热位移校正系统的制作方法

本发明涉及一种热位移校正系统，特别是涉及根据工厂内的机械设置环境一边切换学习模型一边实施校正的热位移校正系统。

背景技术：

在机械中，由于进给丝杠或主轴被电动机驱动，因此通过电动机的发热、轴承的旋转导致的摩擦热、进给丝杠的滚珠丝杠与滚珠螺母的接触部的摩擦热，使得主轴或进给丝杠膨胀而导致机械位置发生变化。此外，因机械周围温度的变化或冷却剂的使用，也会使得支柱或床体温度变化，因此，产生的伸展或倾斜会使机械位置发生变化。即，在应该定位的工件与工具的相位位置关系中产生偏差。该热导致的机械位置变化在进行高精度的加工时会成为问题。

为了除去该热导致的机械位置的位移，使用了如下技术和结构(日本特开2002-086329号公报、日本特开2006-055919号公报、以及日本特开2008-183653号公报)：使用位移传感器来校正指令位置的技术、从主轴转速等运转条件预测热位移来校正指令位置的技术、对进给丝杠给予初始张力的不受热导致的膨胀影响的结构等。

但是，机械热位移的状态不仅是机械本身的动作状态，还从设置有该机械的环境受到较大影响。例如，根据机械是否设置于恒温室、设置有机械的房间的门是否打开、设置有机械的房间是否设置有空调或暖气设备、设置有机械的房间的其他机械的动作状态怎样等，即使是相同的动作状态机械热位移的状态也不同。因此，为了适当进行机械的热位移校正，考虑该机械的设置环境是不可或缺的。

为了进行机械的热位移校正，还想到引入考虑了机械本身的动作状态与设置环境的机器学习器，而为了制作可以与上述那样的各种状况对应的通用的机器学习器(通用的学习模型)，需要在各种状况下检测的大量的状态信息，此外，由于需要包含状况有关的数据在内的大量的参数变量，因此有时产生过学习等已知的问题。

技术实现要素：

因此，本发明的目的在于提供一种热位移校正系统，能够更广泛地实现进行考虑了机械设置环境的适当的热位移校正。

在本发明的热位移校正系统中，通过设置根据工场内机械设置环境来切换用于决定该机械的热位移校正的学习模型的机构，解决了上述课题。本发明的热位移校正系统具有多个学习模型，根据工厂内的机械设置环境等选择学习模型，针对选择出的学习模型基于从机械检测出的状态量来进行机器学习，此外，根据工厂内的机械设置环境等灵活使用这样制作出的学习模型来进行机械的热位移校正。

本发明的一个方式涉及的一种热位移校正系统，其进行机械的热位移校正，所述热位移校正系统具有：条件指定部，其指定所述机械的运转动作的条件；状态量检测部，其检测表示所述机械的运转动作的状态的状态量；推论计算部，其从所述状态量推论所述机械的热位移校正量；校正实施部，其根据由所述推论计算部推论出的所述机械的热位移校正量，进行所述机械的热位移校正；学习模型生成部，其通过使用了所述状态量的机器学习来生成或更新学习模型；学习模型存储部，其将所述学习模型生成部生成的至少一个学习模型与由所述条件指定部指定的条件组合关联起来进行存储。并且，所述推论计算部根据所述条件指定部指定的所述机械的运转动作的条件从存储于所述学习模型存储部的学习模型中有选择地使用至少一个学习模型，来推论所述机械的热位移校正量。

可以是，所述热位移校正系统还具有：特征量制作部，其从所述状态量检测部检测出的状态量制作特征量，该特征量表征由所述机械的运转动作导致的热状态，并且，所述推论计算部从所述特征量推论所述机械的热位移校正量，所述学习模型生成部通过使用了所述特征量的机器学习来生成或更新学习模型。

