JP4488564B2

JP4488564B2 - Method for suppressing thermal deformation of machine tool and temperature control device

Info

Publication number: JP4488564B2
Application number: JP32639599A
Authority: JP
Inventors: 恭一 ▲えび▼沢; 好市浦野; 郁男田辺
Original assignee: 関東精機株式会社
Priority date: 1999-11-17
Filing date: 1999-11-17
Publication date: 2010-06-23
Anticipated expiration: 2019-11-17
Also published as: JP2001138175A

Description

【０００１】
【発明の属する技術分野】
この発明は、工作機械の熱変形抑制方法および温度制御装置に関するものであり、さらに詳しくは、ニューラルネットワークの逆解法により工作機械の熱変形を抑制する方法およびそれを利用した温度制御装置に関するものである。
【０００２】
【従来の技術】
工作機械の熱変形による加工製品の形状精度および寸法精度等への影響をできるだけ少なくするために、工作機械を強制温調（冷却または加熱）して各構造体の温度を一定値に保つことや室温等に追従させることは従来から行われていた。また、工作機械の温度変化による熱変形量を予測して、各座標軸方向の送り量を補正することにより熱変形による影響を減少させることも従来から知られていた。
【０００３】
【発明が解決しようとする課題】
従来のように、工作機械を強制温調して各構造体の温度を目標値に保とうとしても、各構造体の温度を完全に目標値に追従制御することは不可能であり、目標値への追従制御による強制温調によって熱変形による影響を減少させることには限界があった。また、工作機械の温度変化による熱変形量を精度よく予測することも困難であり、各座標軸方向の送り量を補正することによる熱変形の補償にも限界があった。そして送り方向以外の方向での熱変形を補償するためには、各送り軸の制御が複雑となり補償精度がさらに悪化することとなる。
【０００４】
そこで、本発明は、ニューラルネットワークの逆解法により強制温調の最適な目標温度を求め、工作機械の熱変形を高度に抑制する全く新しい方法およびその方法を利用した温度制御装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、本発明の工作機械の熱変形抑制方法は、工作機械の構造体温度、前記工作機械周囲の温度、前記工作機械の強制温調温度等に関する入力データ群を入力し、そのときの前記工作機械の熱変位量を出力し、入出力間に非線形関数を含むニューラルネットワークに、入力データと教師データとを与えることにより、前記入力データ群と前記熱変位量との関係を学習させる手順と、前記ニューラルネットワークに学習させた前記入力データ群と前記熱変位量との関係により、前記熱変位量が最小となる強制温調温度である最適温調設定温度を求める手順と、強制温調温度が前記最適温調設定温度となるように制御して前記工作機械の強制温調を行う手順とを有し、前記入力データ群は、稼働開始からの時間と、稼働開始からの前記工作機械各部の温度上昇値と、稼働開始からの室温上昇値および前記工作機械の強制温調温度を含むものである。
【０００７】
また、上記の工作機械の熱変形抑制方法において、前記入力データ群は、所定時間だけ過去からの前記工作機械各部の温度上昇値と所定時間だけ過去からの室温上昇値とを含むものであることが好ましい。
【０００８】
また、上記の工作機械の熱変形抑制方法において、前記ニューラルネットワークは、入力層、中間層および出力層の３層構造を有するものであることが好ましい。
【０００９】
また、上記の工作機械の熱変形抑制方法において、前記ニューラルネットワークは、前記中間層の入力と出力との関係がシグモイド関数となるものであることが好ましい。
【００１０】
また、本発明の工作機械の温度制御装置は、工作機械の構造体温度および前記工作機械周囲の温度に関するデータを入力するデータ入力手段と、前記工作機械の構造体温度、前記工作機械周囲の温度、前記工作機械の強制温調温度等に関する入力データ群を入力し、そのときの前記工作機械の熱変位量を出力し、入出力間に非線形関数を含むとともに前記入力データ群と前記熱変位量との関係を学習させたニューラルネットワークに基づいて、前記入力データ群と前記熱変位量との関係により、前記熱変位量が最小となる強制温調温度である最適温調設定温度を演算する演算手段と、強制温調温度が前記最適温調設定温度となるように制御を行う制御手段とを有し、前記入力データ群は、稼働開始からの時間と、稼働開始からの前記工作機械各部の温度上昇値と、稼働開始からの室温上昇値および前記工作機械の強制温調温度を含むものである。
【００１１】
また、上記の工作機械の温度制御装置において、稼働開始時の前記工作機械各部の温度と稼働開始時の室温とを記憶する手段を有することが好ましい。
【００１２】
また、上記の工作機械の温度制御装置において、所定時間だけ過去からの前記工作機械各部の温度の履歴データと所定時間だけ過去からの室温の履歴データとを記憶する手段を有することが好ましい。
【００１３】
また、上記の工作機械の温度制御装置において、前記ニューラルネットワークは、入力層、中間層および出力層の３層構造を有するものであることが好ましい。
【００１４】
また、上記の工作機械の温度制御装置において、前記ニューラルネットワークは、前記中間層の入力と出力との関係がシグモイド関数となるものであることが好ましい。
【００１５】
【発明の実施の形態】
本発明の実施の形態について図面を参照して説明する。図１は、本発明の熱変形抑制方法を適用する工作機械を示す図である。工作機械としてはマシニングセンタ１を例にとって説明する。マシニングセンタ１のベッド２上には、テーブル３が設けられている。また、コラム４には主軸頭５がＺ軸方向（鉛直方向）に移動可能に設けられている。主軸頭５には、Ｚ軸方向の中心軸を有する主軸６がＺ軸の回りに回転可能に軸支されている。
【００１６】
テーブル３と主軸頭５とは、Ｚ軸と直交するＸ，Ｙ軸の両軸方向に相対移動可能に設けられている。ここでは、Ｚ軸は鉛直方法に配置され、Ｘ，Ｙ軸は水平面内に配置されているが、これに限らず、Ｘ，Ｙ，Ｚ軸は互いに直交する任意の方向であってもよい。工作物はテーブル３上に固定され、主軸６の先端に取り付けられた加工工具によって工作物の加工が行われる。加工の際には、主軸６が回転駆動され、主軸頭５とテーブル３とがＸ，Ｙ，Ｚ軸方向に相対移動される。
【００１７】
マシニングセンタ１が稼働を開始すると、主軸６を軸支する軸受や駆動モータが熱源になり、マシニングセンタ１の各部の温度が変動する。また、周囲の室温も時間に従って変動する。これらの温度変動により、マシニングセンタ１の各部に熱変形が生じ、主軸頭５（主軸６）とテーブル３とのＸ，Ｙ，Ｚ軸方向の位置関係に熱変形による変位が生じる。このような熱変位が工作物の加工精度に悪影響を及ぼすので、マシニングセンタ１の熱変形を抑制するための冷却装置９が設けられている。
【００１８】
冷却装置９は、冷却媒体（冷却油）を循環させることにより、主軸６の軸受やＸ，Ｙ，Ｚ軸方向の送りねじの強制冷却を行うものである。従来の冷却制御、例えば、室温同調制御においては、主軸軸受、送りねじ等の部材の温度が室温と同調するようにフィードバック制御が行われ、これにより冷却媒体の温度が設定される。機体温度同調制御においては、主軸軸受、送りねじ等の部材の温度がベッド２等の機体温度と同調するようにフィードバック制御が行われ、これにより冷却媒体の温度が設定される。
【００１９】
このような従来のフィードバック制御、フィードフォワード制御による強制冷却では、未だ工作機械の熱変形を充分に抑制することができなかった。本発明は、ニューラルネットワークの逆解法により強制冷却の最適な目標温度を求め、工作機械の熱変形を高度に抑制する全く新しい方法を実現するものである。
【００２０】
図２は、本発明に使用するニューラルネットワークの構成を示す図である。このニューラルネットワークは、入力層、中間層、出力層からなる３層構造を有している。入力層のユニットはｎ個設けられており、上からｉ番目（１≦ｉ≦ｎ）のユニットに対する入力をＴ_i とすると、ｉ番目のユニットの出力もＴ_i である。すなわち、入力層の各ユニットは、入力された信号をそのまま出力するものである。入力層の入力Ｔ_i には、マシニングセンタ１の稼働開始からの時間ｔ、稼働開始から時間ｔまでのマシニングセンタ１の機体各部の温度上昇値、稼働開始から時間ｔまでの室温上昇値、所定時間Δｔだけ前から時間ｔまでの機体各部の温度上昇値、所定時間Δｔだけ前から時間ｔまでの室温上昇値、冷却媒体の温度等のデータが含まれる。
【００２１】
中間層のユニットはｍ個設けられており、上からｊ番目（１≦ｊ≦ｍ）のユニットに対する入力をＵ_j とし、ｊ番目のユニットの出力をＨ_j とする。出力層のユニットは３個設けられており、上からｋ番目（１≦ｋ≦３）のユニットに対する入力をＳ_k とし、ｋ番目のユニットの出力をＯ_k とする。出力Ｏ₁ ，Ｏ₂ ，Ｏ₃ は熱変位のそれぞれＸ，Ｙ，Ｚ軸方向成分を表す。Ｕ_j ，Ｈ_j ，Ｓ_k ，Ｏ_k は、次の数１によって表される。
【００２２】
【数１】

