[发明专利]信息处理装置、控制装置及优化方法

说明书

自动地对热位移量预测计算式的超参数的值进行优化。信息处理装置具有：参数选定方法决定部，其选择热位移量预测计算式的超参数中的至少1个作为第一超参数；参数选定部，其设定/变更第一超参数的值，将剩余的超参数的值固定为第二超参数的值；机器学习部，其通过基于预先取得的热位移的教师数据的机器学习，按第一超参数的值生成热位移量预测计算式；以及模型评价部，其将由各热位移量预测计算式推定出的热位移量与实测的热位移量的误差作为评价值，与第一超参数的值一起存储，参数选定方法决定部根据第一超参数的值和评价值的履历，将评价值为最小时的第一超参数的值设为最佳的值。

技术领域

本发明涉及信息处理装置、控制装置及优化方法。

背景技术

作为机床中的加工误差的主要原因之一，存在如下问题：因机床的机械要素的热膨胀，在工具与工件之间产生相对的热位移。更具体而言，作为机床的构成要素，例如列举主轴、主轴装置、床身、立柱、工作台、工具等。因主轴的旋转引起的发热、主轴驱动马达的发热、从冷却剂供给装置向工具供给的冷却剂引起的吸热、从润滑油供给装置向主轴轴承供给的润滑油引起的吸热等，特别是上述的构成要素以主轴为中心发生热变形，有时产生工具与工件之间的相对的热位移。

关于这一点，已知如下技术：反复进行根据使用推定机械要素的热位移量的热位移量预测计算式计算的机械要素的热位移量的推定值、与机械要素的热位移量的实测值的差异，将热位移量预测计算式中的除了与时间延迟要素相关的系数以外的与测量数据相关的系数固定为预定的值，通过机器学习来设定与时间延迟要素相关的系数的处理、以及根据所述差异，将与时间延迟要素相关的系数固定为预定的值，通过机器学习来设定与测量数据相关的系数的处理，由此，以较少的计算量实施高精度的校正式的导出，进行基于所述校正式的高精度的校正。例如，参照专利文献1。

现有技术文献

专利文献

专利文献1：日本特开2018-153902号公报

发明内容

发明要解决的课题

在专利文献1中公开了如下内容：将温度传感器的测定温度数据以及温度测定时的热位移量的测量值数据的集合作为教师数据，对预先设定的条件(例如，如后所述，预先设定了关于配置于机床的温度传感器的个数和温度传感器的配置位置、温度传感器的温度测定时的采样时间、以及时间延迟向过去追溯到哪里这样的条件参数)下的热位移量预测计算式的与时间延迟要素相关的系数、以及与测量数据相关的系数进行机器学习，由此，计算预先设定的条件下的最佳的热位移量预测计算式(以下，也称为“热位移模型”)。

以下，将这样的预先设定的条件参数(例如，关于配置于机床的温度传感器的个数和温度传感器的配置位置、温度传感器的温度测定的采样时间、以及时间延迟向过去追溯到哪里这样的参数)也称为超参数(设计变量)。

即，最佳的热位移量预测计算式(热位移模型)能够按超参数的值计算。

但是，这些超参数(设计变量)的组合有很多(几乎接近无限)，尝试全部的组合来计算各个超参数值中的最佳的热位移量预测计算式(热位移模型)，并且，根据每个超参数值的最佳的各热位移量预测计算式(热位移模型)的集合，求出进一步最佳的热位移量预测计算式(热位移模型)是不现实的。例如，即使假设用户采取了以试错的方式尝试好的组合，以很好的组合为基础尝试下一个组合等进行试错来决定超参数的值的方法，也难以唯一地决定超参数的值。另外，为了生成具有实用性的热位移量预测计算式(热位移模型)，预想到超参数的组合的试错花费大量的时间(例如，1周以上)。

因此，期望对热位移量预测计算式(热位移模型)的超参数的值自动地优化。

用于解决课题的手段