可以是，所述学习模型生成部通过实施针对所述学习模型存储部存储的已有学习模型的改变来生成新学习模型。

可以是，所述学习模型存储部将所述学习模型生成部生成的学习模型进行加密存储，通过所述推论计算部在读出学习模型时对加密了的学习模型进行解密。

本发明的另一个方式涉及的一种热位移校正系统，其进行机械的热位移校正，所述热位移校正系统具有：条件指定部，其指定所述机械的运转动作的条件；状态量检测部，其检测表示所述机械的运转动作的状态的状态量；推论计算部，其从所述状态量推论所述机械的热位移校正量；校正实施部，其根据由所述推论计算部推论出的所述机械的热位移校正量，进行所述机械的热位移校正；学习模型存储部，其存储与所述机械的运转动作的组合预先关联起来的至少一个学习模型。并且，所述推论计算部根据所述条件指定部指定的所述机械的运转动作的条件从存储于所述学习模型存储部的学习模型中有选择地使用至少一个学习模型，来推论所述机械的热位移校正量。

可以是，所述热位移校正系统还具有：特征量制作部，其从所述状态量检测部检测出的状态量制作特征量，该特征量表征由所述机械的运转动作导致的热状态，并且，所述推论计算部从所述特征量推论所述机械的热位移校正量。

本发明的一个方式涉及的一种数值控制装置，其具有上述的条件指定部和状态量检测部。

本发明的一个方式涉及的一种热位移校正方法，执行以下步骤：指定机械的运转动作的条件的步骤；检测表示所述机械的运转动作的状态的状态量的步骤；从所述状态量推论所述机械的热位移校正量的步骤；根据所述热位移校正量进行所述机械的热位移校正的步骤；通过使用了所述状态量的机器学习来生成或更新学习模型的步骤。并且，进行所述推论的步骤中，从与所述机械的运转动作的条件组合预先关联起来的至少一个所述学习模型中，根据在指定所述条件的步骤中指定的所述机械的运转动作的条件，选择要使用的学习模型，并使用选择出的学习模型来推论所述机械的热位移校正量。

可以是，所述热位移校正方法还执行从所述状态量制作特征量的步骤，该特征量表征由所述机械的运转动作导致的热状态，并且，进行所述推论的步骤中，从所述特征量推论所述机械的热位移校正量，此外，生成或更新所述学习模型的步骤中，通过使用了所述特征量的机器学习来生成或更新学习模型。

本发明的另一个方式涉及的一种热位移校正方法，执行以下步骤：指定机械的运转动作的条件的步骤；检测表示所述机械的运转动作的状态的状态量的步骤；从所述状态量推论所述机械的热位移校正量的步骤；根据所述热位移校正量进行所述机械的热位移校正的步骤。并且，进行所述推论的步骤中，从与所述机械的运转动作的条件组合预先关联起来的至少一个学习模型中，根据在指定所述条件的步骤中指定的所述机械的运转动作的条件，选择要使用的学习模型，并使用选择出的学习模型来推论所述机械的热位移校正量。

可以是，所述热位移校正方法还执行从所述状态量制作特征量的步骤，该特征量表征由所述机械的运转动作导致的热状态，并且，进行所述推论的步骤中，从所述特征量推论所述机械的热位移校正量。

本发明的一个方式涉及的一种学习模型集合，其是将多个学习模型中的每一个学习模型与进行机械的热位移校正的条件组合关联起来而构成的，所述多个学习模型中的每一个学习模型是根据状态量而被生成或被更新而得的学习模型，所述状态量表示在所述机械的运转动作的条件下进行的所述机械的运转动作的状态。并且，从所述多个学习模型中根据机械的运转动作的条件选择一个学习模型，并将选择出的学习模型用于推论所述机械的热位移校正量的处理。

通过本发明，由于针对根据工厂内的机械设置环境而选择出的学习模型，可以根据在各状况下检测出的机械的状态量来进行机器学习，因此可以一边防止过学习一边进行高效的机器学习，此外，由于进行使用了根据工厂内的机械设置环境等选择出的学习模型的机械热位移校正，因此机械热位移校正的精度得以提升。

