机床的机器学习装置以及热位移修正装置

摘要

本发明提供一种机器学习装置，其能够将基于机械元件的动作状态推断机械元件的热位移量的计算式最优化。数据获取部获取机械元件的动作状态数据。热位移量获取部获取机械元件的热位移量的实测值。存储部将机械元件的动作状态数据以及机械元件的热位移量的实测值作为标记相互关联并作为监督数据进行存储。计算式设定部设定基于机械元件的动作状态数据计算机械元件的热位移量的计算式。热位移量计算部在该计算式中代入机械元件的动作状态数据并计算机械元件的热位移量的推断值。判断部判断由热位移量计算部计算出的机械元件的热位移量的推断值与由热位移量获取部获取的机械元件的热位移量的实测值的差异是否为预定的阈值以下。

权利要求

1.一种机器学习装置，其通过机器学习使预先设定的计算式的系数最优化，该计算式基于表示具有进行热膨胀的机械元件的机床的上述机械元件的动作状态的动作状态数据推断上述机械元件的热位移量，该机器学习装置的特征在于，上述计算式不是基于由神经网络得到的通过有监督的学习计算出的加权的系数的计算式，是将时间以及上述机械元件的动作状态数据作为变量并包括利用预定的系数进行的求积或幂的计算式，该机器学习装置具备：

获取上述机械元件的动作状态数据的数据获取机构；

获取上述机械元件的热位移量的实测值的热位移量获取机构；

存储机构，其将通过上述数据获取机构获取的上述机械元件的动作状态数据以及通过上述热位移量获取机构获取的上述机械元件的热位移量的实测值作为标记相互关联起来，并作为监督数据进行存储；

计算式设定机构，其基于上述机械元件的动作状态数据以及上述机械元件的热位移量的实测值进行与不利用由神经网络得到的通过有监督的学习计算出的加权的系数的上述计算式相关的上述系数的机器学习，从而设定计算上述机械元件的热位移量的上述计算式的系数；

热位移量计算机构，其在由上述计算式设定机构设定的计算式中代入作为监督数据存储于上述存储机构中的预定期间内的上述机械元件的动作状态数据，计算上述机械元件的热位移量的推断值；以及判断机构，其判断由上述热位移量计算机构计算出的上述预定期间内的上述机械元件的热位移量的推断值与作为监督数据存储于上述存储机构中的上述预定期间内的上述机械元件的热位移量的实测值的差异是否为预定的阈值以下，在由上述判断机构判断为上述差异不为预定的阈值以下的情况下，上述计算式设定机构再次设定上述计算式的系数，并且，在由上述判断机构判断为上述差异为预定的阈值以下的情况下，上述计算式设定机构将上述计算式的系数设定为最合适的系数，从而将上述计算式设定为最合适的计算式。

2.根据权利要求1所述的机器学习装置，其特征在于，

上述机械元件包括上述机床的进给轴以及主轴部，

上述机械元件的动作状态包括上述机床的动作时的上述进给轴的位置、速度、温度中的至少一个、上述主轴部的速度、负载、温度中的至少一个。

3.根据权利要求1或2所述的机器学习装置，其特征在于，上述计算式包括下述计算式：将上述机床的进给轴以及主轴部的各个轴分割为多个区间，将用于计算每个区间的热位移量的时间以及上述机械元件的动作状态数据作为变量并包括利用预定的系数进行的求积或幂的计算式；以及通过每个区间的热位移量的总和，计算各个上述轴的热位移量的计算式。

4.根据权利要求1或2所述的机器学习装置，其特征在于，上述数据获取机构从控制上述机床的控制装置获取上述机械元件的每个预定的抽样时间的动作状态数据。

5.根据权利要求3所述的机器学习装置，其特征在于，

上述数据获取机构从控制上述机床的控制装置获取上述机械元件的每个预定的抽样时间的动作状态数据。

6.根据权利要求1或2所述的机器学习装置，其特征在于，上述热位移量获取机构获取在上述机床的加工位置附近按照预定时间间隔所测定的上述机械元件的热位移量的实测值。

7.根据权利要求3所述的机器学习装置，其特征在于，

上述热位移量获取机构获取在上述机床的加工位置附近按照预定时间间隔所测定的上述机械元件的热位移量的实测值。

8.根据权利要求4所述的机器学习装置，其特征在于，

上述热位移量获取机构获取在上述机床的加工位置附近按照预定时间间隔所测定的上述机械元件的热位移量的实测值。

9.一种机床的热位移修正装置，其特征在于，

具备：

修正量计算机构，其基于由权利要求1～权利要求8任一项所述的机器学习装置而最优化的计算式计算与根据上述机械元件的动作状态数据计算的上述机械元件的热位移量对应的修正量；

