TWI448353B

TWI448353B - 工具機熱誤差智慧調適裝置及其方法

Info

Publication number: TWI448353B
Application number: TW099142950A
Authority: TW
Inventors: Jui Yiao Su; Ching Shun Chen; Yan Chen Liu; Feng Ming Ou
Original assignee: Ind Tech Res Inst
Priority date: 2010-12-09
Filing date: 2010-12-09
Publication date: 2014-08-11
Also published as: TW201223690A; CN102540884A

Description

工具機熱誤差智慧調適裝置及其方法

本發明係與工具機熱誤差調適有關，特別是關於一種具暖機判斷與自適應學習的工具機熱誤差智慧調適裝置及其方法。

工具機10在進行加工過程，無論馬達、液壓系統和機械摩擦都是在進行能量轉換，不論轉換途徑為何，大多變成了熱，這些熱量造成機體內部與周遭的溫度變化，最後導致加工時工件尺寸或形狀的變位誤差，簡稱熱誤差(圖1至圖2所示)。

熱誤差的問題是精密機械研發過程中永遠必須面對的課題。根據研究文獻[1]記載，工具機加工總誤差量約有40-70%是由熱誤差所貢獻，可見其對於工具機加工精度之影響，扮演著絕對關鍵的角色。

傳統上，為減少熱誤差干擾，需使機器溫升達到穩定狀態(或稱暖機狀態)之後，再開始進行加工作業。此過程多仰賴作員依經驗判斷暖機與否，如圖3、圖4所示。

近來，針對工具機熱誤差的因應策略主要可分為兩種方式，一種是採用被動補償方式，藉由建構工具機熱誤差預測模型，以軟體方式來進行誤差量的補償；另一種策略則是採用主動抑制方式，於設計階段即設法讓誤差產生量降低，其目的在於控制或避免熱誤差的生成。關於主動抑制與被動補償之研究與技術概況，分別歸納如表一與表二所列。

相較於主動熱抑制的設計方式，採取熱誤差軟體補償之手段更具有便利性且符合經濟效益，它並非直接移除或減少工具機產生之熱誤差，而是利用實驗量測結果進行運算分析，藉由軟體方式來彌補誤差之影響，此種方法也廣受國外工具機廠使用，例如日本Mazak與Okuma、瑞士Mikron等。因此，如何改善現有補償技術，研發更精確、更可靠的熱誤差補償方法，乃是工具機業者長期以來持續投入的目標。

然而，從過去之研究成果發現，對於工具機穩態的熱誤差問題，採用數學統計之靜態補償模型雖可獲得不錯之效果，但是對於暫(動)態之熱誤差問題，卻是相當棘手、不易處理，至今國內業者對於此類問題仍是無法解決。

基於上述問題，發明人提出了一種工具機熱誤差智慧調適裝置及其方法，以克服現有技術的缺陷。

文獻參考：

[1]Bryan,J. B.,1990,“International status of thermal error research,”Annals of the CIRP 39/2,pp.645-656.

[2]MAKINO website www . makino . co . jp

[3]Muto,A.,2005,“Machine tool with a feature for preventing a thermal deformation,”U.S. Patent,No. 6,923,603.

[4]YASDA website www . yasda . co . jp

[5]OKUMA website www . okuma . co . jp

[6]銀泰科技股份有限公司網頁 www . pmi - amt . com

[7]MORISEIKI website www . moriseiki . com/dixi/english/products/control . html

[8]Rahman,M.,Mansur,M.A.,and Karim,M.B.,2001,“Non-conventional materials for machine tool structures,”JSME Int. J.,Series C,Vol. 44,No. 1,pp.1-11.

[9]Slocum,A.H.,1992,Precision Machine Design,Society of Manufacturing Engineers,1st Edition.

[10]　MAZAK website www.mazak.com

[11]　Kobari,T. and Takada,R.,1999,“Shuttle table device,”Japan patent,No. 11-267938.

[12]　Kato,K. and ITO,T.,2006,“Machine tool and posture maintenance device,”Japan patent,No. 2006-341328.

[13]　Ramesh,R.,Mannan,M.A. and Poo A.N.,2000,“Error Compensation in Machine Tools-A Review Part II: Thermal Errors,”Int. J. Mach. Tools Manufact.,Vol. 40,pp.1257-1284.

