热位移修正装置的制作方法

本发明涉及热位移修正装置，尤其涉及能够容易并且高精度地修正由于工件的热位移引起的测量误差的技术。

背景技术：

工件根据温度而产生膨胀或者收缩。因此，加工后的工件的尺寸检查需要在取得足够的热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)下进行。因此，需要用于使工件成为最适合检查的温度的环境和时间。

日本特开2002－224935号公报公开了使用将接触式温度传感器测量出的工件的温度等作为输入，输出测量尺寸的热位移修正量的神经网络来修正工件的测量尺寸的方法。由此，即使在没有取得足够的热平衡的状态下也能够进行尺寸检查。

然而，在进行工件的形状检查时，若使用粘贴型的温度传感器(热电偶等接触式传感器等)则会妨碍形状检查，并不现实。另外，存在为了决定温度的测量位置(在工件上的哪个部位粘贴几个温度传感器好呢)而需要技术知识或需要进行试错这样的问题。

技术实现要素：

因此，本发明的目的在于，提供一种热位移修正装置，其能够容易并且高精度地修正由于工件的热位移而引起的测量误差。

本发明的一个实施方式的热位移修正装置修正由于工件的热位移而引起的尺寸测量误差，其具备对检查上述工件时的形状测量数据进行学习的机器学习装置。该机器学习装置具备：状态观测部，其观测表示工件的温度分布的图像数据以及加工后的形状数据来作为表示环境的当前状态的状态变量；判定数据取得部，其取得表示检查时的形状测量数据的判定数据；以及学习部，其使用上述状态变量和上述判定数据，将表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据关联起来进行学习。

上述状态变量能够包含上述工件的周围温度。

上述工件的周围温度可以是对上述工件进行加工的机床的温度。

上述状态变量能够包含与表示上述工件的温度分布的图像数据以及上述加工后的形状数据的取得时间有关的信息。

上述判定数据能够包含上述工件的实际尺寸与设计值之间的误差的评价结果。

上述学习部能够通过多层结构运算上述状态变量和上述判定数据。

上述学习部能够使用从通过多个机床进行加工后的上述工件得到的上述状态变量以及上述判定数据，来学习上述检查时的形状测量数据。

上述机器学习装置也可以通过云计算、雾计算或者边缘计算来实现。

本发明的一个实施方式的机器学习装置对检查工件时的形状测量数据进行学习，其具备：状态观测部，其观测表示工件的温度分布的图像数据以及加工后的形状数据来作为表示环境的当前状态的状态变量；判定数据取得部，其取得表示检查时的形状测量数据的判定数据；以及学习部，其使用上述状态变量和上述判定数据，将表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据关联起来进行学习。

通过本发明，能够提供一种能够容易并且高精度地修正由于工件的热位移而引起的测量误差的热位移修正装置。

附图说明

图1a是表示热位移修正装置1的结构的框图。

图1b是表示热位移修正系统的第一例的结构的框图。

图1c是表示热位移修正系统的第二例的结构的框图。

图1d是表示热位移修正系统的第三例的结构的框图。

图2是表示热位移修正装置1的结构的框图。

图3是表示图2所示的热位移修正装置1的一个方式(具备作为学习算法的一个例子执行监督学习的学习部)的结构的框图。

图4a对神经元进行说明。

图4b示意性地表示组合图4a所示的神经元而构成的三层神经网络的模型。

图5是表示热位移修正装置2的结构的框图。

图6是表示热位移修正系统的结构的框图。

具体实施方式

图1a是表示第一实施方式的热位移修正装置的主要部分的概要硬件结构图。

本实施方式的热位移修正装置1所具备的cpu11是整体控制热位移修正装置1的处理器。cpu11经由总线20读出储存在rom12的系统程序，按照该系统程序控制整个热位移修正装置1。在ram13暂时储存临时的计算数据、显示数据以及从后述的控制装置以及形状测量装置输入的各种数据等。

非易失性存储器14构成为例如通过未图示的电池进行支援等，即使热位移修正装置1的电源被切断也保持存储状态的存储器，存储有经由未图示的接口输入的各种程序和数据。在该非易失性存储器14中存储的程序、数据也可以在执行时/使用时在ram13中展开。另外，rom12中预先写入了各种系统程序。

控制装置60控制对工件进行加工的机床、附带的机器人以及装载装置等(以下，简单地称为机床)。如图1b至图1d所示，控制装置60具有温度数据存储区域61。在该温度数据存储区域61中暂时存储在机床内设置的1台以上的温度测量装置62测量加工后的工件的温度而得到的温度数据。热位移修正装置1经由接口18从控制装置60接收温度数据，并传递给cpu11。