修正执行机构，其基于由上述修正量计算机构计算出的上述机械元件的修正量修正上述机械元件的机械位置。

10.根据权利要求9所述的热位移修正装置，其特征在于，上述热位移修正装置包含于上述机床的控制装置。

说明书

机床的机器学习装置以及热位移修正装置

技术领域

[0001] 本发明涉及适用于加工中心等的机床的机器学习装置以及热位移修正装置。

背景技术

[0002] 一直以来，作为修正由机床的发热引起的热位移的技术提出不使用位移传感器、温度传感器而简单且低成本地修正的技术(例如，参照专利文献1、2)。

[0003] 在这些技术中，由于不使用传感器，因此存在不需要考虑用于设置传感器的位置、结构、从切屑与切削液中保护传感器的机构、确保传感器故障的情况下的可靠性等的问题。

[0004] 现有技术文献

[0005] 专利文献1：日本特许3405965号公报

[0006] 专利文献2：日本特许5956497号公报

[0007] 为了对多种多样的加工高精度地修正热位移，为了确立计算热位移量的计算式，在多种条件下反复实验而获取庞大的数据，需要将那些数据作为基础确立计算式。这其中不但耗费大量的时间，对哪种加工不一定都能够高精度地修正。

[0008] 在专利文献1、2中记载的技术中，基于某种动作状态(加工条件、周围温度等)中所测量的数据确定计算式。因此，在与其动作状态不同的动作状态中未必能够计算出正确的热位移量。并且，公开了使用修正误差修正计算式的发热系数的内容，但由于计算式中也含有其他系数(计算散热系数、从邻接区间的热传导的热传导系数)，因此为了进一步提高修正精度，存在只修正散热系数而不充分的情况。

发明内容

[0009] 本发明鉴于这样的情况，其目的在于为了能够对多种多样的加工高精度地修正热位移，提供一种通过反复机器学习而使基于加工时或机械动作时的机械元件的动作状态推断机械元件的热位移量的计算式最优化的机器学习装置、利用通过该机器学习而最优化的计算式可适当地进行各机械元件的机械位置的热位移修正的热位移修正装置。

[0010] (1)、涉及本发明的机器学习装置(例如，后述的机器学习装置200)是通过机器学习而使基于表示具备进行热膨胀的机械元件(例如，后述的底座2、立柱3、进给轴4、工作台5、主轴安装台6、主轴部7)的机床(例如，后述的加工中心150)的上述机械元件的动作状态的动作状态数据推断上述机械元件的热位移量的计算式最优化的机器学习装置，具备获取上述机械元件的动作状态数据的数据获取机构(例如，后述的数据获取部202)、获取上述机械元件的热位移量的实测值的热位移量获取机构(例如，后述的热位移量获取部203)、将通过上述数据获取机构获取的上述机械元件的动作状态数据以及通过上述热位移量获取机构获取的上述机械元件的热位移量的实测值作为标记相互关联并作为监督数据进行存储的存储机构(例如，后述的存储部204)、基于上述机械元件的动作状态数据以及上述机械元件的热位移量的实测值并通过进行机器学习而设定计算上述机械元件的热位移量的计算式的计算式设定机构(例如，后述的计算式设定部205)、在通过上述计算式设定机构设定的计算式中代入作为监督数据存储于上述存储机构中的预定期间内的上述机械元件的动作状态数据，计算上述机械元件的热位移量的推断值的热位移量计算机构(例如，后述的热位移量计算部206)、判断由上述热位移量计算机构计算出的上述预定期间内的上述机械元件的热位移量的推断值与作为监督数据存储于上述存储机构中的上述预定期间内的上述机械元件的热位移量的实测值的差异是否为预定的阈值以下的判断机构(例如，后述的判断部207)，上述计算式设定机构在通过上述判断机构判断为上述差异不为预定的阈值以下的情况下再次设定上述计算式，在通过上述判断机构判断为上述差异为预定的阈值以下的情况下，将该计算式设定为最合适的计算式。

[0011] (2)、在(1)的机器学习装置中，上述机械元件包括上述机床的进给轴(例如，后述的进给轴4)以及主轴部(例如，后述的主轴部7)，上述机械元件的动作状态可以包括上述机床的动作时的上述进给轴的位置、速度、温度中的至少一个、上述主轴部的速度、负载、温度中至少一个。

[0012] (3)、在(1)或(2)的机器学习装置中，上述计算式设定机构可以设定预先设定的预定的计算式中的系数。

[0013] (4)、在(1)至(3)任一项的机器学习装置中，上述数据获取机构可以从控制上述机床的控制装置(例如，后述的数值控制装置100)中获取上述机械元件的预定的每个抽样时间的动作状态数据。