[14]　Yang,J.G.,Ren,Y.Q.,Liu,G.L.,Zhao,H.T.,Dou,X.L.,Chen,W.Z.,and He,S.W.,2005,“Testing,variable selecting and modeling of thermal errors on an INDEX-G200 turning center,”Int. J. Adv. Manuf. Technol.,Vol. 26,pp.814-818.

[15]　Kang,Y.,Chang,C.W.,Huang,Y.,Hsu,C.L.,Nieh,I.F.,2007,“Modification of a neural network utilizing hybrid filters for the compensation of thermal deformation in machine tools,”Int. J. Mach. Tools Manufact.,Vol. 47,pp.376-387.

[16]　Ramesh,R.,Mannan,M.A. Poo,A.N.,and Keerthi,S.S.,2003,“Thermal error measurement and modelling in machine tools. Part I. Influence of varying operating conditions,”Int. J. Mach. Tools Manufact.,Vol. 43,pp.391-404.

[17]　Ramesh,R.,Mannan,M.A. Poo,A.N.,and Keerthi,S.S.,2003,“Thermal error measurement and modelling in machine tools. Part II. Hybrid Bayesian Network─support vector machine model,”Int. J. Mach. Tools Manufact.,Vol. 43,pp.405-419.

[18]　Yang,H. and Ni,J.,2005,“Adaptive model estimation of machine-tool thermal errors based on recursive dynamic modeling strategy,”Int. J. Mach. Tools Manufact.,Vol. 45,pp.1-11.

[19]　Yang,H. and Ni,J.,2005,“Dynamic neural network modeling for nonlinear,nonstationary machine tool thermally induced error,”Int. J. Mach. Tools Manufact.,Vol. 45,pp.455-465.

[20]　MIKRON website www.mikron.com

[21]　FANUC website www.fanuc.co.jp

[22]　Vapnik,V.,Golowich,S. and Smola,A. J.,1997,“Support vector method for function approximation,regression estimation,and signal processing,”in Advances in Neural Information Processing Systems,Vol. 9,pp. 281-287

[23]　D. Tax and R. Duin,“Support vector data description,”Machine Learning,vol. 54,pp. 45-66,2004

[24]　Yi-Hung Liu,Yu-Kai Huang,and Ming-Jui Lee,“Automatic inline-defect detection for TFT-LCD array process using locally linear embedding and support vector data description,”Measurement Science and Technology,vol. 19,August 2008

[25]　Yi-Hung Liu,Szu-Hsein Lin,Yi-Ling Hsueh,and Ming-Jiu Lee,“Automatic target defect identification for TFT-LCD array process inspection using kernel fuzzy c-means based fuzzy SVDD ensemble”,Expert Systems with Applications,vol. 40,2008

本發明目的在於提供一種以支持向量迴歸(Support Vector Regression，SVR)[22]當做熱誤差模型，利用支持向量資料描述(Support Vector Data Description，SVDD)[23]建構穩態模式範圍，以即時進行線上調整熱誤差的工具機熱誤差智慧調適裝置及其方法。

本發明的另一目的，在於提供一種可針對不同外部環境之溫度變化，以進行增量學習的工具機熱誤差智慧調適裝置及其方法。

為達上述目的，本發明係提供一種工具機熱誤差智慧調適裝置，包含：一暖機特徵描述建構單元，建立該工具機之一機體溫度分佈向量的一穩態模式範圍；一熱誤差模型建構單元，訓練出一非線性熱誤差模型；以及一暖機判斷與熱誤差運算單元，藉由讀取該工具機上若干溫度感測訊號以及該工具機之一運轉條件資訊，判斷該工具機之暖機狀態，計算出至少一節點之熱誤差補償量。

其中，該工具機熱誤差智慧調適裝置更包括一增量學習單元，可適應地作參數調整，以確保熱誤差模型之準確性。

為達上述目的，本發明更提供一種工具機熱誤差智慧調適方法，其步驟包含：萃取熱行為資料；由專家選定暖機穩定狀態；以穩定狀態溫度資訊建構暖機特徵描述；以暖機特徵描述篩選符合穩定狀態之熱行為資訊；以穩定狀態之熱行為資訊建構熱誤差模型；線上暖機判斷並且進行熱誤差運算。