形状测量装置70测量通过机床进行加工后的工件的形状。该形状测量装置70例如是三维测定器、位移传感器或者触碰探头。如图1b至图1d所示，形状测量装置70具有形状数据存储区域71。该形状数据存储区域71暂时存储通过测量得到的形状数据。热位移修正装置1经由接口19从形状测量装置70接收形状数据，并传递给cpu11。

接口21是用于将热位移修正装置1与机器学习装置100进行连接的接口。机器学习装置100具备综合控制整个机器学习装置100的处理器101、存储有系统程序等的rom102、用于进行与机器学习有关的各处理中的暂时存储的ram103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够经由接口21来观测热位移修正装置1能够取得的各信息(温度数据、形状数据等)。

图1b是表示包含热位移修正装置1的热位移修正系统300的第一例的框图。

在该热位移修正系统300中，在机床内设置至少1台温度测量装置62。而且，在工件的加工工序中，使用温度测量装置62取得表示加工后的工件的温度分布的图像数据。相同地，由形状测量装置70测量加工后的工件的形状数据。接着，将工件输送到检查工序(通常是出厂检查的场所)。此外，在加工工序中，工件未达到取得热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)。在检查工序中，其他的形状测量装置70测量检查时的形状测量数据。此外，在检查工序中，工件处于取得了热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)。

图1c是表示包含热位移修正装置1的热位移修正系统400的第二例的框图。

在该热位移修正系统400中，在机床内设置至少1台温度测量装置62。而且，在工件的加工工序中，使用温度测量装置62取得表示加工后的工件的温度分布的图像数据。接着，在工件的加工工序结束后，例如在向检查工序的输送路上，由形状测量装置70测量加工后的工件的形状数据。此外，在加工工序以及输送工序中，工件还未达到取得热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)。接着，在工件的检查工序中，其他的形状测量装置70测量检查时的形状测量数据。此外，在检查工序中，工件处于取得了热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)。

图1d是表示包含热位移修正装置1的热位移修正系统500的第三结构例的框图。

在该热位移修正系统500中，在机床外设置至少1台温度测量装置62。而且，在工件的加工工序结束后，例如在向检查工序的输送路上，使用温度测量装置62取得表示工件的温度分布的图像数据。相同地，由形状测量装置70测量加工后的工件的形状数据。此外，在输送路上，工件还未达到取得热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)。接着，在工件的检查工序中，其他的形状测量装置70测量检查时的形状测量数据。此外，在检查工序中，工件处于取得热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)。

根据图1d所示的热位移修正系统500的第三例，具有能够缩短机床的周期时间的优点。另一方面，根据图1b所示的热位移修正系统300的第一例，具有提高了学习以及推定的精度的优点。这是因为虽然输送路受到工厂的温度的影响，但若是在机床内则外界的影响小。

此外，在图1b以及图1d所示的热位移修正系统300、500的第一例、第三例中，不一定需要同时取得表示工件的温度分布的图像数据和加工后的工件的形状数据。两者的取得时机可以不同。但是，经过学习以及推定这两个阶段，表示工件的温度分布的图像数据的取得时机以及加工后的工件的形状数据的取得时机需要始终固定。

图2是第一实施方式的热位移修正装置1和机器学习装置100的概要功能框图。

机器学习装置100包含软件(学习算法等)以及硬件(处理器101等)，该软件以及硬件用于通过所谓的机器学习来自己学习与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据。该机器学习装置100学习的内容相当于表示图像数据以及加工后的形状数据与检查时的形状测量数据之间的相关性的模型构造，其中，上述图像数据表示工件的温度分布。

如图2中通过功能模块所示那样，热位移修正装置1所具备的机器学习装置100具备：状态观测部106，其观测表示工件的温度分布的图像数据s1和加工后的形状数据s2来作为表示环境的当前状态的状态变量s；判定数据取得部108，其取得检查时形状测量数据d1来作为判定数据d；以及学习部110，其使用状态变量s和判定数据d，将检查时的形状测量数据与表示工件的温度分布的图像数据以及加工后的形状数据关联起来进行学习。

状态观测部106既可以构成为处理器101的一功能，也可以构成为用于使处理器101发挥功能的存储在rom102中的软件。关于状态观测部106观测的状态变量s中的工件的温度分布s1，能够取得温度测量装置62输出的数据。温度测量装置62典型的是热敏成像。关于热敏成像，既可以输出从预先决定的1个方向拍摄到的图像数据，也可以输出使用机器人等从多个方向拍摄到的图像数据的集合。或者，温度测量装置62也可以是多个非接触式温度计的阵列等。