[0014] (5)、在(1)至(4)任一项的机器学习装置中，上述热位移量获取机构可以获得在上述机床的加工位置附近、每个预定时间间隔所测定的上述机械元件的热位移量的实测值。

[0015] (6)、涉及本发明的机床的热位移修正装置(例如，后述的热位移修正装置30)具备基于由(1)至(5)任一项的机器学习装置而最优化的计算式计算与根据上述机械元件的动作状态数据计算的上述机械元件的热位移量对应的修正量的修正量计算机构(例如，后述的修正量计算部301)、基于上述修正量计算机构计算出的上述机械元件的修正量，修正上述机械元件的机械位置的修正执行机构(例如，后述的修正执行部302)。

[0016] (7)、(6)中的热位移修正装置可以包含于上述机床的控制装置中。

[0017] 发明效果

[0018] 根据本发明，在机床中，使用机械元件的动作状态数据与机械元件的热位移量实测值关联的监督数据，通过重复机器学习(有监督的学习)能够使推断机械元件的热位移量的计算式最优化。其结果，可以对多种多样的加工高精度地修正热位移。

附图说明

[0019] 图1是表示涉及本发明的第一实施方式的热位移修正系统的方框图。

[0020] 图2是表示涉及本发明的第一实施方式的热位移修正装置的详细内容的方框图。

[0021] 图3A是涉及本发明的第一实施方式的加工中心的主视图。

[0022] 图3B是涉及本发明的第一实施方式的加工中心的右侧视图。

[0023] 图4是表示涉及本发明的第一实施方式的加工中心的数值控制装置的重要部分的方框图。

[0024] 图5是表示涉及本发明的第一实施方式的加工中心的机器学习装置的控制系统的方框图。

[0025] 图6是表示涉及本发明的第一实施方式的加工中心的机器学习装置的处理的流程图。

[0026] 图7是说明涉及本发明的第一实施方式的加工中心的进给轴热位移的结构的图。

[0027] 图8是表示推断本发明的第一实施方式的加工中心的进给轴的热位移量的方法的示意图。

[0028] 图中：2—底座(机械元件)，3—立柱(机械元件)，4—进给轴(机械元件)，5—工作台(机械元件)，6—主轴安装台(机械元件)，7—主轴部(机械元件)，100—数值控制装置(控制装置)，150—加工中心(机床)，200—机器学习装置，202—数据获取部(数据获取机构)，203—热位移量获取部(热位移量获取机构)，204—存储部(存储机构)，205—计算式设定部(计算式设定机构)，206—热位移量计算部(热位移量计算机构)，207—判断部(判断机构)，
300—热位移修正装置，301—修正量计算部(修正量计算机构)，302—修正执行部(修正执行机构)。

具体实施方式

[0029] 以下，基于附图说明本发明的实施方式。

[0030] [第一实施方式]

[0031] 图1是表示涉及第一实施方式的热位移修正系统的方框图。图2是表示涉及第一实施方式的热位移修正装置的详细内容的方框图。图3A、图3B分别是涉及第一实施方式的加工中心的主视图、右侧视图。图4表示涉及第一实施方式的加工中心的数值控制装置的重要部分的方框图。图5是表示涉及第一实施方式的加工中心的机器学习装置的控制系统的方框图。

[0032] 以下，关于热位移修正系统1000整体的结构进行说明之后，关于构成该热位移修正系统1000的各装置(加工中心150、数值控制装置100、机器学习装置200、热位移修正装置300)依次进行说明。

[0033] ＜热位移修正系统1000的结构＞

[0034] 首先，关于涉及本实施方式的热位移修正系统1000的结构进行说明。热位移修正系统1000如图1所示，具备n台的数值控制装置100、n台的作为机床的加工中心150、机器学习装置200、n台的热位移修正装置300以及网络400。并且，n为任意的自然数。

[0035] 在此，数值控制装置100与加工中心150为一对一的组合，可通信地连接。这些数值控制装置100与加工中心150的组合例如可以在相同的工厂设置多组，也可以分别设置在不同的工厂。

[0036] 另外，加工中心150、机器学习装置200、热位移修正装置300分别连接于网络400，可通过网络400相互进行通信。网络400例如是工厂内所构筑的LAN(Local Area Network)、英特网、公共电话网、或这些的组合。关于是网络400中的具体通信方式、有线连接以及无线连接中哪一项等并未特殊限定。并且，热位移修正装置300不仅通过网络400连接于数值控制装置100，也可以直接(即，不通过网络400)连接于数值控制装置100。该情况下，热位移装置300可以被包含于数值控制装置100内。