【００２３】
数１（１）において、Ｗ_jiは入力層と中間層の結合係数であり、θ_j は中間層の入力へのオフセット値である。数１（２）により、中間層の入力と出力との関係が示される。ただし、数１（２）において、ｅｘｐ（ｘ）は指数関数を表すものである。数１（２）は、シグモイド関数と呼ばれるものである。数１（３）において、Ｖ_kjは中間層と出力層の結合係数であり、γ_k は出力層の入力へのオフセット値である。数１（４）は、出力層の入力と出力との関係を示すものである。この出力層の入出力関数としては、数１（４）のように線形１次関数を用いている。
【００２４】
ここでは、ニューラルネットワークとして３層構造を持ち、中間層の入出力関数をシグモイド関数とし、出力層の入出力関数を線形１次関数としたものを示したが、これ以外の構成のものも利用できる。例えば、３層以上の多層構造としたり、中間層と出力層に他の関数を利用したりすることができる。また、出力層のユニットの数を３として、熱変位のＸ，Ｙ，Ｚ軸方向成分を出力するようにしたが、これ以外の座標成分を出力するようにしてもよい。例えば、出力層のユニットの数を６として、熱変位のＸ，Ｙ，Ｚ軸方向成分に加えてＡ，Ｂ，Ｃ軸方向成分も出力することができる。ここで、Ａ，Ｂ，Ｃ軸方向とは、それぞれＸ，Ｙ，Ｚ軸の回りの回転方向である。また、着目する任意の方向の熱変位成分のみを出力するようにすることもできる。
【００２５】
図２のようなニューラルネットワークに学習を行うには、入力Ｔ₁ 〜Ｔ_n を与えるとともに、その出力Ｏ₁ 〜Ｏ₃ に対する教師データＤ₁ 〜Ｄ₃ を与える。この入力Ｔ_i には、マシニングセンタ１の稼働開始からの時間ｔ、稼働開始から時間ｔまでの機体各部の温度上昇値、稼働開始から時間ｔまでの室温上昇値、所定時間Δｔだけ前から時間ｔまでの機体各部の温度上昇値、所定時間Δｔだけ前から時間ｔまでの室温上昇値、冷却媒体の温度等のデータが含まれる。ここでは、冷却媒体の温度はＴ_n として与えるものとする。
【００２６】
このときのマシニングセンタ１の主軸６とテーブル３の基準点の相対的な熱変位量のＸ，Ｙ，Ｚ軸方向成分を測定し、それらの測定値を教師データＤ₁ 〜Ｄ₃ として与える。そして、出力Ｏ_k と教師データＤ_k との誤差の二乗和が最小になるように、結合係数Ｗ_ji，Ｖ_kjおよびオフセット値θ_j ，γ_k を修正する。マシニングセンタ１の種々の運転状態に対して入力データＴ₁ 〜Ｔ_n と教師データＤ₁ 〜Ｄ₃ を測定し、学習を繰り返すことにより実際のマシニングセンタ１の熱変位特性をシミュレートするようなニューラルネットワークを構築することができる。実際の結合係数およびオフセット値の修正は、公知のバックプロパゲーション法を用いて計算を行うことができる。出力と教師データとの誤差の二乗和が許容値以下となるまで修正を繰り返し、許容値以下となれば学習を終了させる。
【００２７】
このようにマシニングセンタ１の熱変位特性を学習させたニューラルネットワークの入力データ、結合係数、オフセット値を使用して、マシニングセンタ１の熱変位は、次の数２により計算される。
【００２８】
【数２】

