃ ) von der linken Seite aus eingegeben, und die Ergebnisse y (hier beispielsweise die Ergebnisse y₁ bis y₃ ) werden von der rechten Seite aus ausgegeben. Bei dem abgebildeten Beispiel werden die einzelnen Eingaben x₁ , x₂ und x₃ mit ihren entsprechenden Gewichtungen (insgesamt mit w1 dargestellt) multipliziert, und jede davon wird in drei Neuronen N11, N12 und N13 eingegeben.
In 7B sind die jeweiligen Ausgaben der Neuronen N11 bis N13 insgesamt mit z1 dargestellt. Die Ausgaben z1 können als Merkmalsvektoren angesehen werden, die auf der Entnahme einer Merkmalsgröße der Eingangsvektoren basieren. Bei dem abgebildeten Beispiel werden die einzelnen Merkmalsvektoren z1 mit ihren entsprechenden Gewichtungen (insgesamt mit w2 dargestellt) multipliziert, und jeder davon wird in zwei Neuronen N21 und N22 eingegeben. Die Merkmalsvektoren z1 stellen Merkmale zwischen den Gewichtungen w1 und w2 dar.
In 7B werden die jeweiligen Ausgaben der Neuronen N21 und N22 insgesamt mit z2 dargestellt. Die Ausgaben z2 können als Merkmalsvektoren angesehen werden, die auf der Entnahme der Merkmalsgröße der Merkmalsvektoren z1 basieren. Bei dem abgebildeten Beispiel werden die einzelnen Merkmalsvektoren z2 mit ihren entsprechenden Gewichtungen (insgesamt mit w3 dargestellt) multipliziert, und jeder davon wird in drei Neuronen N31, N32 und N33 eingegeben. Die Merkmalsvektoren z2 stellen die Merkmale zwischen den Gewichtungen w2 und w3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Bei der maschinellen Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200 können die Formdaten als geschätzte Werte (Ergebnisse y) ausgegeben werden, wenn die Lerneinheit 310 eine Berechnung einer mehrlagigen Struktur basierend auf dem obigen neuronalen Netzwerk ausführt, wobei die Zustandsvariablen S als Eingaben x verwendet werden. Die Betriebsmodi des neuronalen Netzwerks umfassen einen Lernmodus und einen Bestimmungsmodus. Beispielsweise können die Gewichtungen w unter Verwendung eines Lerndatensatzes im Lernmodus erlernt werden, wohingegen die Formdaten im Bestimmungsmodus unter Verwendung der erlernten Gewichtungen w bestimmt werden können. Im Bestimmungsmodus können auch eine Detektion, Klassifizierung, Inferenz oder dergleichen ausgeführt werden.
Somit können gemäß dem Lernmodell, das durch das Informationsverarbeitungsgerät 200 erstellt wird, höchst zuverlässige Formdaten, d.h. vorhergesagte Werte von thermischen Verschiebungsbeträgen, erzielt werden. Andererseits erfordert die Generierung des Lernmodells durch das Informationsverarbeitungsgerät 200 zahlreiche Ressourcen für die Informationsverarbeitung. Des Weiteren erfordert die Erfassung der Zustandsvariablen S und der Bestimmungsdaten D eine große Anzahl von Arbeitsstunden. Herkömmlicherweise ist es nötig, um eine Reduzierung der vorhergesagten Genauigkeit auf Grund der individuellen Unterschiede oder des Alterns der Werkzeugmaschinen zu beheben, das Lernmodell dadurch zu erstellen, dass eine Information zum Identifizieren von Einzelheiten und eine Information über den Zeitverlauf als Zustandsvariablen S eingegeben werden, und das Lernmodell durch zusätzliches Online-Lernen zu aktualisieren. Diese Anforderung ist jedoch nicht praktisch, da die Erstellung des Lernmodells erfordert, dass die Ressourcen für die Informationsverarbeitung ständig geschont werden. Dadurch eliminiert die numerische Steuerung 100 gemäß der Ausführungsform der vorliegenden Erfindung die notwendigen Ressourcen für die Informationsverarbeitung durch einen derartigen Ansatz, dass der vorhergesagte Wert, der durch das anfänglich erstellte Lernmodell ausgegeben wird, korrigiert wird, ohne das Lernmodell irgendwie zu ändern.
Nun wird mit Bezug auf das Ablaufschema aus 3 der Betrieb der numerischen Steuerung 100 gemäß der Ausführungsform der vorliegenden Erfindung insbesondere beschrieben.
S1: Das Informationsverarbeitungsgerät 200 erstellt das Lernmodell, das die Korrelationen zwischen den Temperaturdaten und den Formdaten angibt. Beispielsweise erfasst das Informationsverarbeitungsgerät 200 genug Zahlen von Temperaturdaten und Formdaten, indem es beispielsweise eine Werkstückbearbeitung zum Zeitpunkt der Inbetriebnahme oder Herstellung der Werkzeugmaschine versucht und das Lernmodell erzielt, indem es diese Daten als die Zustandsvariablen S und die Bestimmungsdaten D in die maschinelle Lernvorrichtung 300 eingibt.
Dabei sollte die Einheit 120 zum Erfassen einer Ausgleichbedingung die Positionierung einmal ausführen, die Koordinaten des aktuellen Referenzpunktes erfassen und sie als Vergleichsreferenzwerte der Positionsinformation im Voraus speichern.
S2: Die Einheit 120 zum Erfassen einer Ausgleichbedingung der numerischen Steuerung 100 erfasst die Ausgleichbedingungen. Beispielsweise führt die Einheit 120 zum Erfassen einer Ausgleichbedingung die Positionierung vor dem Beginn der Bearbeitung aus und erfasst die Koordinaten des Referenzpunktes.