附图说明

图1是第一实施方式涉及的热位移校正系统的概略功能框图。

图2是例示机械的运转动作的环境条件的模型的图。

图3是第二实施方式涉及的热位移校正系统的概略功能框图。

图4是第三实施方式涉及的热位移校正系统的概略功能框图。

图5是第四实施方式涉及的热位移校正系统的概略功能框图。

图6是第五实施方式涉及的热位移校正系统的概略功能框图。

图7是表示第五实施方式涉及的热位移校正系统的变形例的概略功能框图。

图8是第六实施方式涉及的热位移校正系统的概略功能框图。

图9是在本发明的热位移校正系统上执行的处理的概略流程图。

图10是在本发明的热位移校正系统上执行的处理的概略流程图。

图11是表示本发明的一个实施方式涉及的数值控制装置和机器学习装置的主要部分的概略硬件结构图。

具体实施方式

图1是第一实施方式涉及的热位移校正系统1的概略功能框图。

图1所示的各功能块通过数值控制装置、单元计算机(cellcomputer)、主计算机、云服务器等计算机具有的cpu、gpu等处理器按照各自的系统程序来控制装置各部的动作来实现。

本实施方式的热位移校正系统1至少具有：作为边缘设备的数值控制部100，其是观察和推论状态的对象；推论处理部200，其进行针对边缘设备状态的推论；学习模型存储部300，其存储并管理多个学习模型。本实施方式的热位移校正系统1还具有：校正实施部400，其根据推论处理部200针对边缘设备状态推论出的结果，进行热位移校正；学习模型生成部500，其制作和更新存储于学习模型存储部300的学习模型。

本实施方式的数值控制部100通过执行存储于未图示的存储器的加工程序块来控制机械。数值控制部100例如安装为数值控制装置，逐次读出并分析存储于未图示的存储器的加工程序块，根据分析出的结果来计算每一控制周期的电动机120的移动量，按照计算出的每一控制周期的移动量来控制电动机120。由数值控制部100控制的机械具有由电动机120驱动的机构部130。通过驱动该机构部130，例如工具与工件相对移动来对工件进行加工。另外，在图1中虽然省略，但是准备机床的机构部130具有的轴数量的电动机120。有时单一的机构部由多个电动机来驱动。

数值控制部100具有的条件指定部110指定数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(环境条件等)。作为环境条件，例如列举出机械的设置场所(是否是恒温室)、机械的设置场所处的成为校正对象的机械(本机)的位置和其他人员的位置与其热状态(与门的位置关系和开闭状态、与空调的位置关系和设定温度、与暖气设备的位置关系和设定温度、与其他机械的位置关系和主轴速度/进给速度等运转状态等)等。条件指定部110根据需要针对数值控制部100的各部指定(输出)如下条件：作业员经由未图示的输入装置设定给数值控制部100的条件、经由网络等连接的其他计算机设定给数值控制部100的条件、由控制程序指定的条件、或者由另外设置于数值控制部100的传感器等设备检测出的条件等，并且将这些条件指定(输出)给学习模型存储部300和学习模型生成部500。条件指定部110具有如下作用：将作为边缘设备的数值控制部100的当前加工运转中的条件作为用于选择学习模型的条件，通知给热位移校正系统1的各部。

数值控制部100(以及由该数值控制部100控制的机械)的运转动作的环境条件，例如像图2所示那样，通过将热位移校正系统1管理的环境分割成多个区域，在各区域怎样设置作为校正对象的机械(本机)、作为热源的门或空调机、暖气设备、其他机械来进行表现。例如在图2所示的示例中，在区域6设置作为校正对象的机械(本机)，在区域4、10设置门，在区域5设置空调，在区域2、7、11、12设置其他机械。