【００２９】
ここで、前述のように、入力データＴ₁ 〜Ｔ_n-1 は稼働開始からの時間および各部の温度上昇値であり、入力データＴ_n は冷却媒体の温度である。したがって、入力データＴ₁ 〜Ｔ_n-1 として測定値を用いることにより、マシニングセンタ１の熱変位を冷却媒体の温度のみの関数として表すことができる。数２により、あらゆる運転状態において、ある冷却媒体の温度に対するマシニングセンタ１の熱変位を計算することができる。
【００３０】
逆に、マシニングセンタ１の熱変位を最小とするための冷却媒体の最適設定温度を求めることを逆解法問題という。この逆解法問題を数２による熱変位を最小化するための最適化計算によって解くことができる。具体的には、熱変位を表す出力Ｏ₁ 〜Ｏ₃ の二乗和が最小になるような冷却媒体の設定温度Ｔ_n を公知の勾配法等により求めることができる。また、最適解を求める際の直線探索としては公知の黄金分割探索等を用いることができる。
【００３１】
図２のようなニューラルネットワークは、実際には、コンピュータ内のプログラムおよびデータとして実現される。学習によるニューラルネットワークの結合係数、オフセット値の修正演算もコンピュータによって演算される。さらに、コンピュータによる数値計算によって逆解法問題を解いて冷却媒体の最適設定温度が求められる。
【００３２】
図３は、本発明の熱変形抑制方法を使用した冷却制御装置７の構成を示す図である。図１の冷却装置９は、この冷却制御装置７および冷却器８を備えている。冷却制御装置７には、情報処理手段としてのＣＰＵ７１が設けられている。ＣＰＵ７１は、バス７２を介してＲＯＭ７３、ＲＡＭ７４等のメモリをアクセスし、また、それ以外の入出力回路等をアクセスして種々の情報処理を行うことができる。
【００３３】
ＣＰＵ７１は、ＲＯＭ７３に記憶されているＢＩＯＳ等のシステムプログラムおよびデータと、ＲＡＭ７４にロードされたプログラムおよびデータに従って動作する。ＲＡＭ７４には、図２のようなニューラルネットワークをモデル化したニューラルネットワークモデル７４１が記憶されている。また、ＲＡＭ７４には、基本プログラムであるＯＳ（オペレーティング・システム）や、ニューラルネットワークの学習を行う学習プログラム７４２、ニューラルネットワークの逆解法により冷却媒体の最適設定温度を演算する最適温度演算プログラム７４３等がロードされている。
【００３４】
冷却制御装置７のバス７２には、補助記憶装置としての固定ディスク装置７５が接続されている。固定ディスク装置７５にはＣＰＵ７１によって実行されるべきＯＳプログラムおよびその他のプログラム等を記憶しておき、適宜、これらのプログラム等を固定ディスク装置７５からＲＡＭ７４にロードする。また、固定ディスク装置７５には、ニューラルネットワークモデル７４１を構成するためのデータ、数式等も記憶されている。固定ディスク装置７５には、さらに、後述する稼働開始時温度データ７５１、温度履歴データ７５２が記録される。
【００３５】
冷却制御装置７のバス７２には、文字および図形を表示する表示手段７６、操作者がデータを入力するための入力手段７７がインターフェース回路を介して接続されている。表示手段７６としてはＣＲＴ、液晶ディスプレイ等が使用でき、入力手段７７としてはキーボード、タッチパネル等が使用できる。
【００３６】
また、バス７２には、時間を計測するための時計回路７８、工作機械（マシニングセンタ１）からの温度等の測定データを入力するための入力回路７９が接続されている。さらに、冷却制御装置７にはインターフェース回路を介して冷却器８が接続されており、冷却制御装置７によって目標温度に冷却制御された冷却媒体が冷却器８から工作機械に送られ、工作機械の主軸軸受やＸ，Ｙ，Ｚ軸の送りねじ等の部材を冷却する。
【００３７】
学習プログラム７４２は、学習によるニューラルネットワークの結合係数、オフセット値の修正演算を行うものである。ニューラルネットワークモデル７４１として、メーカーによって予め学習が終了したものを記憶させておけば、学習プログラム７４２は必ずしも必要ではない。さらに、学習済みのニューラルネットワークに基づく最適温度演算プログラム７４３が用意されていれば、ニューラルネットワークモデル７４１も不要である。ただし、ニューラルネットワークモデル７４１および学習プログラム７４２を搭載していれば、工作機械ユーザー自身が教師データを用意してニューラルネットワークの学習を行うことができる。
【００３８】
ニューラルネットワークの入力データとなるべき工作機械からの計測データは、入力回路７９を介して冷却制御装置７に入力され、また、工作機械の稼働開始信号等も入力回路７９に入力される。稼働開始からの時間は時計回路７８から読み取ることができる。さらに、入力回路７９に入力された工作機械各部の温度および室温のデータは、稼働開始時の温度データが稼働開始時温度データ７５１として、所定時間Δｔだけ過去から現在までの履歴データが温度履歴データ７５２として固定ディスク装置７５内に記録される。
【００３９】
稼働開始時温度データ７５１と現在の温度データから工作機械各部および室温の温度上昇値が計算され、温度履歴データ７５２と現在の温度データから所定時間Δｔだけ前から現在までの温度上昇値が計算される。これらのデータから、数２によって与えられる熱変位を最小化するような、冷却媒体の最適設定温度を最適温度演算プログラム７４３により演算し、冷却媒体がその最適設定温度となるように冷却器８を制御する。
【００４０】
この冷却制御装置７によって冷却制御を行った場合には、従来の室温同調制御等に比較して工作機械の熱変位を大幅に抑制することができ、製品の加工精度を大幅に向上させることができる。また、Ｘ，Ｙ，Ｚ軸方向のような直線方向の熱変位を抑制するだけでなく、Ａ，Ｂ，Ｃ軸方向のような回転方向の熱変位を抑制することも可能である。さらに、特に熱変位の抑制が必要な方向に対して、熱変位の抑制を重点的に行うことも可能である。その場合は、抑制が必要な熱変位を最小化するように最適化計算を行い、冷却媒体の最適設定温度を求めればよい。
【００４１】
次に、実際に本発明の熱変形抑制方法を工作機械に適用した実例を示す。工作機械としては卓上旋盤を使用し、主軸先端部のＺ軸方向（主軸軸線方向）の熱変位を最小化するものとする。ここで使用した卓上旋盤の主軸は、Ｘ，Ｙ軸方向には熱変位の生じにくい構造のため、Ｚ軸方向の熱変位のみを対象とした。ニューラルネットワークの構成は、図２において出力層のユニット数を１としたものとなり、出力もＯ₁ のみとなる。なお、入力層のユニット数は１６、中間層のユニット数は３２とした。また、数１（４）および数２における定数ａ，ｂは、ａ＝１，ｂ＝０とした。
【００４２】
学習のためのデータセットは、室温（夏および冬）、主軸回転速度、強制冷却制御方法等をそれぞれ組み合わせた２４通りの運転状態に対応して測定した。その２４通りの運転状態のそれぞれに対して、稼働開始から３０分ごとに１５個のサンプリング時点におけるデータＴ₁ 〜Ｔ_n を測定し、そのときのＺ軸方向の熱変位を測定して教師データとする。すなわち、学習データセットは３６０セット（＝２４×１５）となる。測定データＴ₁ 〜Ｔ_n はｎ＝１６であり、その内容は、稼働時間１データ、機体各部６位置の温度上昇値６データ、３０分（Δｔ）前からの機体各部６位置の温度上昇値６データ、室温上昇値１データ、３０分前からの室温上昇値１データ、冷却油温度１データである。
【００４３】
この３６０セットの学習データにより学習を遂行すると、１３０回の学習によって熱変位の誤差は許容値以下に減少し収束した。学習の終了したこのニューラルネットワークにより、熱変位を冷却油の温度の関数として表現することができる。具体的には、数２のＯ₁ を計算する式となる。この式から熱変位を最小化するための冷却油の最適設定温度を前述の黄金分割探索等により求め、それに基づいて冷却装置の冷却油の設定温度を制御する。
【００４４】
次に、このようにして冷却油の設定温度を制御して強制冷却を行った場合の、熱変位の測定結果を示す。図４は、測定を行った卓上旋盤の運転状態を示す図である。卓上旋盤は、このように稼働開始から１時間ごとに主軸回転速度を交互に３６００ｒｐｍ、１８００ｒｐｍとなるように切り換えてアイドリング運転された。
【００４５】
図５は、このような運転状態における主軸の熱変位量の測定結果を示したものである。「○」で示された測定値は、本発明によるニューラルネットワークの逆解法によって求められた最適設定温度に冷却油の温度を設定して強制冷却を行ったものである。「●」で示された測定値は、従来の室温同調制御による強制冷却を行ったものである。図５に示されるように、本発明によって強制冷却を行った場合には、従来の室温同調制御による強制冷却に比較して熱変位が大幅に抑制されている。
【００４６】
なお、以上の実施の形態では、工作機械としてマシニングセンタと旋盤を例にあげたが、その他の任意の工作機械にも適用できる。また、数２においては冷却媒体の温度を１つのデータにより表しているが、強制冷却を行う個所が複数ある場合（主軸軸受と送りねじ等）には、それぞれの個所で冷却媒体の温度を変えてもよく、その際には冷却媒体の温度を複数のデータにより表すようにすればよい。さらに、ここでは工作機械の温調制御として冷却を行うものについて説明したが、加熱を行うものや冷却および加熱の両方を行うものであってもよい。
【００４７】
【発明の効果】
本発明は、以上説明したように構成されているので、以下のような効果を奏する。
【００４８】
工作機械の熱変位特性を学習させたニューラルネットワークを使用して逆解法問題を解くことにより最適温調設定温度を求めるようにしたので、従来の温度制御に比較して工作機械の熱変位を大幅に抑制することができ、加工製品の寸法精度、形状精度等を大幅に向上させることができる。また、Ｘ，Ｙ，Ｚ軸方向のような直線方向の熱変位を抑制するだけでなく、Ａ，Ｂ，Ｃ軸方向のような回転方向の熱変位を抑制することも可能となる。さらに、特に熱変位の抑制が必要な方向に対して、熱変位の抑制を重点的に行うことも可能となる。
【図面の簡単な説明】
【図１】図１は、本発明の熱変形抑制方法を適用する工作機械を示す図である。
【図２】図２は、本発明に使用するニューラルネットワークの構成を示す図である。
【図３】図３は、本発明の温度制御装置の構成を示す図である。
【図４】図４は、卓上旋盤の運転状態を示す図である。
【図５】図５は、主軸の熱変位量の測定結果を示したものである。
【符号の説明】
１…マシニングセンタ
２…ベッド
３…テーブル
４…コラム
５…主軸頭
６…主軸
７…冷却制御装置
８…冷却器
９…冷却装置[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a thermal deformation suppression method for a machine tool and a temperature control device, and more particularly to a method for suppressing thermal deformation of a machine tool by an inverse method of a neural network and a temperature control device using the same. is there.
[0002]
[Prior art]