S3: Die Schätzungseinheit 110 schätzt die thermischen Verschiebungsbeträge unter Verwendung des Lernmodells, das durch das Informationsverarbeitungsgerät 200 erstellt wird. Mit anderen Worten erzielt die Schätzungseinheit 110 die geschätzten Werte der Formdaten, die den Temperaturdaten entsprechen, unter Verwendung der maschinellen Lernvorrichtung 300 des Informationsverarbeitungsgeräts 200. Dabei wird die maschinelle Lernvorrichtung 300 folgendermaßen betätigt.
Die Temperaturdaten werden als Zustandsvariablen S von der Temperaturmessvorrichtung 60 an jedem Teil der Werkzeugmaschine in die Zustandsbeobachtungseinheit 306 der maschinellen Lernvorrichtung 300 eingegeben. Die Lerneinheit 310 der maschinellen Lernvorrichtung 300 gibt die Zustandsvariablen S in das Lernmodell ein, das im Voraus erstellt wird, und gibt die geschätzten Werte der Formdaten aus, die den Zustandsvariablen S entsprechen. Der Inhalt dieser ausgegebenen Formdaten sind die Längen oder die Verschiebungsbeträge der Koordinaten von einzelnen Teilen der Werkzeugmaschine infolge von Temperaturänderungen.
S4: Die Ausgleicheinheit 130 berechnet die thermischen Verschiebungsbeträge basierend auf den geschätzten Werten der Formdaten, die durch die Schätzungseinheit 110 ausgegeben werden, und den Ausgleichbedingungen, die durch die Einheit 120 zum Erfassen einer Ausgleichbedingung ausgegeben werden. Beispielsweise enthält die Ausgleicheinheit 130 die Koordinaten des Referenzpunktes zum Zeitpunkt der Erstellung des Lernmodells (typischerweise zum Zeitpunkt der Inbetriebnahme oder Herstellung der Werkzeugmaschine) als Vergleichsreferenzpunkte und berechnet Ausgleichbeträge durch Berechnen der Differenzen zwischen den Koordinaten des Referenzpunktes zum Zeitpunkt der Erstellung des Lernmodells und den Koordinaten des Referenzpunktes, die erzielt werden, wenn die Positionierung gerade ausgeführt wird (oder vor dem Beginn einer neuen Bearbeitung). Dann berechnet die Ausgleicheinheit 130 ausgeglichene geschätzte Werte, indem sie die ausgeglichenen geschätzten Werte zu den Ausgleichbeträgen zu den geschätzten Werten der Formdaten, die durch die Schätzungseinheit 110 ausgegeben werden, addiert oder davon subtrahiert.
Gemäß der vorliegenden Ausführungsform gleicht die Ausgleicheinheit 130 die geschätzten Werte der thermischen Verschiebungsbeträge, die durch die Schätzungseinheit 110 ausgegeben werden, aus, indem sie die Positionsinformation von der Einheit 120 zum Erfassen einer Ausgleichbedingung verwendet. Somit können Abweichungen der vorhergesagten Werte der thermischen Verschiebungen, die durch die individuellen Unterschiede oder das Altern der Werkzeugmaschinen verursacht werden, mühelos, schnell und genau ausgeglichen werden, ohne eine große Anzahl von Arbeitsstunden oder Ressourcen für die Informationsverarbeitung zu erfordern.
Obwohl eine Ausführungsform der vorliegenden Erfindung zuvor beschrieben wurde, ist die Erfindung nicht auf die zuvor beschriebene Ausführungsform eingeschränkt und kann geeignet geändert und in diversen Formen ausgebildet sein.
Beispielsweise verwendet bei der zuvor beschriebenen Ausführungsform die Einheit 120 zum Erfassen einer Ausgleichbedingung die Berührungssonde, um die Ausgleichbedingungen zu erfassen. Die vorliegende Erfindung ist jedoch nicht darauf eingeschränkt und diverse Sensoren mit oder ohne Kontakt (Laser, optische, Wirbelstrom, magnetische usw.), die Verschiebungen, die durch die individuellen Unterschiede oder das Altern von diversen Teilen der Werkzeugmaschinen verursacht werden, messen können, stehen zur Verfügung.
Obwohl hier Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die Erfindung nicht auf die obigen Ausführungsformen eingeschränkt und kann geeignet geändert und in anderen Formen ausgebildet sein.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 6008107 [0002]

Claims

Numerische Steuerung, die einen geschätzten Wert eines thermischen Verschiebungsbetrags einer Werkzeugmaschine ausgleicht, umfassend: eine Schätzungseinheit, die ein Lernmodell umfasst, das die Korrelationen zwischen einer Information über die Temperatur der Werkzeugmaschine und einer Information über eine thermische Verschiebung erlernt hat und konfiguriert ist, um die Information über die Temperatur von der Werkzeugmaschine zu erfassen und einen geschätzten Wert der thermischen Verschiebung basierend auf der Information über die Temperatur und dem Lernmodell zu schätzen; eine Einheit zum Erfassen einer Ausgleichbedingung, die konfiguriert ist, um eine Positionsinformation von der Werkzeugmaschine zu erfassen; und eine Ausgleicheinheit, die konfiguriert ist, um den geschätzten Wert der thermischen Verschiebung basierend auf der Positionsinformation auszugleichen.
Numerische Steuerung nach Anspruch 1, wobei die Ausgleicheinheit den Ausgleich ausführt, indem sie die Differenz zwischen der Positionsinformation, die von der Werkzeugmaschine erfasst wird, und einem Vergleichsreferenzwert der Positionsinformation zu dem geschätzten Wert der thermischen Verschiebung addiert oder davon subtrahiert.