其中，該工具機熱誤差智慧調適方法更包括增量學習，藉以適應環境改變與機台參數飄移，類似概念請參考引用文獻[24][25]。

雖然本發明使用了幾個較佳實施例進行解釋，但是下列圖式及具體實施方式僅僅是本發明的較佳實施例；應說明的是，下面所揭示的具體實施方式僅僅是本發明的例子，並不表示本發明限於下列圖式及具體實施方式。

請參考圖5，表示本發明工具機熱誤差智慧調適裝置的方塊圖。

本實施例的工具機熱誤差智慧調適裝置1作用在一工具機10上主要包含一暖機特徵描述建構單元2、一熱誤差模型建構單元3、一暖機判斷與熱誤差運算單元4及一增量學習單元5。

請參考圖6，暖機特徵描述建構單元2以支持向量資料描述(SVDD)建立工具機之一機體溫度分佈向量的一穩態模式範圍，即以支持向量資料描述(SVDD)確認在工具機的各節點a~d的溫度狀態達到穩定狀態，直到支持向量資料描述(SVDD)之高維度空間特徵向量分布與預設之穩態模式範圍的相同。

以下對支持向量資料描述(SVDD)作詳細說明。

■　SVDD之目的：由訓練資料估算出判斷函數D (x )，其中，

■　SVDD模型使用：給輸入變數x ，判斷x 是否落入過往資料可解釋之範圍之中；D (x )0表示可適用，D (x )>0則否。

■　建模過程：

1).訂定參數σ、C 欲驗證範圍中的所有組合，挑選其中一組(σ，C )；

2).進行k-fold，將穩態的實驗資料隨機均分為k 組，取其中k -1組作為模型訓練(training)資料(記為，另一組加上暫態資料作為驗證(testing)之用(記為

3).對於第h 組的訓練與驗證組合，解二次規劃問題

等價於解其對偶問題，

決定出{}(支持向量，SVs，定義為『其對應的α_i ≠0』)、N _SV (支持向量個數)與α_i

4).選擇任一個ξ_i =0的支持向量，計算R

5).將測試資料帶入模型測試，得到

計算F measure

6).對於k 組不同的訓練與驗證組合重複步驟3~5，平均所有的誤差，定義為此參數組合的分類表現；

7).對所有參數組合重複步驟1~6，挑選分類表現最佳的參數組合()；

8).完成SVDD建模。

請參考圖7，在機器達到穩定狀態後再進行預測，熱誤差模型建構單元3以支持向量迴歸(SVR)訓練出一非線性熱誤差模型，支持向量迴歸(SVR)的運算參數少，在預測精準度方面，可以得到較低的MAPE(mean absolute percentage error)，其核心精神為核方法(kernel method)。

以下對支持向量迴歸(SVR)作詳細說明。。

■　SVR目的：由訓練資料估算出函數y =f (x )，其中：

在上式中，每個training instance都有其對應的ξ_i 及，用來決定該training instance是否可以落在ε的範圍之外。而C的作用則是用來調整訓練模型(training model)是否過份或不足調適資料(overfitting或underfitting)。當核心定義清楚後，有下列三個參數可以調整：

Gamma：調整高斯kernel函數之std，即上式裡之σ。

C：用來調整訓練過程中誤差項之權衡量，可決定overfitting或underfitting。

Epsilon：誤差寬容帶之大小，即上式裡之ε。

■　SVR模型使用：給輸入變數x ，預測出對應的輸出變數的值f (x )。

■　建模過程：

1).訂定參數σ、C 、ε在欲驗證範圍中的所有組合，挑選其中一組(σ,C ,ε)；

2).進行k-fold，將實驗資料隨機均分為k 組，取其中k -1組作為模型訓練(training)資料(記為，另一組作為驗證(testing)之用(記為

3).對於第h 組的訓練與驗證組合，解二次規劃問題

等價於解其對偶問題，

決定出{}(支持向量，定義為『其對應的-α_i ≠0』)、N _SV (支持向量個數)、與α_i ；

4).選擇任一個ξ_i =0或=0的支持向量，計算b ，

5).計算誤差

6).對於k 組不同的訓練與驗證組合重複步驟3~5，平均所有的誤差，定義為此組參數組合的預測誤差；

7).對所有參數組合重複步驟1~6，挑選預測誤差最小時的參數組合()；

8).完成SVR建模。

請參考圖8，暖機判斷與熱誤差運算單元4藉由讀取工具機上佈設在各節點的若干溫度感測訊號以及工具機之運轉條件資訊判斷工具機之暖機狀態，計算出其中至少一節點之熱誤差補償量後再進行加工。