[0037] 其次，关于被包含于热位移修正系统1000中的这些装置的功能基于图2进行说明。在此，图2是表示各装置所包含的功能块的方框图。并且，由于各数值控制装置100分别具备同等的功能，因此在图2中仅图示一台。同样，由于各加工中心150、各热位移修正装置300也分别具备同等的功能，因此在图2中仅图示一台。另外，关于存在于各装置之间的网络400省略其图示。

[0038] ＜加工中心150的结构＞

[0039] 加工中心150如图3A、图3B所示，由底座2、立柱3、进给轴4、工作台5、主轴安装台6、主轴部7等的多个机械元件构成。并且，进给轴4有X轴方向(图3A左右方向)的进给轴4X、Y轴方向(图3B左右方向)的进给轴4Y、Z轴方向(图3A上下方向)的进给轴4Z的三种。

[0040] 在此，在底座2的上方如图3A、图3B所示设置X轴方向的进给轴4X以及Y轴方向的进给轴4Y，以通过这些进给轴4X、4Y能够在水平方向(X轴方向以及Y轴方向)上使搭载工件(被加工物)W的水平的工作台5移动的方式构成。即，X轴方向的进给轴4X由X轴滚珠丝杠45X以及X轴电机46X构成。并且，通过驱动X轴电机46X使X轴滚珠丝杠45X旋转，能够使工作台5在X轴方向上移动。另一方面，Y轴方向的进给轴4Y由Y轴滚珠丝杠45Y以及Y轴电机46Y构成。并且，通过驱动Y轴电机46使Y轴滚珠丝杠45Y旋转，能够使工作台5在Y轴方向上移动。

[0041] 另外，在底座2的上侧竖直设置立柱3。在立柱3的前面部设置Z轴方向的进给轴4Z，以通过该进给轴4Z在垂直方向(Z轴方向)上使主轴安装台6移动的方式构成。即，Z轴方向的进给轴4Z由Z轴滚珠丝杠45Z以及Z轴电机46Z构成。并且，通过驱动Z轴电机46Z使Z轴滚珠丝杠45Z旋转，能够使主轴安装台6在上下方向(Z轴方向)上移动。

[0042] 而且，在主轴安装台6上设置主轴部7。主轴部7由主轴75以及主轴电机76构成。并且，驱动主轴电机76能够使主轴75旋转。主轴75位于工作台5的上方，在主轴75的下端部上能够安装工具77。

[0043] ＜工件W的打孔加工＞

[0044] 其次，关于使用加工中心150进行工件W的打孔加工(钻孔加工)的顺序进行说明。并且，该打孔加工除了由操作员进行的工具77的安装动作以及工件W的安装动作以外，都是基于来自数值控制装置100的指令执行。

[0045] 首先，操作员如图3A、图3B所示，在加工中心150的主轴75上安装工具77的同时，在工作台5上装载工件W并固定。

[0046] 其次，通过在水平方向(X轴方向以及Y轴方向)上适当地移动工作台5，在工具77的正下方定位工件W的加工部位。该状态下，使主轴75旋转而使工具77旋转的同时，通过在上下方向(Z轴方向)上适当地移动主轴安装台6，对工件W的加工部位进行打孔加工。

[0047] 伴随如此的工件W的打孔加工，在加工中心150中，在三种进给轴4(4X、4Y、4Z)以及主轴部7产生发热。作为该发热的原因，主要考虑如图7所示，滚珠丝杠45(X轴滚珠丝杠45X、Y轴滚珠丝杠45Y、Z轴滚珠丝杠45Z)与螺母47的摩擦、主轴76的旋转、主轴75的轴承部78的摩擦等。若产生这样的发热，则由于机械元件热膨胀而导致滚珠丝杠45在轴向上伸长、主轴部7倾斜。其结果，存在工件W的加工部位与工具77的相对位置偏离、加工精度降低的可能性。

[0048] 因此，在工件W的打孔加工时，为了修正机械位置，所熟知用于求出由三种进给轴4(4X、4Y、4Z)以及主轴部7产生的热位移量的预定的热位移量算出计算式(以下，称为“计算式”)。关于该计算式，在专利文献1以及专利文献2中详细地讲解。

[0049] 这些计算式输入加工中心150动作时的进给轴4的位置、速度、温度、主轴部7的速度、负载、温度等的动作状态数据，通过由预定的系数进行的乘法或取幂等计算热位移量。