In order to minimize the influence of machine tool thermal deformation on the shape accuracy and dimensional accuracy of processed products, the temperature of each structure can be kept constant by forcing the machine tool to cool (heat or cool). It has been conventionally performed to follow room temperature or the like. It has also been conventionally known to reduce the influence of thermal deformation by predicting the amount of thermal deformation due to temperature changes of the machine tool and correcting the feed amount in each coordinate axis direction.
[0003]
[Problems to be solved by the invention]
Even if the temperature of each structure is kept at the target value by forcibly controlling the temperature of the machine tool as in the past, it is impossible to control the temperature of each structure completely to the target value. There is a limit to reducing the influence of thermal deformation by forced temperature control by tracking control. In addition, it is difficult to accurately predict the amount of thermal deformation due to a temperature change of the machine tool, and there is a limit to compensation for thermal deformation by correcting the feed amount in each coordinate axis direction. In order to compensate for thermal deformation in a direction other than the feed direction, the control of each feed shaft becomes complicated, and the compensation accuracy is further deteriorated.
[0004]
Accordingly, the present invention provides an entirely new method for obtaining an optimum target temperature for forced temperature control by an inverse solution of a neural network and highly suppressing thermal deformation of a machine tool, and a temperature control device using the method. Objective.
[0005]
[Means for Solving the Problems]
In order to achieve the above object, a method for suppressing thermal deformation of a machine tool according to the present invention inputs a group of input data related to a machine tool structure temperature, a temperature around the machine tool, a forced temperature control temperature of the machine tool, and the like. Then, the thermal displacement amount of the machine tool at that time is output, and the relationship between the input data group and the thermal displacement amount is given to the neural network including a nonlinear function between the input and output by providing the input data and the teacher data. And a procedure for obtaining an optimum temperature adjustment set temperature that is a forced temperature adjustment temperature at which the thermal displacement amount is minimized by a relationship between the input data group learned by the neural network and the thermal displacement amount. control to force control temperature is the optimum temperature adjustment setting temperature to have a the procedure of forced temperature control of the machine tool, the input data group, time from start of operations, the operation start A temperature rise value of the machine tool each part of al, is intended to include room temperature rise value and forced regulated temperature of the machine tool from the operation start.
[0007]
In the thermal deformation suppression method for a machine tool, the input data group preferably includes a temperature rise value of each part of the machine tool from the past for a predetermined time and a room temperature rise value from the past for a predetermined time. .
[0008]
In the method for suppressing thermal deformation of a machine tool, the neural network preferably has a three-layer structure of an input layer, an intermediate layer, and an output layer.
[0009]
Further, in the above-described thermal deformation suppression method for a machine tool, it is preferable that the neural network has a sigmoid function between the input and output of the intermediate layer.
[0010]
The temperature control device for a machine tool according to the present invention includes a data input means for inputting data relating to a structure temperature of the machine tool and a temperature around the machine tool, a structure temperature of the machine tool, and a temperature around the machine tool. An input data group related to the forced temperature control temperature etc. of the machine tool is input, and a thermal displacement amount of the machine tool at that time is output, and a non-linear function is included between input and output, and the input data group and the thermal displacement amount Based on a neural network that has learned the relationship between the input data group and the thermal displacement amount, an operation for calculating an optimum temperature adjustment set temperature that is a forced temperature adjustment temperature that minimizes the thermal displacement amount means a force adjustment temperature is Yes and control means for controlling so that the optimum temperature adjustment setting temperature, the input data group, time from start of operations, the machine tool from operating the start A temperature rise value of the parts, is intended to include room temperature rise value and forced regulated temperature of the machine tool from the operation start.
[0011]
The temperature control device for a machine tool preferably includes means for storing the temperature of each part of the machine tool at the start of operation and the room temperature at the start of operation.
[0012]