請參考圖9，在外部環境溫度變化，如工具機移動至其他工作廠區操作時，增量學習單元5可針對暖機特徵描述建構單元2之支持向量資料描述(SVDD)之原始資料，以及熱誤差模型建構單元3之支持向量迴歸(SVR)接收環境溫度變化之新資料，藉由暖機判斷與熱誤差運算單元4與已知的預定熱誤差資料比較確認是否進行增量學習，以適應地作參數調整確保熱誤差模型之準確性。

其詳細操作流程將於後詳述。

請參考圖10，本發明的工具機熱誤差智慧調適方法，其步驟包含：步驟S1：萃取熱行為資料；步驟S2：由專家選定暖機穩定狀態；步驟S3：以穩定狀態溫度資訊建構暖機特徵描述；步驟S4：以暖機特徵描述篩選符合穩定狀態之熱行為資訊；步驟S5：以穩定狀態之熱行為資訊建構熱誤差模型；步驟S6：線上暖機判斷並且進行熱誤差運算；步驟S7：增量學習，藉以適應環境改變與參數飄移。

其中，步驟S1中之熱行為包括溫度及定位誤差等，步驟S2中的專家選定係可為在歷史資料中進行分類之選取，步驟S3中的暖機特徵描述係以支持向量資料描述(SVDD)方式建構，步驟S5的熱誤差模型係以支持向量回歸(SVR)所建構，步驟S6的線上暖機判斷係以讀取工具機上若干溫度感測訊號以及工具機運轉條件等資訊之方式進行。

請參考圖11，以單軸進給工具機11進行說明；在工具機各部件設置溫度感測器T1~T24，分部位置如圖12~圖18所示；熱行為資訊萃取規劃如下：

行程規劃：全行程1100mm運轉。

進給速度規畫：共分9m/min、18m/min、27m/min及36m/min等四種進給速度。

量測時間規畫：為利於分析系統暫態與穩態之熱誤差行為模式，開機後每隔15分鐘量測一次，擷取暫態資訊，待長時間(以150分鐘為例)運轉後，改以每30分鐘量測一次，擷取系統穩態資訊。

請參考圖19，係表示熱行為資料萃取方法之流程圖。本發明之熱行為資料萃取方法步驟包括：步驟SA1：選定進給速度；步驟SA2：設定工具機參數及在工具機的若干節點佈設溫度感測器；步驟SA3：工具機開機並進入運轉模式；步驟SA4：運轉模式是否達到150分鐘(預定運轉時間)，若否，則進入每15分鐘(第一時間間隔)之量測模式(步驟SA41)；若是，則進入每30分鐘(第二時間間隔)之量測模式(步驟SA42)；步驟SA5：對工具機的各節點進行溫度量測；以及步驟SA6：儲存資料。

其中，步驟SA6可以手動填寫表格或者是以溫度擷取程式自動記錄。

請參考圖12~18，工具機10包括鞍座11、螺桿12、滑軌13、伺服馬達14、底座15、地腳螺絲16，溫度變數的資訊擷取包括外部熱源(環境溫度)與內部熱源，故對於溫度變數的記錄，共有二十五項，一個為外部環境溫度、以及二十四個結構本體溫度，其中，二十四個結構本體溫度包含：五個鞍座11之滑塊端溫度、一個螺帽座(螺桿12處)溫度、十一個底座15兩側軌道(滑軌13)溫度、四個底座15地腳端結構(地腳螺絲16)溫度、一個馬達座軸承端溫度、一個尾座軸承端溫度、以及一個馬達介面座溫度，亦即二十四個溫度感測器T1~T24的各節點處；另外，根據熱力學動態觀點，應將溫度變化率(導數)列入參考。

