過練習而得到的a，由此由下述的式子表示的SVM識別器完成。
[0091] 【數學式3】
[0092]
[0093] 在此，sgn(a)是符號函數，在a>0時，即，在屬于與練習數據相同類（正常區域） 時，返回"+1"，在a<0時，即，在不屬于與練習數據相同類時，返回"-1"。而且，Xgy對應于成 為0<ai<l/(vl)的Qi。1是練習數據的總數。需要說明的是，實際上，曰1的大半成為0， 因此在識別時發揮重要的作用的僅是非0的a1和與之對應的練習數據（支持向量）Xi。
[0094] 在此，圖3示意性地示出一類SVM法的映射空間。圖3示出基于2個參數（數據 1及數據2)的二維的映射空間。該映射空間包含4個正常區域C。
[0095] 需要說明的是，在利用馬哈拉諾比斯距離的情況下，該映射空間的包含4個正常 區域C的1個大的楠圓成為單位空間。因此，單位空間包含4個正常區域C彼此之間的非 正常區域。相對于此，若使用一類SVM法，則如圖3所示，即使在將正常區域C分為多個部 位的情況下，也能夠規定準確的正常區域。
[0096] 并且，通過練習而生成了正常區域C的一類SVM法的映射空間的信息（練習數據） 存儲于正常數據庫（圖1的38、圖4的42)。
[0097] 并且，在機床10出貨而開始使用之后，一邊使機床10再次W規定的運轉模式運 轉，一邊測定機床10的多個參數而取得再測定數據。在此，與出貨時相同，W圖2所示的運 轉模式使機床運轉。并且，通過各傳感器，取得相同參數的測定數據。
[0098] 接著，參照圖4,說明基于診斷單元41的機床的診斷工序。需要說明的是，在本實 施方式中，本發明的練習單元及診斷單元可W通過計算機來實現。
[0099] 在診斷時，使用再測定數據作為測試數據。并且，判定測試數據（再測定數據）是 否包含于正常數據庫42中存儲的一類支持向量機法的映射空間的正常區域C(參照圖3)。 具體而言，向上述SVM識別器輸入測試數據而運算診斷結果（f(x))的值。
[0100] 并且，基于診斷結果（f(x))的值，進行機床的診斷（程序塊43)。若診斷結果 (f(x))的值為非負（f(x) >0)，則該測試數據是與練習數據相同種類的模式，即包含于正 常區域內。運種情況下（在程序塊43中為"否"的情況下），機床被診斷為正常。
[0101] 相對于此，若診斷結果（f(x))的值為負（f〇〇<0)，則該測試數據是與練習數據不 同的種類的模式，即不包含于正常區域內。運種情況下（在程序塊43中為"是"的情況下）， 機床被診斷為異常。
[0102] 運樣，在本實施方式中，使用規定的運轉模式下的初始測定數據作為練習數據，且 使用相同規定的運轉模式下的再測定數據作為測試數據。由此，能夠使用一類SVM法進行 機床的正常/異常的高精度的診斷。
[0103] 接著，參照圖5,說明第二實施方式。
[0104] 在第二實施方式中，作為取得機床的練習數據及測試數據時的運轉模式，采用螺 紋或齒輪運樣的量產加工品的加工時的運轉模式。因此，在第二實施方式中，在正常數據庫 52生成基于量產加工品的加工時的運轉模式下運轉時的練習數據的映射空間的正常區域。
[0105] 在正常數據庫52,通過量產加工品的加工時的練習而生成了正常區域C的一類 SVM法的映射空間的信息存儲于正常數據庫38。
[0106] 在第二實施方式中，測試數據也采用相同量產加工品的加工時的運轉模式的數 據。并且，通過診斷單元51，與第一實施方式同樣地，向SVM識別器輸入測試數據而運算診 斷結果（f(x))的值。
[0107] 并且，基于診斷結果（f(x))的值，進行機床的診斷（程序塊53)。在第二實施方式 中，若診斷結果（f(x))的值為非負（f(x) >0)，則該測試數據是與練習數據相同種類的模 式，即包含于正常區域內。運種情況下（在程序塊53中為"否"的情況下），將由機床進行 的所述加工物的加工診斷為正常加工。
