的所述正 常區域；及診斷單元，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。
[003引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。進而，在本發明中，將使機床一邊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使用作為練習數據，并將一邊W相同的規定的運轉模式運轉 一邊測定多個參數的再測定數據使用作為測試數據。由此，根據第二發明的機床的診斷系 統，與第一發明同樣，能夠實現機床的高精度的診斷。
[0036] 另外，在本發明中，優選的是，所述診斷單元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。
[0037] 由此，在第二發明中也與第一發明同樣，通過一類SVM法，能夠實現機床的正常/ 異常的高精度的診斷。
[0038] 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，所述診斷單元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。
[0039] 由此，在第二發明中也與第一發明同樣，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。
[0040] 另外，在本發明中，優選的是，所述測定單元在使所述再測定數據不同的時期進行 多次測定，所述診斷單元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。
[0041] 由此，在第二發明中也與第一發明同樣，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。
[0042] 另外，在本發明中，優選的是，所述測定單元在使所述再測定數據不同的時期進行 多次測定，所述診斷單元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部件的更換時期。
[0043] 由此，在第二發明中也與第一發明同樣，能夠進行壽命預測作為由于診斷結果的 時間推移而向機床裝入的消耗零件的更換時期。
[0044] 另外，在本發明中，優選的是，所述練習部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，所述機床的診斷系統還具備存 儲所述映射空間的所述新的正常區域的存儲單元，所述診斷單元中，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。
[0045] 由此，在第二發明中也與第一發明同樣，即將測試數據作為追加的練習數據，對一 類SVM法的映射空間的正常區域進行更新，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。
[0046] 【發明效果】
[0047] 根據本發明的機床的診斷方法及系統，能夠實現機床的高精度的診斷。
【附圖說明】
[0048] 圖1是本發明的實施方式的機床的診斷系統的說明圖。
[0049] 圖2(a)~（e)是規定的運轉模式的示意圖。
[0050] 圖3是表示一類SVM法的映射空間的正常數據的種類的示意圖。
[0051] 圖4是說明第一實施方式的使用了一類SVM法的診斷流程的框圖。
[0052] 圖5是說明第二實施方式的使用了一類SVM法的診斷流程的框圖。
[0053] 圖6是第S實施方式的基于診斷結果的故障時期預測的說明圖。
[0054] 圖7是第四實施方式的基于診斷結果的更換時期預測的說明圖。
[00巧]圖8是說明第五實施方式的使用了一類SVM法的診斷流程的框圖。
[0056] 【標號說明】
[0057] 10 機床
[0058] 12 床身
[0059] 14支承軸承及托架
[0060] 16滾珠絲杠度/巧螺紋部
[0061] 18滾珠絲杠度/S)螺母部
[0062] 20 工作臺
[0063] 22減速齒輪
[0064] 24伺服電動機
[00財 26脈沖編碼器
[0066] 28 伺服
[0067] 30位置檢測器
[0068] 32加速度傳感器
[006引 34主軸電動機 [0070] 35測定數據
[00川 36處理裝置
[0072] 38數據庫
【具體實施方式】
[0073] W下，參照附圖，說明本發明的機床的診斷方法及系統的實施方式。
[0074] 圖1是各實施方式共用的機床的診斷系統的說明圖。
[0075] 在圖1中，示出機床10的主要的進給系統的結構。機床10的進給系統的滾珠絲 杠包括：由支承軸承14支承為旋轉自如的滾珠絲杠螺紋部16,所述支承軸承14設置于在 床身12上固定的托架14內；及與該螺紋部16螺合的滾珠絲杠螺母部18。
[0076] 在該螺母部18安裝工作臺20。在工作臺20安裝位置檢測器30及加速度傳感器 32。經由減速齒輪22,將伺服電動機24的旋轉力向滾珠絲杠的螺紋部16傳遞。伺服電動 機24的旋轉由伺服控制裝置28控制。從數值控制裝置（未圖示）向伺服控制裝置28輸入 位置指令信號，并輸入工作臺位置的位置反饋信號和來自脈沖編碼器26的速度反饋信號。
[0077] 本實施方式測定機床的多個參數而取得初始測定數據35。在圖1所示的例子中， 從伺服電動機24測定電動機位置、電動機速度及電動機電流。而且，從工作臺的位置檢測 器30及加速度傳感器32輸出工作臺20的機械位置及加速度信號。而且，除了進給系統W 夕F，還從主軸電動機34通過未圖示的傳感器來輸出電動機電流、電動機速度、溫度數據、加 速度信號。
[0078] 對于運些初始測定數據35, 一邊W規定的運轉模式使機床10運轉一邊進行測定。 在此，示出圖2的運轉模式的例子。圖2的（a)~（e)分別示出往復運動、沿著正方形的運 動、沿著八邊形的運動、沿著角被彎曲的長方形的運動、及圓運動的運動模式。
[0079] 需要說明的是，圖2的（a)~（e)所示的運轉模式都是二維平面內的運動，但也可 W采用S維空間內的運轉模式。
[0080] 接著，練習單元將在規定的運轉模式時測定的運些初始測定數據使用作為練習數 據，生成一類支持向量機法的映射空間（特征空間）的正常區域。
[0081] 另外，初始測定數據35是機床10的出貨時的正常數據。在一類SVM中，能夠進行 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機械學習。因此，無需將機 床破壞而取得異常數據。
[0082] 在本實施方式中，在一類SVM中并用核方法進行練習。核K是特征空間的數據彼 此的內積，該核的設計及參數的設定是決定模式識別的精度的項目。需要說明的是，在一類 SVM中，實質上只要僅決定高斯核的參數即可。
[0083] 在使用高斯核的情況下，成為下述的式子（〇2〉〇是設計者應設定的核參數。）
[0084] 【數學式1】
[0085]
[0086] 在一類SVM的練習中，對于下述的評價函數而求出最適的參數a=[a 0M]。
[0087]【數學式2】
[0090] 在此，是練習數據。而且，1 >V〉〇是參數之一，是設計者能夠任意設定的軟間 隔。軟間隔是將練習數據看作脫離值的比例的上限，例如，當設定為0. 1時，最大將全部數 據的10%看作脫離值。）而且，ai與練習數據xi密切關聯，將成為a1〉〇的稱為支持 向量。使用通