關於熱變位相關變數則是根據載具之行程進行規劃，為配合虛擬感測所建構之分割模型中節點的位置，實驗設定每間隔125 mm進行定位精度的量測，量測位置(mm)為：131,256,381,506,631,756,881,以及1006，如圖11所示。

本發明採用支持向量迴歸(SVR)當作熱誤差預測模型，利用支持向量資料描述(support vector data description,SVDD)來建構工具機之機體溫度分佈向量穩態模式範圍，用以界定熱誤差預測模型之適用性。，SVDD是一個新穎的機器學習演算法，其目的在於建構一個最小超球體(minimum-volume hypersphere)來包圍訓練集合，由於超球體是在特徵空間中建構，因此在輸入空間中此球體的表面變的非常有彈性。對於一個新進的工具機機體溫度分佈向量變數，我們只需要計算它到球心的距離，便可計算出此筆輸入相對應的暖機狀態之信心指數：距離越大，代表此筆輸入與訓練集合的相異程度越大，則輸出之信心指數就越小。利用SVDD的優勢有兩點：1)它的解不會有local minimum的問題，因為它的dual problem也是一個QP問題，因此不需要人為設定門檻值，2)無論輸入數據訓練集合的分布為何，利用SVDD都可以找到一個可以緊緊包圍它的邊界。其詳細技術細節已揭露如前。

藉由上述結構及方法，透過在工具機各部件設置之溫度感測器擷取熱變位行為資料，建立穩態模式支持向量迴歸(SVR)熱誤差模型與支持向量資料描述(SVDD)超球體，能在環境溫度變異下判斷暖機狀態，直接在線上預測補償資訊以進行熱誤差的補償。

雖然本發明以相關的較佳實施例進行解釋，但是這並不構成對本發明的限制。應說明的是，本領域的技術人員根據本發明的思想能夠構造出很多其他類似實施例，均在本發明的保護範圍之中。