The temperature control device for a machine tool preferably includes means for storing temperature history data of each part of the machine tool from the past for a predetermined time and room temperature history data from the past for a predetermined time.
[0013]
In the temperature control device for a machine tool, it is preferable that the neural network has a three-layer structure of an input layer, an intermediate layer, and an output layer.
[0014]
In the temperature control device for a machine tool, the neural network preferably has a sigmoid function in the relationship between the input and output of the intermediate layer.
[0015]
DETAILED DESCRIPTION OF THE INVENTION
Embodiments of the present invention will be described with reference to the drawings. FIG. 1 is a diagram showing a machine tool to which a thermal deformation suppressing method of the present invention is applied. The machining center 1 will be described as an example of the machine tool. A table 3 is provided on the bed 2 of the machining center 1. In addition, a spindle head 5 is provided in the column 4 so as to be movable in the Z-axis direction (vertical direction). A spindle 6 having a central axis in the Z-axis direction is supported on the spindle head 5 so as to be rotatable around the Z-axis.
[0016]
The table 3 and the spindle head 5 are provided so as to be relatively movable in both the X and Y axis directions orthogonal to the Z axis. Here, the Z axis is arranged in a vertical manner and the X and Y axes are arranged in a horizontal plane. However, the present invention is not limited to this, and the X, Y, and Z axes may be in arbitrary directions orthogonal to each other. The workpiece is fixed on the table 3, and the workpiece is processed by a processing tool attached to the tip of the spindle 6. At the time of machining, the spindle 6 is rotationally driven, and the spindle head 5 and the table 3 are relatively moved in the X, Y, and Z axis directions.
[0017]
When the machining center 1 starts operation, the bearings and drive motors that support the main shaft 6 become heat sources, and the temperature of each part of the machining center 1 varies. The ambient room temperature also varies with time. Due to these temperature fluctuations, thermal deformation occurs in each part of the machining center 1, and displacement due to thermal deformation occurs in the positional relationship between the spindle head 5 (main shaft 6) and the table 3 in the X, Y, and Z axis directions. Since such thermal displacement adversely affects the machining accuracy of the workpiece, a cooling device 9 for suppressing thermal deformation of the machining center 1 is provided.
[0018]
The cooling device 9 performs forced cooling of the bearing of the main shaft 6 and the feed screw in the X, Y, and Z axis directions by circulating a cooling medium (cooling oil). In conventional cooling control, for example, room temperature tuning control, feedback control is performed so that the temperature of members such as the main shaft bearing and the feed screw is synchronized with the room temperature, thereby setting the temperature of the cooling medium. In the fuselage temperature tuning control, feedback control is performed so that the temperature of the main shaft bearing, the feed screw, and the like is synchronized with the fuselage temperature of the bed 2 and the like, thereby setting the temperature of the coolant.
[0019]
Such forced cooling by the conventional feedback control and feedforward control has not been able to sufficiently suppress the thermal deformation of the machine tool. The present invention obtains an optimum target temperature for forced cooling by an inverse method of a neural network and realizes a completely new method for highly suppressing thermal deformation of a machine tool.
[0020]
FIG. 2 is a diagram showing a configuration of a neural network used in the present invention. This neural network has a three-layer structure including an input layer, an intermediate layer, and an output layer. Units of the input layer are provided the n and the input to unit i-th from the top (1 ≦ i ≦ n) and T _i, the output of the i-th unit is also T _i. That is, each unit in the input layer outputs an input signal as it is. The input T _{i of the} input layer includes a time t from the start of operation of the machining center 1, a temperature rise value of each part of the machine center of the machining center 1 from the operation start to time t, a room temperature rise value from the operation start to time t, and a predetermined time Δt. Only the temperature rise value of each part of the airframe from the previous time to time t, the room temperature rise value from the previous time Δt to the time t, and the temperature of the cooling medium are included.
[0021]
There are m intermediate layer units, and the input to the j-th (1 ≦ j ≦ m) unit from the top is U _j and the output of the j-th unit is H _j . Three output layer units are provided, and an input to the k-th (1 ≦ k ≦ 3) unit from the top is S _k, and an output of the k-th unit is O _k . Outputs O ₁ , O ₂ , and O ₃ represent X, Y, and Z axis direction components of thermal displacement, respectively. U _j , H _j , S _k , and O _k are expressed by the following equation (1).
[0022]
[Expression 1]