[0050] 为了使用计算式计算热位移量，加工中心150以通过各种传感器(未图示)测量各机械元件(进给轴4(4X、4Y、4Z)以及主轴部7)的动作状态(例如，加工中心150动作时(加工时或空运转时)中的进给轴4的位置、速度、温度、主轴部7的速度、负载、温度等)的方式构成。通过这样，能通过将这些动作状态数据输入计算式中，计算出各机械元件中的热位移量。并且，计算式的具体说明后述。

[0051] 而且，加工中心150以通过各种位移测定器(未图示)计测各机械元件的热位移量的方式构成。

[0052] 更具体的说，加工中心150通过各种传感器(未图示)在每个预定的抽样时间测量各机械元件的动作状态(具体的说，加工中心150动作时(加工时或空运转时)中的进给轴4的位置、速度、温度、主轴部7的速度、负载、温度等)。而且，加工中心150在每个恒定时间测量各机械元件的热位移量(实测值)。并且，该热位移量的测定部位例如优选加工中心150的加工位置(工具77的前端部)的附近。另外，该热位移量的测定方法并不特别限定，能够采用由接触探头进行的机内测量、加工的工件W的测定等。

[0053] ＜数值控制装置100的结构＞

[0054] 在加工中心150中组装作为控制装置的数值控制装置100。数值控制装置100的CPU11如图4所示是整体性地控制数值控制装置100的处理器。CPU11通过总线20读出存储于ROM12中的系统程序，按照该系统程序控制数值控制装置100全体。在RAM13中通过暂时性的计算数据、显示数据以及显示器/MDI单元70存储操作员输入的各种数据。

[0055] CMOS存储器14由未图示的蓄电池驱动，作为即使数值控制装置100的电源断开也能保持存储状态的非易失性存储器而构成。在CMOS存储器14中存储通过接口15读取的加工程序、通过显示器/MDI单元输入的加工程序等。在ROM12中预先写入用于实施加工程序的指定以及编辑所需要的编辑模式的处理、用于自动运转的处理的各种程序系统。加工程序等的各种加工程序通过接口15、显示器/MDI单元70输入，能够存储于CMOS存储器14中。

[0056] 接口15是能连接数值控制装置100与适配器等的外部设备72的装置。从外部设备72侧读取加工程序、各种参数等。另外，数值控制装置100内所编辑的加工程序通过外部设备72能够存储于外部存储机构中。

[0057] PMC(可编程·机械·控制器)16用内置于数值控制装置100中的顺序程序并通过I/O单元17向加工中心150的辅助装置(例如，作为工具更换用的机械手的驱动器)输出信号并控制。另外，接受配置于加工中心150中的操作盘的各种开关等的信号，进行所需要的信号处理之后向CPU11转移。

[0058] 显示器/MDI单元70是具备显示器、键盘等的手动数据输入装置，接口18接受来自显示器/MDI单元的键盘的指令、数据并向CPU11转移。接口19连接于具备手动脉冲发生器等的操作盘71。各轴的轴控制电路30～34接受来自CPU11的各轴的移动指令量向伺服放大器40～44输出各轴的指令。

[0059] 伺服放大器40～44接受该指令驱动各轴的伺服电机50～54。各轴的伺服电机50～54内置位置·速度检测器，向轴控制电路30～34反馈来自该位置·速度检测器的位置·速度反馈信号，进行位置·速度的反馈控制。并且，在方框图中，关于位置·速度的反馈省略。

[0060] 主轴控制电路60接受向加工中心150的主轴旋转指令，向主轴放大器61输出主轴速度信号。主轴放大器61接受该主轴速度信号，以命令加工中心150的主轴电机76的旋转速度旋转，驱动工具。

[0061] 在主轴电机76中用齿轮或皮带等结合脉冲编码器63，脉冲编码器63与主轴的旋转同步地输出回归脉冲，该回归脉冲经由总线20通过CPU11读取。

[0062] 另外，数值控制装置100获取表示加工中心150在每个预定的抽样时间测定的各机械元件的动作状态的动作状态数据。而且，数值控制装置100获取加工中心150每个恒定时间测定的各机械元件的热位移量。

[0063] ＜机器学习装置200的结构＞

[0064] 本实施方式中的机器学习装置200是基于监督数据学习专利文献1以及专利文献2所公开的计算式的系数的装置。

[0065] 在图5中表示机器学习装置200的功能方框图。机器学习装置200如图5所示具备主控制部201。在主控制部201中连接作为数据获取机构的数据获取部202、作为热位移获取机构的热位移量获取部203、作为存储机构的存储部204、作为计算式设定机构的计算式设定部205、作为热位移量计算机构的热位移量计算部206、作为判断机构的判断部207。

