機床的診斷方法及系統的制作方法
【技術領域】
[0001] 本發明設及機床的診斷方法及系統，更詳細而言，設及使用一類支持向量機 (SuppcxrtVectorMachines:SVM)法進行機床的診斷的診斷方法及系統。
【背景技術】
[0002] 在機床中，會發生使用引起的磨損/劣化運樣的歷時變化或機械損傷等。因此，W 將機床的突然的故障或停止防患于未然為目的，進行定期的檢修及零件更換。然而，機床一 旦發生異常停止或噪音的發生運樣的異常時，需要查明原因、更換零件的籌備或制作、進而 也需要對策施工的實施，因此機床的停機時間變長。因此，如下述的專利文獻1~3公開那 樣，提出了在機床發生異常停止等異常事態之前，自動地診斷機床的各種技術。
[0003] 專利文獻1~3公開了一種通過將安裝于機床的加速度計等傳感器的輸出信號的 數值與規定的闊值進行比較而進行機床的異常診斷的技術。而且，也提出了利用多個傳感 器的輸出信號的方法，但是基本上，通過傳感器的輸出信號的數值或頻率解析等的解析結 果的值與規定的闊值進行比較，來診斷異常的有無。
[0004] 然而，在診斷機床的情況下，考慮了如果不是僅利用機床的一個參數的輸出信號 值而是利用多個參數的話，則能夠進行更綜合性的診斷。
[0005] 在利用了多個參數的診斷中，可考慮利用例如在統計學中的多變量解析所使用的 馬哈拉諾比斯法。在馬哈拉諾比斯法中，設定考慮了標本數據的參數的相關性的、距標本數 據組的分布的中屯、的基準馬哈拉諾比斯距離內的單位空間，判定測定到的對象數據的馬哈 拉諾比斯距離是否包含于該單位空間。并且，在對象數據的馬哈拉諾比斯距離包含于單位 空間內時診斷為正常，在不包含時診斷為異常。
[0006] 然而，在馬哈拉諾比斯法的映射空間中僅有一個判定為正常的單位空間。因此，在 將標本數據組分為多個群組的情況下，將群組間的異常數據都包含于單位空間內。其結果 是，在馬哈拉諾比斯法中，存在將異常數據誤診斷為正常的可能性。
[0007] 【在先技術文獻】
[0008] 【專利文獻】
[0009] 【專利文獻1】日本特開2013-164386號公報
[0010] 【專利文獻2】日本特開2008-97363號公報
[0011] 【專利文獻3】日本專利4434350號公報
【發明內容】
[0012] 【發明要解決的課題】
[0013] 因此，本發明的目的在于提供一種能夠實現機床的高精度的診斷的診斷方法及診 斷系統。
[0014] 【用于解決課題的方案】
[0015] 為了實現上述的目的，第一發明的機床的診斷方法的特征在于，包括：
[0016] 初始取得工序，一邊使機床W規定的運轉模式運轉，一邊測定所述機床的多個參 數來取得初始測定數據；
[0017] 生成工序，使用所述初始測定數據作為練習數據，而生成一類支持向量機法的映 射空間的正常區域；
[0018] 再取得工序，在所述機床的運轉后，一邊使所述機床再次W所述規定的運轉模式 運轉，一邊測定所述機床的所述多個參數而取得再測定數據；及
[0019] 診斷工序，使用所述再測定數據作為測試數據，基于所述測試數據是否包含于一 類支持向量機法的所述映射空間的所述正常區域，來進行所述機床的診斷。
[0020] 運樣構成的本發明通過一類SVM法，使用機械學習的模式識別（多個數據的相關 關系）來實施機床的診斷。在一類SVM法中，可W生成復雜的多個區域作為正常區域。因 此，與使用僅生成楠圓區域的1區域的單位空間的馬哈拉諾比斯法相比，能夠實現高精度 的診斷。
[0021] 此外，在本發明中，使用一邊使機床W規定的運轉模式運轉一邊測定了多個參數 的初始測定數據作為練習數據，且使用一邊W相同的規定的運轉模式運轉一邊測定了多個 參數的再測定數據作為測試數據。由此，能夠實現更高精度的診斷。