[0023]
In Equation 1 (1), W _ji is a coupling coefficient between the input layer and the intermediate layer, and θ _j is an offset value to the input of the intermediate layer. Equation 1 (2) shows the relationship between the input and output of the intermediate layer. However, in Equation 1 (2), exp (x) represents an exponential function. Equation 1 (2) is called a sigmoid function. In _Equation 1 (3), V _kj is a coupling coefficient between the intermediate layer and the output layer, and γ _k is an offset value to the input of the output layer. Equation 1 (4) shows the relationship between the input and output of the output layer. As an input / output function of this output layer, a linear linear function is used as shown in Equation 1 (4).
[0024]
Here, the neural network has a three-layer structure, the input / output function of the intermediate layer is a sigmoid function, and the input / output function of the output layer is a linear linear function, but other configurations are also used. it can. For example, a multilayer structure of three or more layers can be used, or other functions can be used for the intermediate layer and the output layer. Further, the number of units in the output layer is set to 3, and the X, Y, and Z axis direction components of the thermal displacement are output. However, other coordinate components may be output. For example, assuming that the number of units in the output layer is 6, it is possible to output the A, B, C axis direction components in addition to the X, Y, Z axis direction components of the thermal displacement. Here, the A, B, and C axis directions are rotation directions around the X, Y, and Z axes, respectively. It is also possible to output only the thermal displacement component in an arbitrary direction of interest.
[0025]
To do learning neural network as shown in FIG. 2, with providing an input T ₁ through T _n, giving the teacher data D ₁ to D ₃ with respect to the output O ₁ ~ O _3. The input T _i, the time t from the start of operations machining center 1, the temperature rise value of the fuselage from operating the start to time t, room temperature rise value from the operation start to the time t, before a predetermined time Δt time t This includes data such as the temperature rise value of each part of the airframe up to this point, the room temperature rise value from the previous time Δt to time t, and the temperature of the cooling medium. Here, the temperature of the cooling medium is given as T _n .
[0026]
At this time, the X, Y, and Z-axis direction components of the relative thermal displacement between the spindle 6 of the machining center 1 and the reference point of the table 3 are measured, and those measured values are given as teacher data D _{1 to} D ₃ . Then, the coupling coefficients W _ji and V _kj and the offset values θ _j and γ _k are corrected so that the sum of squares of errors between the output O _k and the teacher data D _k is minimized. A neural network that simulates the actual thermal displacement characteristics of the machining center 1 by measuring the input data T _{1 to} T _n and the teacher data D _{1 to} D ₃ for various operating states of the machining center 1 and repeating learning. Can be built. The actual coupling coefficient and offset value can be corrected by using a known back-propagation method. The correction is repeated until the sum of squares of errors between the output and the teacher data is equal to or less than the allowable value.
[0027]
The thermal displacement of the machining center 1 is calculated by the following equation 2 using the input data, coupling coefficient, and offset value of the neural network that has learned the thermal displacement characteristics of the machining center 1 in this way.
[0028]
[Expression 2]