[0066] 数据获取部202将来自数值控制装置100的机械元件的动作状态数据作为输入数据而获取。

[0067] 热位移量获取部203将来自数值控制装置100的机械元件的热位移量的实测值作为输入数据而获取。

[0068] 存储部204将通过数据获取部202从数值控制装置100获取的每个抽样时间的机械元件的动作状态数据以及通过热位移量获取部203从数值控制装置100获取的每个恒定时间的机械元件的热位移量的实测值作为标记并互相关联，作为监督数据进行存储。

[0069] 计算式设定部205基于机械元件的动作状态数据以及机械元件的热位移量的实测值，例如通过进行包括最小平方法等所熟知的方法的机器学习，设定基于机械元件的动作状态数据计算机械元件的热位移量的计算式中的系数。然后，计算式设定部205基于后述的判断部207的判断结果，通过再次进行包含于该计算式中的系数的机器学习而进一步使计算式最适化。

[0070] 即，计算式设定部205在来自后述的判断部207的判断结果为否的情况(即，通过具备事先设定的系数的计算式计算出的预定期间内的机械元件的热位移量的推断值与机械元件的热位移量的实测值的差异超过预定的阈值的情况)，例如，通过再次进行包括最小平方法等所熟知的方法的机器学习，再次设定与在此之前设定的系数不同的系数。另一方面，在来自后述的判断部207的判断结果为是的情况(即，通过具备事先设定的系数的计算式计算出来的机械元件的热位移量的推断值与机械元件的热位移量的实测值的差异为预定的阈值以下的情况)，计算式设定部205作为最适合的系数设定该系数。如此，计算式设定部205能够使计算式最适化。

[0071] 热位移量计算部206在由计算式设定部205设定的计算式中代入作为监督数据存储于存储部204中的机械元件的动作状态数据而计算出机械元件的热位移量的推断值。

[0072] 更具体的说，热位移量计算部206基于计算式代入作为监督数据存储于存储部204中的每个预定期间中的抽样时间的机械元件的动作状态数据，计算机械元件的热位移量。通过反复进行这样的计算处理并将每个预定期间中的抽样时间所计算出的热位移量相加，计算加工中心150的预定期间中的机械元件的热位移量的推断值。

[0073] 判断部207判断通过热位移量计算部206而计算出的机械元件的热位移量的推断值与作为监督数据存储于存储部204中的机械元件的热位移量的实测值的差异是否为预定的阈值以下。而且，判断部207向计算式设定部205通知该判断结果(系数是否可行)。

[0074] 通过这样，计算式设定部205在由判断部207判断为差异不为预定的阈值以下的情况下，例如，通过再次进行包括最小平方法等所熟知的方法的机器学习，再次设定与之前所设定的系数不同的系数。另外，在由判断部207判断为差为预定的阈值以下的情况下，计算式设定部205能够作为最适合的参数设定该计算式。

[0075] ＜热位移修正装置300的结构＞

[0076] 热位移修正装置300如图2所示，具备作为修正量计算机构的修正量计算部301、作为修正执行机构的修正执行部302。修正量计算部301基于由机器学习装置200最优化的计算式计算与由机械元件的动作状态数据(判断数据)计算出的机械元件的热位移量对应的修正量。修正执行部302基于由修正量计算部301计算出的机械元件的修正量修正机械元件的机械位置。或者，修正执行部302向数值控制装置100发送该机械元件的修正量。

[0077] ＜机器学习装置200的处理流程＞

[0078] 其次，关于机器学习装置200的处理流程参照图6进行说明。图6是表示机器学习装置200的处理的流程图。

[0079] 以下，在进行作为加工中心150的机械元件的进给轴4、主轴部7的热位移修正的情况下，关于机器学习装置200的处理具体如何实施进行说明。

[0080] 步骤S1中，数据获取部202以及热位移量获取部203作为在机器学习中所使用的监督数据从数值控制装置100中获取进给轴4、主轴部7的动作状态数据以及进给轴4、主轴部7的热位移量的实测值。然后，存储部204作为标签将这些的进给轴4、主轴部7的动作状态数据以及进给轴4、主轴部7的热位移量的实测值相互关联并作为监督数据进行存储。

[0081] 在步骤S2中，计算式设定部205基于预定期间A中的机械元件(进给轴4以及主轴部7)的动作状态数据以及机械元件的热位移量的实测值(监督数据)，通过进行包括如最小平方法等所熟知的方法的机器学习，设定计算机械元件的热位移量的计算式中的系数。并且，关于计算式后述。