温度测量装置62输出的图像数据虽然未图示，但也可以通过热敏成像拍摄加工后的工件来取得，并且例如将相对高温的部分染色成红色，将相对低温的部分染色成蓝色。即，在该图像数据中，通过颜色数据来表现工件表面的温度分布。

关于状态变量s中的加工后的形状数据s2，能够使用公知的检查装置输出的加工后的工件的形状数据。所谓形状数据是指工件的各部分(预先决定的1个以上的部分)的尺寸值的集合。表示工件的温度分布的图像数据s1以及加工后的形状数据s2均表示加工后，即未取得足够的热平衡的状态(或者未达到鉴于工件的使用环境等设定的预定温度的状态)下的工件的温度分布以及形状。

判定数据取得部108既可以构成为处理器101的一功能，也可以构成为用于使该处理器101发挥功能的存储在rom102中的软件。该判定数据取得部108能够使用检查时的形状测量数据d1作为判定数据d。关于检查时的形状测量数据d1，能够使用公知的检查装置输出的检查时的工件的形状数据。作为检查时的形状测量数据d1，例如能够使用检查时，即取得了足够的热平衡的状态(或者达到鉴于工件的使用环境等设定的预定温度的状态)下的工件的实际尺寸与设计值之间的误差。这里，误差既可以使用实际尺寸，也可以使用根据预定的基准对误差进行评价而得到的值(例如圆度等指标、表示是否收纳在预定的阈值范围内的信息等)。另外，作为检查时的形状测量数据d1，也可以使用多个测量位置的测量结果的集合。

学习部110既可以构成为处理器101的一功能，也可以构成为用于使该处理器101发挥功能的存储在rom102中的软件。该学习部110按照统称为机器学习的任意的学习算法，来学习与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据。学习部110能够基于包含上述状态变量s和判定数据d的数据集合来反复执行学习。

通过反复进行这样的学习周期，学习部110能够自动地识别出暗示表示工件的温度分布的图像数据s1以及加工后的形状数据s2与检查时的形状测量数据d1之间的相关性的特征。在学习算法开始时，表示工件的温度分布的图像数据s1以及加工后的形状数据s2与检查时的形状测量数据d1之间的相关性实际上未知，但随着推进学习，学习部110逐渐地识别出特征来解释相关性。

当表示工件的温度分布的图像数据s1以及加工后的形状数据s2与检查时的形状测量数据d1之间的相关性被解释到以某种程度可信赖的水平时，学习部110反复输出的学习结果能够用于针对当前状态(表示工件的温度分布的图像数据以及加工后的形状数据)推定检查时的形状测量数据应该是怎样的数据。换句话说，随着学习算法的进行，学习部110能够使表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据之间的相关性逐渐接近最优解。

如上述那样，在热位移修正装置1具备的机器学习装置100中，使用状态观测部106观测到的状态变量s和判定数据取得部108取得的判定数据d，由学习部110按照机器学习算法来学习检查时的形状测量数据。这里，状态变量s由表示工件的温度分布的图像数据s1以及加工后的形状数据s2这样的难以受到干扰影响的数据构成。另外，通过取得检查时的形状测量数据d1来唯一地求出判定数据d。因此，根据热位移修正装置1具备的机器学习装置100，通过使用学习部110的学习结果，不依靠运算、估算能够自动并且正确地求出与表示工件的温度分布的图像数据以及加工后的形状数据相对应的检查时的形状测量数据。

而且，如果能够不依靠运算、估算而自动地求出检查时的形状测量数据，则仅通过掌握表示工件的温度分布的图像数据s1以及加工后的形状数据s2，便能够迅速地推定检查时的形状测量数据的适当的值。因此，不需要待机到工件达到取得了热平衡的状态(或者达到鉴于工件的使用环境等设定的预定温度的状态)，能够在包含温度波动的状态下进行尺寸检查。

在具有上述结构的机器学习装置100中，并不特别限定学习部110执行的学习算法，作为机器学习能够采用公知的学习算法。

图3是图2所示的热位移修正装置1的一个方式，表示了具备作为学习算法的一个例子执行监督学习的学习部110的结构。

监督学习是如下的方法：预先大量赋予输入以及与该输入对应的输出的已知的数据集(称为训练数据)，根据这些训练数据来识别暗示输入与输出之间的相关性的特征，由此来学习相关性模型，该相关性模型用于推定与新的输入相对的所需要的输出(与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据)。