[0029]
Here, as described above, the input data T _{1 to} T _n-1 are the time from the start of operation and the temperature rise value of each part, and the input data T _n is the temperature of the cooling medium. Therefore, by using the measured values as the input data T _{1 to} T _n−1 , the thermal displacement of the machining center 1 can be expressed as a function only of the temperature of the cooling medium. According to Equation 2, the thermal displacement of the machining center 1 with respect to the temperature of a certain cooling medium can be calculated in any operating state.
[0030]
Conversely, obtaining the optimum set temperature of the cooling medium for minimizing the thermal displacement of the machining center 1 is called an inverse solution problem. This inverse solution problem can be solved by an optimization calculation for minimizing the thermal displacement according to Equation (2). Specifically, the set temperature T _n of the cooling medium that minimizes the sum of squares of the outputs O _{1 to} O ₃ representing the thermal displacement can be obtained by a known gradient method or the like. Further, a known golden section search or the like can be used as a straight line search for obtaining an optimal solution.
[0031]
The neural network as shown in FIG. 2 is actually realized as a program and data in a computer. The correction calculation of the coupling coefficient and offset value of the neural network by learning is also calculated by the computer. Furthermore, the optimal set temperature of the cooling medium is obtained by solving the inverse solution problem by numerical calculation by a computer.
[0032]
FIG. 3 is a diagram showing a configuration of the cooling control device 7 using the thermal deformation suppressing method of the present invention. The cooling device 9 in FIG. 1 includes the cooling control device 7 and the cooler 8. The cooling control device 7 is provided with a CPU 71 as information processing means. The CPU 71 can access memories such as the ROM 73 and the RAM 74 via the bus 72, and can access other input / output circuits and perform various information processing.
[0033]
The CPU 71 operates in accordance with a system program and data such as BIOS stored in the ROM 73 and the program and data loaded in the RAM 74. The RAM 74 stores a neural network model 741 obtained by modeling a neural network as shown in FIG. The RAM 74 also includes an OS (operating system) that is a basic program, a learning program 742 that learns a neural network, an optimum temperature computation program 743 that computes the optimum set temperature of the cooling medium using an inverse solution of the neural network, and the like. Has been loaded.
[0034]
A fixed disk device 75 as an auxiliary storage device is connected to the bus 72 of the cooling control device 7. The fixed disk device 75 stores an OS program to be executed by the CPU 71 and other programs, and loads these programs and the like from the fixed disk device 75 to the RAM 74 as appropriate. The fixed disk device 75 also stores data, mathematical formulas, and the like for configuring the neural network model 741. The fixed disk device 75 further records operation start temperature data 751 and temperature history data 752 described later.
[0035]
A display unit 76 for displaying characters and graphics and an input unit 77 for an operator to input data are connected to the bus 72 of the cooling control device 7 via an interface circuit. A CRT, a liquid crystal display, or the like can be used as the display unit 76, and a keyboard, a touch panel, or the like can be used as the input unit 77.
[0036]
The bus 72 is connected to a clock circuit 78 for measuring time and an input circuit 79 for inputting measurement data such as temperature from the machine tool (machining center 1). Further, a cooling device 8 is connected to the cooling control device 7 via an interface circuit, and a cooling medium that is controlled to be cooled to the target temperature by the cooling control device 7 is sent from the cooling device 8 to the machine tool. Cools the main shaft bearings and X, Y, and Z axis feed screws.
[0037]
The learning program 742 performs a correction calculation of the coupling coefficient and offset value of the neural network by learning. The learning program 742 is not necessarily required if the neural network model 741 that has been learned in advance by the manufacturer is stored. Furthermore, if the optimum temperature calculation program 743 based on the learned neural network is prepared, the neural network model 741 is not necessary. However, if the neural network model 741 and the learning program 742 are installed, the machine tool user himself can prepare the teacher data and learn the neural network.
[0038]
Measurement data from the machine tool to be input data of the neural network is input to the cooling control device 7 via the input circuit 79, and an operation start signal of the machine tool is also input to the input circuit 79. The time from the start of operation can be read from the clock circuit 78. Further, the temperature and room temperature data of each part of the machine tool input to the input circuit 79 is the temperature history data from the past to the present for a predetermined time Δt, with the temperature data at the start of operation as the temperature data 751 at the start of operation. 752 is recorded in the fixed disk device 75.
[0039]
The temperature rise value of each part of the machine tool and the room temperature is calculated from the temperature data 751 at the start of operation and the current temperature data, and the temperature rise value from the previous time to the present by the predetermined time Δt is calculated from the temperature history data 752 and the current temperature data The From these data, the optimum set temperature of the cooling medium that minimizes the thermal displacement given by Equation 2 is calculated by the optimum temperature calculation program 743, and the cooler 8 is adjusted so that the cooling medium becomes the optimum set temperature. Control.
[0040]
When the cooling control is performed by the cooling control device 7, the thermal displacement of the machine tool can be significantly suppressed as compared with the conventional room temperature tuning control and the like, and the machining accuracy of the product can be greatly improved. it can. In addition to suppressing thermal displacement in the linear direction such as the X, Y, and Z axis directions, it is also possible to suppress thermal displacement in the rotational direction such as the A, B, and C axis directions. Furthermore, it is also possible to focus on the suppression of thermal displacement, particularly in the direction that requires suppression of thermal displacement. In that case, optimization calculation may be performed so as to minimize the thermal displacement that needs to be suppressed, and the optimum set temperature of the cooling medium may be obtained.
[0041]
Next, an actual example in which the thermal deformation suppressing method of the present invention is actually applied to a machine tool will be shown. A table lathe is used as the machine tool, and the thermal displacement in the Z-axis direction (spindle axis direction) at the tip of the spindle is minimized. Since the main axis of the table lathe used here is a structure in which thermal displacement hardly occurs in the X and Y axis directions, only the thermal displacement in the Z axis direction is targeted. In the configuration of the neural network, the number of units in the output layer is 1 in FIG. 2, and the output is only O ₁ . The number of units in the input layer was 16, and the number of units in the intermediate layer was 32. In addition, the constants a and b in Equation 1 (4) and Equation 2 are set to a = 1 and b = 0.
[0042]
The data set for learning was measured corresponding to 24 operating states, each combining room temperature (summer and winter), spindle rotation speed, forced cooling control method, and the like. For each operating condition of the 24 types, to measure the data T ₁ through T _n at 15 sampling points every 30 minutes from the start of operations, the teacher data by measuring the Z axis direction of the thermal distortion of the time And That is, the learning data set is 360 sets (= 24 × 15). The measurement data T _{1 to} T _n are n = 16, and the contents thereof are: operation time 1 data, temperature rise value 6 data of each part of the airframe 6 position, temperature rise value of each part 6 of the airframe after 30 minutes (Δt) 6 data, room temperature rise value 1 data, room temperature rise value 1 data 30 minutes before, and cooling oil temperature 1 data.
[0043]
When learning was performed using the 360 sets of learning data, the error of the thermal displacement decreased to an allowable value or less after 130 learnings and converged. With this learned neural network, the thermal displacement can be expressed as a function of the temperature of the cooling oil. Specifically, this is an equation for calculating O ₁ in Equation 2. From this equation, the optimum set temperature of the cooling oil for minimizing the thermal displacement is obtained by the above-described golden section search or the like, and the set temperature of the cooling oil of the cooling device is controlled based on this.
[0044]
Next, measurement results of thermal displacement in the case where forced cooling is performed by controlling the set temperature of the cooling oil in this way will be shown. FIG. 4 is a diagram illustrating an operating state of the table lathe in which the measurement was performed. Thus, the table lathe was idling by switching the spindle rotation speed alternately to 3600 rpm and 1800 rpm every hour from the start of operation.
[0045]
FIG. 5 shows the measurement result of the amount of thermal displacement of the spindle in such an operating state. The measured value indicated by “◯” is the result of forced cooling by setting the temperature of the cooling oil to the optimum set temperature obtained by the inverse method of the neural network according to the present invention. The measured values indicated by “●” are those obtained by forced cooling by conventional room temperature tuning control. As shown in FIG. 5, when forced cooling is performed according to the present invention, the thermal displacement is greatly suppressed as compared with the conventional forced cooling by room temperature tuning control.
[0046]
In the above embodiment, a machining center and a lathe have been exemplified as machine tools, but the present invention can also be applied to any other machine tool. In Equation 2, the temperature of the cooling medium is represented by one data. However, when there are multiple locations where forced cooling is performed (spindle bearings and feed screws, etc.), the temperature of the cooling medium is changed at each location. In this case, the temperature of the cooling medium may be represented by a plurality of data. Furthermore, although what demonstrated cooling as temperature control control of a machine tool was demonstrated here, what performs heating and what performs both cooling and heating may be sufficient.
[0047]
【The invention's effect】
Since the present invention is configured as described above, the following effects can be obtained.
[0048]
By using a neural network that has learned the thermal displacement characteristics of the machine tool, the optimal temperature control set temperature is obtained by solving the inverse solution problem, so the thermal displacement of the machine tool is greatly increased compared to conventional temperature control. Therefore, the dimensional accuracy and shape accuracy of the processed product can be greatly improved. In addition to suppressing thermal displacement in the linear direction such as the X, Y, and Z axis directions, it is also possible to suppress thermal displacement in the rotational direction such as the A, B, and C axis directions. Furthermore, it becomes possible to focus on the suppression of the thermal displacement particularly in the direction in which the thermal displacement needs to be suppressed.
[Brief description of the drawings]
FIG. 1 is a diagram showing a machine tool to which a thermal deformation suppressing method of the present invention is applied.
FIG. 2 is a diagram showing a configuration of a neural network used in the present invention.
FIG. 3 is a diagram showing a configuration of a temperature control device of the present invention.
FIG. 4 is a diagram illustrating an operating state of a table lathe.
FIG. 5 shows the measurement result of the amount of thermal displacement of the spindle.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 ... Machining center 2 ... Bed 3 ... Table 4 ... Column 5 ... Spindle head 6 ... Spindle 7 ... Cooling control device 8 ... Cooler 9 ... Cooling device