[0082] 步骤S3中，热位移量计算部206通过在由计算式设定部205设定的计算式中代入作为监督数据而存储于存储部204中的预定期间B中的进给轴4、主轴部7的动作状态数据，计算进给轴4、主轴部7的热位移量的实测时刻中的进给轴4、主轴部7的热位移量的推断值。

[0083] 在此，关于用于热位移量计算部206计算预定期间B中的进给轴4以及主轴部7的热位移量的推断值的计算式以及计算方法说明其概要。并且，计算式以及计算方法基于记载于专利文献1以及专利文献2中的内容。

[0084] 在计算进给轴4、主轴部7的热位移量的推断值时，如下述考虑每个各轴方向(X轴方向、Y轴方向、Z轴方向)。如下述，X轴方向的热位移量是X轴方向的进给轴4X的X轴滚珠丝杠45X的伸长量。另外，Y轴方向的热位移量是在Y轴方向的进给轴4Y的Y轴滚珠丝杠45Y的伸长量上加上主轴部7的Y轴方向的热位移量的量。而且，Z轴方向的热位移量是在Z轴方向的进给轴4Z的Z轴滚珠丝杠45Z的伸长量上加上主轴部7的Z轴方向的热位移量的量。在此，关于X轴方向的热位移量，没有加上主轴部7的X轴方向的热位移量是因为，如图3A所示，由于主轴部7的结构沿X轴方向左右对称，因而认为主轴部7在X轴方向上不会热位移。

[0085] X轴方向的热位移量＝X轴滚珠丝杠的伸长量

[0086] Y轴方向的热位移量＝Y轴滚珠丝杠的伸长量+主轴部的Y轴方向的热位移量[0087] Z轴方向的热位移量＝Z轴滚珠丝杠的伸长量+主轴部的Z轴方向的热位移量[0088] 另外，关于X轴滚珠丝杠45X的伸长量，如图7所示，仅将从连接于X轴电机46X的基部至与螺母47螺纹结合的螺纹结合部的部分作为对象。这是因为，由于从螺纹结合部之前的伸长量不会影响工作台5的X轴方向的移动、即工作台5上的工件的定位，能够忽略。这些内容关于Y轴滚珠丝杠45Y、Z轴滚珠丝杠45Z的伸长量也相同。

[0089] 其次，将X轴方向的进给轴4X的热位移量作为示例，说明热位移量计算部206用于计算X轴方向的进给轴4X的热位移量的计算式以及计算方法。

[0090] 为了计算X轴方向的进给轴4X的热位移量，如图8所示，将X轴滚珠丝杠45X作为一维模型进行捕捉，沿其轴向以预定的长度(例如，10mm)将X轴滚珠丝杠45X分割为多个(图8中，m个)区间。并且，热位移量计算部206在每个区间中考虑X轴滚珠丝杠45X的发热以及散热、尤其是来自邻接于两侧的区间的影响(导热)，并计算其热位移量。然后，热位移量计算部206从这些每个区间的热位移量的总和计算X轴滚珠丝杠45X整体的热位移量、即X轴方向的进给轴4X的热位移量的推断值。

[0091] 在此，时刻n(0≤n)的区间i(0≤i≤m)的热位移量能够使用如以下的计算式(1)进行计算。并且，该式仅仅是一例，还可以使用其他计算式计算热位移量。在此，A、B、C、a、b为最优化对象的系数。

[0092] δni＝δ(n-1)i+A×Vnia-B×δ(n-1)ib+C×{δ(n-1)i-1+δ(n-1)i+1-2×δ(n-1)i}··(1[0093] δni：时刻n的区间i的热位移量

[0094] Vni：时刻n的区间i的平均速度

[0095] 时刻n的X轴方向的热位移量的推断值Lnm通过在从区间0至区间m将上述计算式(1)所表示的每个各区间i的热位移量相加，用下式(2)表示。

[0096] Lnm＝δn0+δn1+…+δnI+…+δnm··(2)

[0097] 如此，热位移量计算部206基于式1以及式2计算预定期间B中的X轴方向的进给轴4X的热位移量。

[0098] 并且，关于Y轴方向的进给轴4Y、Z轴方向的进给轴4Z也仅是其配置状况(滚珠丝杠45的方向)与X轴方向的进给轴4X不同，能够同样地适用这里所说明的计算方法。

[0099] 另外，在计算主轴部7的热位移量的推断值时，例如能够使用专利文献2所公开的所熟知的计算式以及计算方法。在此省略说明。

[0100] 步骤S4中，判断部207将由热位移量计算部206计算的预定期间中的进给轴4、主轴部7的热位移量的推断值与由热位移量获取部203获取的预定期间中的进给轴4、主轴部7的热位移量的实测值进行比较，计算两者的差异，判断该差异是否为预定的阈值以下。该判断为否的情况(即，该差异超过预定的阈值的情况)下，由于考虑该计算式在统计性上合理的概率低，因此返回步骤S2。另一方面，在该判断为是的情况(即，该差异为预定的阈值以下的情况)下，由于考虑该计算式在统计性上合理的概率高，因此向步骤S5转移。