此外，各热源的热状态可以由处于设置了机械的环境下的各热源的状态来定义。例如，作为热源的门的热状态可以分为开状态或关状态，作为热源的空调机、暖气设备的热状态可以通过设定温度来设定。此外，作为热源的其他机械的热状态可以像停止、低运转(低温)、中运转(中温)、高运转(高温)这样以其他机械的动作对应的发热量来进行分类，例如，可以将其他机械的运转状况(机械的内部温度、主轴速度、进给速度、负载状况等)直接用作表示其他机械的热状态的参数。数值控制部100可以根据作业员进行的设定、经由未图示的网络取得的空调机的设定、暖气设备的设定、其他机械的运转状况(机械的内部温度、主轴速度、进给速度、负载状况等)求出各热源的热状态。

数值控制部100具有的状态量检测部140检测数值控制部100(以及由该数值控制部100控制的机械)的运转动作的状态作为状态量。作为数值控制部100(以及由该数值控制部100控制的机械)的运转动作的状态量，例如例示了机械的周边温度、机械各处的温度等。状态量检测部140例如检测在数值控制部100或对该数值控制部100控制的机床的机构部130进行驱动的电动机120中流过的电流值、由另外设置于各部的传感器等设备检测出的检测值作为状态量。状态量检测部140检测出的状态量输出给推论处理部200和学习模型生成部500。

本实施方式的推论处理部200观测作为边缘设备的数值控制部100(以及由该数值控制部100控制的机械)的状态，对基于该观测到的结果的数值控制部100控制的机械各轴的热位移校正量进行推论。推论处理部200例如可以安装为数值控制装置或单元计算机、主计算机、云服务器、或者机器学习装置等。

推论处理部200具有的特征量制作部210根据状态量检测部140检测出的状态量来制作特征量，该特征量表征由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态。表征特征量制作部210制作的由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量，作为推论数值控制部100(以及由该数值控制部100控制的机械)的热位移量时的判断材料是有用的信息。此外，表征特征量制作部210制作的由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量，是后述的推论计算部220进行使用了学习模型的推论时的输入数据。表征特征量制作部210制作的由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量，例如可以是以过去的规定期间以规定的采样周期对状态量检测部140检测出的主轴负载进行采样而得的特征量，此外，还可以是状态量检测部140检测出的电动机120的速度的过去规定期间内的峰值。特征量制作部210对检测部140检测出的状态量如推论计算部220进行处理那样进行前面的处理而使其标准化。

推论处理部200具有的推论计算部220根据特征量制作部210制作出的特征量、根据当前数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件而从学习模型存储部300中选择出的学习模型，来推论数值控制部100控制的机械各轴的热位移校正量。推论计算部220通过将存储于学习模型存储部300的学习模型应用于能够执行机器学习涉及的推论处理的平台来实现。推论计算部220例如可以是进行使用了多层神经网络的推论处理的计算部，此外，还可以是作为贝叶斯网络、支持向量机、混合高斯模型等机器学习进行使用了公知的学习算法的推论处理的计算部。推论计算部220例如可以是进行使用了监督学习、无监督学习、强化学习等学习算法的推论处理的计算部。此外，推论计算部220还能够分别执行基于多种学习算法的推论处理。推论计算部220构成基于从机器学习的学习模型存储部300中选择出的学习模型的机器学习器，作为该机器学习器的输入数据通过执行使用了特征量制作部210制作出的特征量的推论处理来推论数值控制部100控制的机械各轴的热位移校正量。

本实施方式的学习模型存储部300能够存储与条件指定部110指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合关联起来的多个学习模型。学习模型存储部300例如可以安装于数值控制部100或单元计算机、主计算机、云服务器、数据库服务器等上。

在学习模型存储部300中存储有与条件指定部110所指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(工厂内的机械的设置环境等)的组合关联起来的多个学习模型1、2、…、n。这里所说的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(工厂内的机械的设置环境等)的组合表示各条件能够取得的值、值的范围、值的列举相关的组合，例如在机械设置于恒温室，如图2所示机械的设置场所处的其他热源的位置与其热状态被模型化，机械的主轴速度设定为500～1000[min^-1]，进给速度设定为200～300[mm/min]时，运转动作的条件可以将各要素条件的行列(恒温室设置、无、机械(高温)、无、门(开)、空调机(26℃)、成为校正对象的机械(本机)、机械(中温)、无、无、门(关)、机械(中温)、机械(停止)、500～1000[min-¹]、200～300[mm/min])，用作数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合之一。