Claims

Inputs a group of input data related to the machine tool structure temperature, the temperature around the machine tool, the forced temperature control temperature of the machine tool, etc., and outputs the amount of thermal displacement of the machine tool at that time. A procedure for learning the relationship between the input data group and the thermal displacement amount by giving input data and teacher data to a neural network including a function;
According to the relationship between the input data group learned by the neural network and the amount of thermal displacement, a procedure for obtaining an optimal temperature adjustment set temperature that is a forced temperature adjustment temperature that minimizes the amount of thermal displacement;
Force adjustment temperature is controlled to be the optimum temperature adjustment setting temperature possess a procedure of forced temperature control of the machine tool,
The input data group includes a time from the start of operation, a temperature increase value of each part of the machine tool from the start of operation, a room temperature increase value from the start of operation, and a forced temperature control temperature of the machine tool. Deformation suppression method.

A method for suppressing thermal deformation of a machine tool according to claim 1 ,
The method for suppressing thermal deformation of a machine tool, wherein the input data group includes a temperature rise value of each part of the machine tool from the past for a predetermined time and a room temperature rise value from the past for a predetermined time.

A method for suppressing thermal deformation of a machine tool according to any one of claims 1 and 2 ,
The neural network has a three-layer structure of an input layer, an intermediate layer, and an output layer.

A method of suppressing thermal deformation of a machine tool according to claim 3 ,
The neural network is a method of suppressing thermal deformation of a machine tool, wherein the relationship between the input and output of the intermediate layer is a sigmoid function.

Data input means (79) for inputting data relating to the structure temperature of the machine tool and the temperature around the machine tool;
Input a group of input data related to the structure temperature of the machine tool, the temperature around the machine tool, the forced temperature control temperature of the machine tool, etc., and output the amount of thermal displacement of the machine tool at that time, between input and output Based on a neural network that includes a non-linear function and has learned the relationship between the input data group and the thermal displacement amount, the relationship between the input data group and the thermal displacement amount forces the thermal displacement amount to be minimized. A calculation means (743) for calculating an optimum temperature adjustment set temperature that is a temperature adjustment temperature;
Force adjustment temperature is Yes and control means for controlling so that the optimum temperature adjustment setting temperature,
The input data group includes a time from the start of operation, a temperature increase value of each part of the machine tool from the start of operation, a room temperature increase value from the start of operation, and a forced temperature control temperature of the machine tool. Control device.

A temperature control device for a machine tool according to claim 5 ,
A temperature control device for a machine tool having means (751) for storing the temperature of each part of the machine tool at the start of operation and the room temperature at the start of operation.

A temperature control device for a machine tool according to claim 6 ,
A temperature control device for a machine tool comprising means (752) for storing temperature history data of each part of the machine tool from the past for a predetermined time and room temperature history data from the past for a predetermined time.

A temperature control device for a machine tool according to any one of claims 5 to 7 ,
The neural network has a three-layer structure including an input layer, an intermediate layer, and an output layer.

A temperature control device for a machine tool according to claim 8 ,
The neural network is a temperature control device for a machine tool in which the relationship between the input and output of the intermediate layer is a sigmoid function.