[0022] 另外，機床通常為高價，因此特意弄壞幾個機床而取得異常數據的情況并不現實。 因此，在本發明中，通過使用正常時的機床的初始測定數據、即正常數據作為練習數據的一 類法，進行支持向量機（SuppcxrtVectorMachines:SVM)的練習（機械學習）。由此，在本 發明中，在診斷之前，無需取得異常數據。
[0023] 因此，根據本發明的機床的診斷方法，能夠實現機床的高精度的診斷。
[0024] 另外，在本發明中，優選的是，所述診斷工序在所述測試數據包含于所述正常區域 的情況下，將所述機床診斷為正常，在所述測試數據不包含于所述正常區域的情況下，將所 述機床診斷為異常。
[00巧]由此，通過一類SVM法，能夠實現機床的正常/異常的高精度的診斷。
[0026] 另外，在本發明中，優選的是，所述規定的運轉模式是所述機床對加工物進行加工 的運轉模式，所述診斷工序在所述測試數據包含于所述正常區域的情況下，將由所述機床 進行的所述加工物的加工診斷為正常加工，在所述測試數據不包含于所述正常區域的情況 下，將由所述機床進行的所述加工物的加工診斷為不良加工。
[0027] 機床在對齒輪或齒輪運樣的量產加工品進行加工的情況下，W相同的運轉模式反 復運轉。因此，若將W對加工物進行加工時的運轉模式一邊使機床運轉一邊測定的初始測 定數據作為練習數據，生成一類SVM法的映射空間的正常區域，則可W將機床實際對加工 物進行加工時的再測定數據利用作為測試數據。此時，若機床存在異常，則通過該機床加工 的加工品的加工精度也下降，因此加工品的品質也劣化。因此，基于加工時的運轉模式下的 數據，能夠診斷加工物的加工的良好與不良。因此，基于加工品的加工時的數據，能夠進行 加工品的加工的良/不良的診斷、例如加工品的加工精度或品質的檢查。
[0028] 另外，在本發明中，優選的是，所述再取得工序在不同的時期執行多次，所述診斷 工序基于所述測試數據的所述映射空間的位置的歷時變化，將所述測試數據從所述正常區 域脫離的時期預測作為所述機床的故障發生時期。
[0029] 運樣，能夠將由于診斷結果的時間推移而測試數據從正常區域脫離的時期預測作 為機床的故障發生時期。
[0030] 另外，在本發明中，優選的是，所述再取得工序在不同的時期執行多次，所述診斷 工序基于所述測試數據的所述映射空間的位置的歷時變化，將所述測試數據從所述正常區 域脫離的時期預測作為向所述機床裝入的消耗零件的更換時期。
[0031] 運樣，能夠將由于診斷結果的時間推移而測試數據從正常區域脫離的時期作為車 刀等切削工具或砂輪運樣的向機床裝入的消耗零件的更換時期進行壽命預測。
[0032] 另外，在本發明中，優選的是，所述機床的診斷方法還包括如下工序：使用所述測 試數據作為追加的練習數據，而生成一類支持向量機法的新的映射空間的新的正常區域， 所述診斷工序中，在所述測試數據不包含于所述新的正常區域的情況下，將所述機床診斷 為異常，在所述測試數據雖然包含于所述新的正常區域但不包含于初始的正常區域的情況 下，將所述機床診斷為歷年劣化，在所述測試數據包含于所述新的正常區域及所述初始的 正常區域的情況下，將所述機床診斷為正常。
[0033] 包含機床的機械通常因歷年而特性變化。該特性的歷年變化未必是機械的異常， 反而多是比機械的出貨時更穩定的運轉狀態。因此，當僅基于初始的練習數據進行機床的 診斷時，診斷的精度可能逐漸下降。因此，將測試數據作為追加的練習數據，來更新一類SVM 法的映射空間的正常區域，由此與機床的故障診斷另行地進行歷年劣化診斷，從而能夠實 現防止診斷精度的下降。
[0034] 另外，為了實現上述的目的，第二發明的機床的診斷系統的特征在于，具備：測定 單元，一邊使機床W規定的運轉模式運轉，一邊測定所述機床的多個參數而輸出初始測定 數據，在所述機床的運轉后，一邊使所述機床再次W所述規定的運轉模式運轉，一邊測定所 述機床的所述多個參數而輸出再測定數據；練習單元，使用所述初始測定數據作為練習數 據，生成一類支持向量機法的映射空間的正常區域；存儲單元，存儲所述映射空間