在图3所示的热位移修正装置1所具备的机器学习装置100中，学习部110具备：误差计算部111，其计算根据状态变量s导出检查时的形状测量数据的相关性模型m与根据预先准备的训练数据t识别出的相关性特征之间的误差e；以及模型更新部112，其更新相关性模型m从而缩小该误差e。学习部110通过模型更新部112反复更新相关性模型m来学习与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据。

相关性模型m能够通过回归分析、强化学习、深层学习等构建。相关性模型m的初始值例如单纯地表现状态变量s与检查时的形状测量数据的相关性，在开始监督学习前提供给学习部110。训练数据t例如能够由通过记录过去的与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据而积蓄的经验值(表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据的已知的数据集)来构成，在开始监督学习前提供给学习部110。误差计算部111根据学习部110被赋予的大量的训练数据t识别出暗示表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据之间的相关性的相关性特征，并求出该相关性特征与当前状态下的状态变量s所对应的相关性模型m之间的误差e。模型更新部112例如按照预先决定的更新规则来将相关性模型m向误差e变小的方向进行更新。

在下一个学习周期，误差计算部111使用按照更新后的相关性模型m执行工件的加工行程以及检查行程而得到的状态变量s以及判定数据d，针对与这些状态变量s以及判定数据d相对应的相关性模型m求出误差e，模型更新部112再次更新相关性模型m。

这样，未知的环境的当前状态(表示工件的温度分布的图像数据以及加工后的形状数据)和与其对应的状态(检查时的形状测量数据)之间的相关性逐渐变得清楚。换句话说，通过相关性模型m的更新，使得表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据的关系逐渐接近最优解。

在进行上述监督学习时，例如能够使用神经网络。图4a示意性地示出神经元的模型。图4b示意性地示出组合图4a所示的神经元而构成的三层神经网络的模型。神经网络例如能够由模仿神经元模型的运算装置和存储装置等构成。

图4a所示的神经元输出与多个输入x(这里，作为一个例子，输入x1～输入x3)相对的结果y。各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出通过以下的式(1)表现的结果y。此外，在式(1)中，输入x、结果y以及权重w全部是向量。另外，θ是偏差，fk是激活函数。

在图4b所示的三层神经网络中，从左侧输入多个输入x(这里，作为一个例子，输入x1～输入x3)，从右侧输出结果y(这里，作为一个例子，结果y1～y3)。在图示的例子中，对输入x1、x2、x3中的各个输入乘以对应的权重(统称为w1)，将各个输入x1、x2、x3均输入到3个神经元n11、n12、n13。

在图4b中，将神经元n11～n13的每一个的输出统称为z1。z1能够视为提取出输入向量的特征量而得到的特征向量。在图示的例子中，对特征向量z1分别乘以对应的权重(统称为w2)，将各个特征向量z1均输入到2个神经元n21、n22。特征向量z1表示权重w1与权重w2之间的特征。

并且，将神经元n21～n22各个的输出统称为z2。z2能够视为提取出特征向量z1的特征量而得到的特征向量。在图示的例子中，对特征向量z2分别乘以对应的权重(统称为w3)，将各个特征向量z2均输入到3个神经元n31、n32、n33。特征向量z2表示权重w2与权重w3之间的特征。最后，神经元n31～n33分别输出结果y1～y3。

在热位移修正装置1所具备的机器学习装置100中，将状态变量s作为输入x，学习部110按照上述的神经网络进行多层结构的运算，由此能够输出工件尺寸的推定值(结果y)。此外，神经网络的动作模式有学习模式和判定模式，例如能够通过学习模式使用学习数据集来学习权重w，并通过判定模式使用学习到的权重w来进行检查时的形状测量数据的判定。此外，在判定模式，也能够进行检测、分类、推论等。

上述的热位移修正装置1以及机器学习装置100的结构能够描述为cpu11或者处理器101执行的机器学习方法(或者软件)。该机器学习方法是用于学习与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据的机器学习方法，具有以下步骤：cpu11或处理器101观测表示工件的温度分布的图像数据以及加工后的形状数据来作为表示环境的当前状态的状态变量s；取得检查时的形状测量数据来作为判定数据d；以及使用状态变量s和判定数据d将表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据关联起来进行学习。

根据本实施方式，机器学习装置100生成表示相关性的模型，该相关性为表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据之间的相关性。由此，即使是在包含温度波动的状态，也能够推定取得了足够的热平衡的状态(或者鉴于工件的使用环境等设定的预定温度)下的工件的尺寸。因此，如果生成一次学习模型，则以后不需要专用的检查环境。另外，能够缩短检查工序的时间，也不需要用于决定温度测量位置的技术知识。