存储于学习模型存储部300的学习模型存储为能够构成一个学习模型的信息，该一个学习模型适合于推论计算部220中的推论处理。存储于学习模型存储部300的学习模型例如是使用了多层神经网络的学习算法的学习模型时，可以存储为各层的神经元(感知器)数、各层的神经元(感知器)之间的权值参数等，此外，是使用了贝叶斯网络的学习算法的学习模型时，可以存储为构成贝叶斯网络的节点与节点之间的变化概率等。各存储于学习模型存储部300的学习模型可以是使用了相同的学习算法的学习模型，此外，也可以是使用了不同的学习算法的学习模型，只要能够用于推论计算部220进行的推论处理可以是使用了任何学习算法的学习模型。

学习模型存储部300可以将一个学习模型与一个数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合关联起来进行存储，此外，还可以将使用了两个以上的不同学习算法而得的学习模型与一个数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合关联起来进行存储。学习模型存储部300还可以将使用了不同学习算法而得的学习模型与该组合的范围重叠的多个数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合的每一个关联起来进行存储。此时，学习模型存储部300针对数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合对应的学习模型，进一步规定所需处理能力或学习算法的种类等利用条件，由此，例如能够针对数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合，选择能够执行的推论处理或处理能力不同的推论计算部220对应的学习模型。

学习模型存储部300若从外部受理包含数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合在内的学习模型的读出/写入请求，则针对与该数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合关联起来存储的学习模型进行读出/写入。此时，学习模型的读出/写入请求中可以包含推论计算部220能够执行的推论处理或处理能力的信息，这样的情况下，学习模型存储部300针对数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合、以及推论计算部220能够执行的推论处理或处理能力关联起来的学习模型进行读出/写入。学习模型存储部300可以具有如下功能：针对来自外部的学习模型的读出/写入请求，根据从条件指定部110指定的条件，读出/写入与该条件(的组合)关联起来的学习模型。通过设置这样的功能，不需要对推论计算部220或学习模型生成部500设置基于条件指定部110指定的条件来请求学习模型这样的功能。

另外，学习模型存储部300可以对学习模型生成部500生成的学习模型进行加密存储，通过推论计算部220在读出学习模型时对加密了的学习模型进行解密。

校正实施部400根据由推论处理部200推论出的数值控制部100控制的机械各轴的热位移校正量，进行数值控制部100控制的机械的热位移校正。校正实施部400例如通过针对数值控制部100指令各轴的校正量，来进行数值控制部100控制的机械的热位移校正。

学习模型生成部500根据由条件指定部110指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件、表征特征量制作部210制作的由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量，来生成或更新存储于学习模型存储部300的学习模型(机器学习)。学习模型生成部500根据由条件指定部110指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件选择成为生成或更新对象的学习模型，针对选择出的学习模型进行表征特征量制作部210制作的由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量涉及的机器学习。学习模型生成部500进行学习的时机，例如在作业员针对数值控制部100手动设定了机械各轴的热位移校正量的时候，或通过其他热位移校正单元设定了机械各轴的热位移校正量的时候等时候进行。该情况下，学习模型生成部500在正常进行了基于设定的热位移校正量的机械的运转动作的情况下(例如，由作业员确认了对规定精度的工件进行了加工的情况等)，针对根据数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件选择出的学习模型，将表征特征量制作部210制作的由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量作为状态变量，生成或更新将设定的各轴的热位移校正量作为标签数据的学习模型(机器学习)。