[010引相對于此，若診斷結果（f(x))的值為負（f00<0)，則該測試數據是與練習數據不 同的種類的模式，即，不包含于正常區域內。運種情況下（在程序塊53中為"是"的情況 下），將由機床進行的所述加工物的加工診斷為不良加工。
[0109] 運樣，若W對加工物進行加工時的運轉模式使機床一邊運轉一邊測定的初始測定 數據作為練習數據，而生成一類SVM法的映射空間的正常區域，則能夠利用機床實際對加 工物進行加工時的再測定數據作為測試數據。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，基于在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。而且，通過對加工的良好與不良進行診斷，而 能夠間接地進行由該機床加工的加工物的品質的檢查。
[0110]接著，參照圖6，說明第S實施方式。
[01川圖6是基于診斷結果的故障時期預測的說明圖，橫軸表示時間，縱軸表示SVM識別 器的診斷結果（f(x))的值。該診斷結果（f(x))的值對應于例如圖3所示的映射空間的測 試數據的位置。診斷結果（f(x))的值越從正值接近于0,測試數據的位置越從圖3的正常 區域C的內側接近于正常區域C與非正常區域的交界。并且，在診斷結果（f(x))的值為0 時，測試數據位于交界線上。進而，在診斷結果（f(x))的值為負值時，測試數據位于正常區 域C的外側。
[0112] 圖6的折線I是利用實線將向SVM識別器輸入從機床的出貨時to到當前tl的多 次的測試數據時的診斷結果（f(x))的標繪連結而形成的。如折線I所示，在直至當前tl 為止，標繪包含于診斷結果（f(x))〉0的正常區域。
[0113] 需要說明的是，測試數據的取得間隔可W取任意的時間，而且，取得間隔可W是一 定間隔，也可W是不定期。
[0114] 然而，各個標繪的值隨著時間的經過而處于減少傾向，當延長該傾向時，如虛線II 所示，在時間t2的時刻預測為診斷結果（f(x))的值成為0。
[0115] 需要說明的是，預測可W是基于折線I的外插法，也可W采用其他的任意適合的 方法。
[0116] 運樣，可W將由于診斷結果的時間推移而測試數據從正常區域C脫離的時期預測 作為機床的故障發生時期。運種情況下，時間t2被預想為機床的故障發生時期。因此，可 知在時間t2之前，需要采取檢修等對策。
[0117] 接著，參照圖7,說明第S實施方式。
[0118] 圖7是基于診斷結果的故障時期預測的說明圖，橫軸表示時間，縱軸表示SVM識別 器的診斷結果（f(x))的值。圖7的折線I是利用實線將向SVM識別器輸入從機床的出貨 時to到當前tl為止的多次的測試數據時的診斷結果（f(x))的標繪連結而形成的。如折 線I所示，在直至當前tl之前，標繪包含于診斷結果（f(x))〉0的正常區域。
[0119] 然而，各個標繪的值隨著時間的經過而處于減少傾向，當延長該傾向時，如虛線II 所示，在時間t2的時刻預測為診斷結果（f(x))的值成為0。
[0120] 運樣，通過診斷結果的時間推移，能夠將測試數據從正常區域脫離的時期預測作 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。運種情況下，時間t2 被預想為消耗零件的更換時期、即消耗零件的壽命。因此，可知在時間t2之前，需要更換消 耗零件。
[0121] 接著，參照圖8,說明第五實施方式。
[0122] 在第五實施方式中，使用測試數據作為追加的練習數據，生成一類支持向量機法 的新映射空間的新的正常區域。生成了該新的正常區域的一類SVM法的映射空間的信息存 儲于最新的正常數據庫82。
[0123] 需要說明的是，由練習數據的追加產生的最新的正常數據庫82的更新可W定期 進行，也可W不定期進行。
[0124] 另外，基于出貨時的練習數據的初始的練習信息也保留在出貨時的正常數據庫85 中。
[0125] 在診斷時，首先，基于存儲在最新的正常數據庫82內的練