图5表示第二实施方式的热位移修正装置2。

该热位移修正装置2具备机器学习装置100和数据取得部130。数据取得部130从温度测量装置62、形状测量装置70取得表示工件的温度分布的图像数据、加工后的形状数据、检查时的形状测量数据。

热位移修正装置2所具有的机器学习装置100除了第一实施方式的机器学习装置100(图3)所具备的结构以外，还包含判定输出部120，该判定输出部120将学习部110基于表示工件的温度分布的图像数据以及加工后的形状数据判定出的检查时的形状测量数据作为字符或图像、声音或语音等、或者任意形式的数据进行输出。

该判定输出部120既可以构成为处理器101的一个功能，也可以构成为用于使处理器101发挥功能的软件。该判定输出部120将学习部110基于表示工件的温度分布的图像数据以及加工后的形状数据判定出的检查时的形状测量数据作为字符或图像、声音或语音等、或者任意形式的数据向外部进行输出。输出的推定结果例如能够用于检测尺寸异常。也可以根据需要，对于尺寸异常的工件再次进行加工。

具有上述结构的热位移修正装置2所具备的机器学习装置100起到与上述的机器学习装置100相同的效果。特别是图5的热位移修正装置2中的机器学习装置100能够使环境的状态根据判定输出部120的输出发生变化。另一方面，在图3的热位移修正装置1中的机器学习装置100中，能够对外部装置要求用于将学习部110的学习结果反映到环境中的判定输出部的功能。

图6表示具备多个机床的热位移修正系统200。

该热位移修正系统200具备热位移修正装置1(或者2)、具有同一机械结构的多个机床、以及将各机床与热位移修正装置1(或者2)相互连接的网络201。机床既可以分别独立地具备控制装置60以及形状测量装置70，也可以由多个机床共享一个控制装置60以及形状测量装置70。

具有上述结构的热位移修正系统200的热位移修正装置1(或者2)能够根据对于多个机床中的各个机床得到的状态变量s以及判定数据d来学习对于所有机床共通的与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据。

热位移修正系统200能够具有如下结构：通过云计算(在网络201中准备的分散处理环境)、雾计算或者边缘计算(在云与机床之间准备的分散处理环境)来实现热位移修正装置1(或者2)。根据该结构，与多个机床各自所在的场所或时期无关，能够在必要时将必要的数量的机床与热位移修正装置1(或者2)连接。

从事于热位移修正系统200的作业人员能够在热位移修正装置1(或者2)开始进行学习后的适当的时期，判断热位移修正装置1(或者2)对于表示工件的温度分布的图像数据以及加工后的形状数据与检查时的形状测量数据之间的关系的学习的达成度是否达到要求等级。

以上对本发明的实施方式进行了说明，但本发明并不局限于上述的实施方式的例子，通过施加适当的变更能够以各种方式来实施。

例如，在上述的实施方式中，表示了使用表示工件的温度分布的图像数据以及加工后的形状数据来作为状态变量s的例子，但本发明并不局限于此。例如，除此以外，还能够将周围温度(机床的温度、设置工件的工作台的温度、支承主轴的柱的温度、工厂的空气温度等)包含在状态变量s中。此外，关于周围温度，也能够作为表示温度分布的图像数据输入。由此，因为能够考虑影响热位移的更多的要素，所以能够提高学习以及推定的精度。另外，若使用机床的温度来作为状态变量s，能够消除或者减少机床的热机运行时间。

另外，也可以使用机床的电源接通后的运转时间作为状态变量s。还能够使用机床的电源接通后的运转时间以及机床的温度来作为状态变量s。这样，也能够消除或者减少机床的热机运行时间。

另外，在上述的实施方式中，在图1b以及图1d所示的例子中，需要表示工件的温度分布的图像数据的取得时机以及加工后的工件的形状数据的取得时机始终恒定，即，取得表示工件的温度分布的图像数据和加工后的工件的形状数据时的时间间隔恒定。但是，如果将表示工件的温度分布的图像数据以及加工后的工件的形状数据的取得时间所相关的信息，例如上述时间间隔的测量值也作为状态变量s来使用，则上述时间间隔可以不恒定。由此，即使在例如工厂的生产线停止等，上述时间间隔不恒定的情况下，也能够学习以及推定与表示工件的温度分布的图像数据以及加工后的形状数据相对的检查时的形状测量数据。