学习模型生成部500在与条件指定部110指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(的组合)关联起来的学习模型没有存储于学习模型存储部300的情况下，重新生成与该条件(的组合)关联起来的学习模型，在与条件指定部110指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(的组合)关联起来的学习模型存储于学习模型存储部300的情况下，通过进行针对该学习模型的机器学习来更新该学习模型。学习模型生成部500在学习模型存储部300中存储有多个与条件指定部110指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(的组合)关联起来的学习模型的情况下，可以针对各学习模型进行机器学习，此外，还可以根据由学习模型生成部500能够执行的学习处理或处理能力，只针对一部分学习模型进行机器学习。

学习模型生成部500可以对存储于学习模型存储部300的学习模型施加改变来生成新学习模型。作为学习模型生成部500改变学习模型的示例，例如例示蒸馏模型的生成。蒸馏模型是使用针对装入了学习完成模型的机器学习器的输入而获得的输出，在其他机器学习器中从1起进行学习而获得的学习完成模型。学习模型生成部500可以将经由这样的步骤(称为蒸馏步骤)获得的蒸馏模型作为新学习模型存储于学习模型存储部300来进行利用。一般情况下，蒸馏模型的大小比原来的学习完成模型小，尽管如此还能输出与原来的学习完成模型相同的正确度，因此更适合于针对经由网络等的其他计算机的分配。

作为学习模型生成部500改变学习模型的其他示例还有学习模型的统合。学习模型生成部500在与数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(的组合)关联起来存储的两个以上的学习模型的构造类似的情况下，例如在各权值参数的值处于预先规定的规定阈值内的情况下，可以在将与这些学习模型关联起来的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件(的组合)统合基础上，与此对应起来存储构造类似的两个以上的学习模型中的某一个。

图3是第二实施方式涉及的热位移校正系统1的概略功能框图。

在本实施方式的热位移校正系统1中，将各功能块安装于一台数值控制装置2上。通过像这样构成，本实施方式的热位移校正系统1根据数值控制装置2控制的机械各轴的设置环境使用不同的学习模型来推论数值控制部100控制的机械各轴的热位移校正量，根据该推论结果进行机械各轴的热位移校正。此外，还可以通过一台数值控制装置2来生成/更新数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件对应的各学习模型。

图4是第三实施方式涉及的热位移校正系统1的概略功能框图。

在本实施方式的热位移校正系统1中，将数值控制部100、推论处理部200、校正实施部400安装于数值控制装置2上，此外，还将学习模型存储部300和学习模型生成部500安装于经由标准接口或网络与数值控制装置2连接的机器学习装置3上。机器学习装置3也可以安装于单元计算机、主计算机、云服务器、数据库服务器上。通过像这样构成，作为较轻处理的使用了学习完成模型的推论处理可以在数值控制装置2上执行，作为较重处理的生成/更新学习模型的处理可以在机器学习装置3上执行，因此，可以不妨碍数值控制装置2本来的动作而进行热位移校正系统1的运用。

图5是第四实施方式涉及的热位移校正系统1的概略功能框图。

在本实施方式的热位移校正系统1中，将数值控制部100安装于数值控制装置2上，将推论计算部220、学习模型存储部300、学习模型生成部500安装于经由标准接口或网络与数值控制装置2连接的机器学习装置3上。此外，另外准备校正实施部400。另外，在本实施方式的热位移校正系统1中，将状态量检测部140检测的状态量假设为是可以直接用于推论计算部220进行的推论处理或学习模型生成部500进行的学习模型的生成/更新处理的数据，省略特征量制作部210的结构。通过像这样构成，可以在机器学习装置3上执行使用了学习完成模型的推论处理和学习模型的生成/更新的处理，因此，可以不妨碍数值控制装置2本来的动作而进行热位移校正系统1的运用。