1．．．工具機熱誤差智慧調適裝置

10．．．工具機

11．．．鞍座

12．．．螺桿

13．．．滑軌

14．．．伺服馬達

15．．．底座

16．．．地腳螺絲

2．．．暖機特徵描述建構單元

3．．．熱誤差模型建構單元

4．．．暖機判斷與熱誤差運算單元

5．．．增量學習單元

a~d．．．節點

T1~T24．．．溫度感測器

步驟S1~S7　依據本發明的工具機熱誤差智慧調適方法

步驟SA1~SA6　依據本發明之萃取熱行為步驟

圖1　表示習知工具機之一熱誤差示意圖。

圖2　表示習知工具機之另一熱誤差示意圖。

圖3　表示習知工具機熱誤差之曲線圖。

圖4　表示習知工具機以操作員判斷熱誤差之曲線圖。

圖5　表示本發明工具機熱誤差智慧調適裝置的方塊圖。

圖6　表示本發明工具機熱誤差智慧調適裝置以支持向量資料描述進行穩態描述的示意圖。

圖7　表示本發明工具機熱誤差智慧調適裝置以支持向量迴歸描述進行穩態預測誤差量的曲線圖。

圖8　表示本發明工具機熱誤差智慧調適裝置中暖機判斷與熱誤差運算單元的判斷運算示意圖。

圖9　表示本發明工具機熱誤差智慧調適裝置中增量學習單元的判斷示意圖。

圖10　表示本發明工具機熱誤差智慧調適方法的流程圖。

圖11　表示本發明以單軸進給工具機為例的行程規劃示意圖。

圖12　表示本發明以單軸進給工具機為例的結構圖。

圖13　表示本發明在單軸進給工具機佈設溫度感測器的分布圖之一。

圖14　表示本發明在單軸進給工具機佈設溫度感測器的分布圖之二。

圖15　表示本發明在單軸進給工具機佈設溫度感測器的分布圖之三。

圖16　表示本發明在單軸進給工具機佈設溫度感測器的分布圖之四。

圖17　表示本發明在單軸進給工具機佈設溫度感測器的分布圖之五。

圖18　表示本發明在單軸進給工具機佈設溫度感測器的分布圖之六。

圖19　表示本發明工具機熱誤差智慧調適方法中萃取熱行為資料步驟的流程圖。

1．．．工具機熱誤差智慧調適裝置

2．．．暖機特徵描述建構單元

3．．．熱誤差模型建構單元

4．．．暖機判斷與熱誤差運算單元

5．．．增量學習單元

Claims

一種工具機熱誤差智慧調適裝置，設置在一工具機中包含：一暖機特徵描述建構單元，其係以一支持向量資料描述(SVDD)來確認該工具機的複數節點溫度狀態達到穩定狀態，直到該支持向量資料描述(SVDD)之高維度空間特徵向量分布與預設之穩態模式範圍的相同，該支持向量資料描述(SVDD)係由一訓練資料估算出判斷函數D (x )，其中， x 係輸入變數，N _SV 係SVDD中支持向量個數，,係SVDD中的支持向量，α _i ,α _j 係對應支持向量的權重值，R ,係訓練後的最佳SVDD模型參數；一熱誤差模型建構單元，其係以以一支持向量迴歸(SVR)，由該訓練資料估算出函數y =f (x )，其中，，訓練出一非線性熱誤差模型，x 係輸入變數，N _SV 係SVR中的支持向量個數，係SVR中的支持向量，,α _i 係對應支持向量的權重值，b ,係訓練後的最佳SVR模型參數；以及一暖機判斷與熱誤差運算單元，藉由讀取該工具機上若干溫度感測訊號以及該工具機之運轉條件資訊，判斷該工具機之暖機狀態，計算出該工具機至少一節點之熱誤差補償量。
如申請專利範圍第1項所述的工具機熱誤差智慧調適裝置，更包括一增量學習單元，可適應地作參數調整，以確保熱誤差模型之準確性。
如申請專利範圍第1項所述的工具機熱誤差智慧調適裝置，其中，該工具機上之各部件佈設有若干溫度感測器。
一種工具機熱誤差智慧調適其方法，其係應用在如專利申請範圍第1項之工具機熱誤差智慧調適裝置，其步驟包含：萃取熱行為資料，其中該熱行為包括一工具機溫度及定位誤差；由專家選定暖機穩定狀態，其中專家選定係可為在一歷史資料中進行分類之選取；以穩定狀態溫度資訊建構暖機特徵描述，其中暖機特徵描述係以一支持向量資料描述(SVDD)方式建構；以暖機特徵描述篩選符合穩定狀態之熱行為資訊，該支持向量資料描述(SVDD)係由一訓練資料估算出判斷函數D (x )，其中，給輸入變數x ，判斷x 是否落入過往資料可解釋之範圍之中；D (x )0表示可適用，D (x )>0則否，x 係輸入變數，N _SV 係SVDD中支持向量個數，,係SVDD中的支持向量，α _i ,α _j 係對應支持向量的權重值，R ,係訓練後的最佳SVDD模型參數；以穩定狀態之熱行為資訊建構熱誤差模型，經由一支持向量迴歸(SVR)建構熱誤差模型，該支持向量迴歸 (SVR)，係由該訓練資料估算出函數y =f (x )，其中， x 係輸入變數，N _SV 係SVR中的支持向量個數，係SVR中的支持向量，,α _i 係對應支持向量的權重值，b ,係訓練後的最佳SVR模型參數；線上暖機判斷並且進行熱誤差運算，線上暖機判斷係以讀取該工具機上溫度感測訊號以及該工具機運轉條件資訊之方式進行。
如申請專利範圍第4項所述的工具機熱誤差智慧調適方法，更包括增量學習，藉由參數飄移以適應環境改變。
如申請專利範圍第5項所述的工具機熱誤差智慧調適方法，其中，該萃取熱行為資料之步驟更包括：選定進給速度；設定工具機參數及在工具機的若干節點佈設溫度感測器；工具機開機並進入運轉模式；運轉模式是否達到一預定運轉時間，若否，則進入一第一時間間隔之量測模式；若是，則進入一第二時間間隔之量測模式；其中，第一時間間隔小於第二時間間隔；對工具機的各節點進行溫度量測；以及儲存資料。
如申請專利範圍第6項所述的工具機熱誤差智慧調適方法，其中，該儲存資料步驟包含填寫表格手動記錄或是以溫度擷取程式自動記錄。