[0101] 在步骤S5中，计算式设定部205将上述计算式(1)中的系数A、B、C、a、b作为最适当的参数进行设定。由此，能够使计算式(1)最优化。

[0102] 在此，求出机械元件的动作状态数据与机械元件的热位移量的计算式的动作结束。

[0103] 并且，关于步骤S2中的预定期间A与步骤S3中的预定期间B简单地进行说明。预定期间A与预定期间B既可以一部分重复，也可以不重复。可是，关于在步骤S4中的判断为否的情况下向步骤S2转移时的预定期间A'优选含有进行不久之前的步骤S3时的预定期间B。

[0104] 另外，在步骤S2中再次设定计算式，在向步骤S3转移时，步骤S3中的预定期间B'优选含有前次的预定期间B、或重复。

[0105] 通过这样，步骤S2中再次设定的计算式可以再次确认即使关于在前次判断中为否的预定期间B，差异也为阈值以下。

[0106] [变形例]

[0107] 在步骤S4中的判断为是的情况下，可以不马上向步骤S5转移，而是判断是否学习了存储于存储部204中的全部的监督数据，在该判断为否的情况(即，没有学习全部的监督数据的情况)下返回步骤S2，重复由机器学习进行的计算式(即，系数)的计算动作，并且，在该判断为是的情况(即，学些了全部的监督数据的情况)下，开始向步骤S5转移。

[0108] ＜热位移修正装置300的处理流程＞

[0109] 热位移修正装置300基于最新的计算式实时修正机械元件的热位移。在其中，首先，修正量计算部301基于由机器学习装置200最优化的计算式计算与由机械元件的动作状态数据计算出的机械元件的热位移量对应的修正量。其次，修正执行部302基于由修正计算部301计算出的机械元件的修正量修正机械元件的机械位置。或者，修正执行部302向数据控制装置100发送该机械元件的修正量。

[0110] 接收该修正量，数值控制装置100基于该机械元件的修正量修正机械元件的热位移。因此，加工中心150实时修正机械元件的热位移且进行工件W的打孔加工。其结果，在进行工件W的打孔加工时能够降低由机械元件的热位移引起的工件W的加工部位与工具77的相对位置的偏离，能够高精度地加工工件W。

[0111] ＜本实施方式的效果＞

[0112] 如上述，根据本实施方式，通过在加工中心150中使用机械元件(进给轴4、主轴部7)的动作状态数据与机械元件的热位移量的实测值相互关联了的监督数据重复机器学习(有监督的学习)，能够使推断机械元件的热位移量的计算式最优化。其结果，可对多种多样的加工高精度地修正热位移。

[0113] 另外，机械元件的动作状态数据与机械元件的热位移量的计算式由于存储于数值控制装置100中，因此能通过由网络发送接收该计算式，将任意一台加工中心150中所获取的计算式作为公共资产，在其他任一加工中心150中也能够利用。

[0114] 另外，在推断机械元件的热位移量时，如果使用采用上述时刻n的计算式，则即使机械元件的动作状态伴随时间的推移而复杂地变动的情况下，也能够准确地推断机械元件的热位移量。

[0115] [其他实施方式]

[0116] 以上，关于本发明的实施方式进行了说明，但本发明并未限定于上述实施方式。另外，本实施方式所记载的效果只不过列举由本发明带来的最适的效果，由本发明带来的效果并未限定于本实施方式所记载的效果。

[0117] [变形例1]

[0118] 在第一实施方式中，数值控制装置100、机器学习装置200、热位移修正装置300分别主要说明连接于网络400的结构。相对于此，数值控制装置100与热位移修正装置300可以通过连接部直接连接。另外，可以以数值控制装置100具备热位移修正装置300的方式构成。

[0119] [变形例2]

[0120] 第一实施方式中的机器学习装置300可以为具备CPU的电脑系统。该情况下，CPU读取存储于如ROM等的存储部中的程序，按照该程序将电脑作为主控制部201、数据获取部202、热位移量获取部203、存储部204、计算式设定部205、热位移量计算部206以及判断部
207并执行。

[0121] [变形例3]

[0122] 在第一实施方式中，关于在加工中心150中适用本发明的情况进行说明，但只要是具备热膨胀的机械元件的装置，在除了加工中心150以外的机床中也能够同样地适用本发明。