图6是第五实施方式涉及的热位移校正系统1的概略功能框图。

在本实施方式的热位移校正系统1中，将各功能块安装于一台数值控制装置2上。另外，在本实施方式的热位移校正系统1中，在学习模型存储部300中已经存储有与数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合关联起来的多个学习完成的学习模型，假设不进行学习模型的生成/更新，省略学习模型生成部500的结构。通过像这样构成，本实施方式的热位移校正系统1例如根据数值控制装置2控制的机械设置环境而使用不同的学习模型来推论数值控制部100控制的机械各轴的热位移校正量，根据其推论结果进行机械各轴的热位移校正。此外，由于不随便进行学习模型的更新，因此例如可以用作针对顾客出货的数值控制装置2的结构。

图7是表示第五实施方式涉及的热位移校正系统1(图6)的变形例的概略功能框图。

本变形例的热位移校正系统1是在第五实施方式(图6)中将学习模型存储部300安装于与数值控制装置2连接的外部存储器4的示例。在本变形例中，通过将容量大的学习模型存储于外部存储器4，能够利用大量的学习模型，并且可以不经由网络等读出学习模型，因此，在推论处理需要实时性的情况下是有效的。

图8是第六实施方式涉及的热位移校正系统1的概略功能框图。

在本实施方式的热位移校正系统1中，将数值控制部100安装于数值控制装置2上，将推论计算部220、学习模型存储部300安装于经由标准接口或网络与数值控制装置2连接的机器学习装置3上。机器学习装置3可以安装于单元计算机、主计算机、云服务器、数据库服务器上。另外，在本实施方式的热位移校正系统1中，在学习模型存储部300中已经存储有与数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件组合关联起来的多个学习完成的学习模型，假设不进行学习模型的生成/更新，省略学习模型生成部500的结构。此外，在本实施方式的热位移校正系统1中，将状态量检测部140检测的状态量假设为是可以直接用于推论计算部220进行的推论处理的数据，省略特征量制作部210的结构。通过像这样构成，本实施方式的热位移校正系统1例如根据数值控制装置2控制的机械的设置环境使用不同的学习模型来推论数值控制部100控制的机械各轴的热位移校正量，根据其推论结果进行机械各轴的热位移校正。此外，由于不随便进行学习模型的更新，因此例如可以用作针对顾客出货的数值控制装置2的结构。

图9是由本发明的热位移校正系统1执行的处理的概略流程图。

图9所示的流程图例示出不更新热位移校正系统1中的学习模型时的(第五、六实施方式)的处理的流程。

·[步骤sa01]条件指定部110指定数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件。

·[步骤sa02]状态量检测部140检测数值控制部100(以及由该数值控制部100控制的机械)的运转动作的状态作为状态量。

·[步骤sa03]特征量制作部210根据通过步骤sa02检测出的状态量，制作表征由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量。

·[步骤sa04]推论计算部220从学习模型存储部300选择读出通过步骤sa01指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件对应的学习模型作为推论使用的学习模型。

·[步骤sa05]推论计算部220根据通过步骤sa04读出的学习模型与通过步骤sa03制作出的特征量来推论数值控制部100控制的机械各轴的热位移校正量。

·[步骤sa06]校正实施部400根据在步骤sa05中推论出的机械各轴的热位移校正量，来进行热位移校正。

图10是由本发明的热位移校正系统1执行的处理的概略流程图。

图10所示的流程图例示出生成和更新热位移校正系统1中的学习模型时(第一～四实施方式)的处理的流程。

·[步骤sb01]条件指定部110指定数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件。

·[步骤sb02]状态量检测部140检测数值控制部100(以及由该数值控制部100控制的机械)的运转动作的状态作为状态量。

·[步骤sb03]特征量制作部210根据通过步骤sb02检测出的状态量，制作表征由数值控制部100(以及由该数值控制部100控制的机械)的运转动作导致的热状态的特征量。

·[步骤sb04]推论计算部220从学习模型存储部300选择读出通过步骤sb01指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件对应的学习模型作为推论使用的学习模型。

·[步骤sb05]学习模型生成部500判定在学习模型存储部300中是否生成有通过步骤sb01指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件对应的学习完成的学习模型。在生成有学习完成的学习模型的情况下，向步骤sb07转移处理，在没有生成学习完成的学习模型的情况下，向步骤sb06转移处理。

·[步骤sb06]学习模型生成部500根据通过步骤sb03制作出的特征量，生成和更新通过步骤sb01指定的数值控制部100(以及由该数值控制部100控制的机械)的运转动作的条件对应的学习模型，向步骤sb01转移处理。

·[步骤sb07]推论计算部220根据通过步骤sb04读出的学习模型与通过步骤sb03制作出的特征量来推论数值控制部100控制的机械各轴的热位移校正量。

·[步骤sb08]校正实施部400根据在步骤sa07中推论出的机械各轴的热位移校正量，来进行热位移校正。

图11是表示本发明的一个实施方式涉及的数值控制装置和机器学习装置的主要部分的概略硬件结构图。

本实施方式涉及的数值控制装置2具有的cpu11是对数值控制装置2进行整体控制的处理器。cpu11经由总线20读出存储于rom12的系统程序，按照该系统程序来对数值控制装置2整体进行控制。将临时的计算数据或显示数据、操作员经由未图示的输入部输入的各种数据等暂时存储于ram13中。

非易失性存储器14构成为如下存储器：例如通过未图示的电池而被备份等，即使断开数值控制装置2的电源也可以保持存储状态。在非易失性存储器14中存储有经由接口15读入的加工程序或经由后述的显示器/mdi单元70输入的加工程序等。存储于非易失性存储器14的反复控制有关的加工程序可以在使用时在ram13中展开。此外，在rom12中预先写入数值控制装置2的动作所需的各种系统程序(包含用于控制与后述的机器学习装置3的数据交换的系统程序)。

接口15是用于连接数值控制装置2与适配器等外部设备72的接口。从外部设备72侧读入加工程序或各种参数等。此外，在数值控制装置2内编辑的反复控制有关的程序或各种参数等可以经由外部设备72存储于外部存储单元。pmc(可编程机器控制器)16经由i/o单元17通过内置于数值控制装置2的时序程序向加工机的周边装置(工具更换用机器人机械手这样的致动器)输出信号进行控制。此外，接受来自机械本体所具有的操作盘的各种开关等和传感器的信号，在进行了所需的处理之后，转发给cpu11。

显示器/mdi单元70是具有显示器或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70的键盘的指令、数据，转发给cpu11。接口19与操作盘71连接，该操作盘71具有在手动驱动各轴时使用的手动脉冲发生器等。

显示器/mdi单元70可以显示表示机械的热位移状态的推论评价值的即时值和其历史记录。作为提出的系统实现方式，可以通过阈值判定方式、趋势图判定方式、外检方式等各种方法获得最终结果，将获得该结果的过程的一部分可视化，由此，对于在生产现场实际运转机床的作业员可以给予工业上的直观感受一致的结果。

用于控制机床具有的轴的轴控制电路30接受来自cpu11的轴的移动指令量，将轴的指令输出给伺服放大器40。伺服放大器40接受该指令来驱动使机床具有的轴移动的电动机120。轴的电动机120内置位置速度检测器，将来自该位置速度检测器的位置速度反馈信号反馈给轴控制电路30，进行位置速度的反馈控制。另外，在图11的硬件结构图中只是逐个示出了轴控制电路30、伺服放大器40、电动机120，但是实际上准备作为控制对象的加工机所具有的轴的数量。

接口21是用于将数值控制装置2与机器学习装置3连接的接口。机器学习装置3具有：统一控制机器学习装置3整体的处理器80、存储系统程序等的rom81、用于进行机器学习有关的各处理中的临时存储的ram82、用于存储学习模型等的非易失性存储器83。机器学习装置3经由接口84和接口21在与数值控制装置2之间进行各种数据的交换。

以上，对本发明的实施方式进行了说明，但是本发明并不仅局限于上述实施方式的示例，还可以通过施加适当的变更而以各种方式来进行实施。