本发明涉及加工状态的异常检测装置以及机器学习装置。
背景技术：
在机床中，因工具的磨损或破损、加工负载的变动、切削液等加工环境的变化、干扰等而产生加工不良。此外，有时也因对加工完成的工件进行再次加工而产生加工不良。这些都不是正常的加工状态，希望对这些加工状态的异常进行检测而能够未然地判断加工不良的产生。
作为检测加工状态异常的现有技术，例如在日本特开2007-52797号公报中公开了如下技术：根据程序或加工内容来预先设定采样点，计算每一采样点的平均值或标准偏差值而比较进行了多次加工时取得的数据，从而检测加工状态的异常。此外，在日本特开平05-285788号公报中公开了如下技术：预先对正常地进行了预定动作时的动作状态的数据进行存储，在进行检查时进行预定动作，将相对于该预定动作的正常状态下的动作状态的数据与检查时的监视数据进行比较来进行动作是否正常的判断。
然而，在日本特开2007-52797号公报所公开的技术中，存在如下问题：需要预先设定与特定的程序或加工内容相对应的采样点，无法检测与加工内容等无关的异常。此外，在日本特开平05-285788号公报所公开的技术中，存在如下问题：由于需要在检查时进行预定动作的执行，因此无法应用于加工时的异常检测。
技术实现要素：
因此，本发明的目的在于，提供无论加工内容如何都可以检测机床的加工状态的异常的异常检测装置以及机器学习装置。
在本发明的异常检测装置中，取得加工中的电动机的速度或电流、机械的振动或可听到的声音等物理量来作为时间上连续的离散值，并设为相当于一个加工周期或者任意区间的波形数据，进行基于机床正常动作时取得的该波形数据的机器学习，基于学习结果从新加工时取得的波形数据中检测异常状态，判断加工状态的异常，由此解决上述课题。本发明处理的波形数据可以直接使用从机床或设置于该机床的传感器等取得的时间上连续的离散值，也可以像光谱解析该波形数据而获得的频率成分的值等那样，使用能够以直接地/间接地进行表现的其他形式来表现波形的数据。此外，在本发明的异常检测装置中，通过将所述波形数据与程序关联起来，确定程序内的加工为异常的程序块。进而，本发明的异常检测装置通过由进行相同加工的多台机床间共享模型，由此可以检测进行异常加工的机床。
本发明的一方式的异常检测装置，对加工工件的机床的异常进行检测，该异常监测装置具有：机器学习装置，其学习在该机床正常动作时检测的物理量的波形数据。
所述机器学习装置的第一方式具备：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；以及学习部，其使用所述状态变量，学习所述机床正常动作时检测的物理量的波形数据的特征。
所述学习部可以具备：集群构筑部，其构筑所述机床正常动作时检测的物理量的波形数据的集群。
所述机器学习装置的第二方式具备：状态观测部，其将所述机床动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其取得表示所述机床的动作的正常性的判定数据；以及学习部，其使用所述状态变量和所述判定数据，将所述机床动作时检测的物理量的波形数据与所述机床动作的正常性关联起来进行学习。
所述学习部可以具备：误差计算部，其对由物理量的波形数据引导所述机床的动作的正常性的相关性模型与从预先准备的教师数据中识别的相关性特征的误差进行计算，该物理量的波形数据是根据所述状态变量和所述判定数据而在所述机床动作时检测的；和模型更新部，其以缩小所述误差的方式来更新所述相关性模型。
在所述机器学习装置的第一和第二方式中，
所述学习部可以通过多层结构来运算所述状态变量。所述机器学习装置还可以具备：输出利用部，其基于所述学习部的学习结果、机床动作时获得的所述状态变量，来输出所述机床的动作状态。所述学习部也可以使用相对于多台机床中的每一台而获得的所述状态变量，学习与该多台机床共通的正常动作时检测的物理量的波形数据。
作为本发明的一方式的机器学习装置的第一方式，学习加工工件的机床正常动作时检测的物理量的波形数据，该机器学习装置具备：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；以及学习部，其使用所述状态变量，学习所述机床正常动作时检测的物理量的波形数据的特征。
作为本发明的一方式的机器学习装置的第二方式，学习加工工件的机床正常动作时检测的物理量的波形数据，该机器学习装置具备：状态观测部，其将所述机床动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其取得表示所述机床的动作的正常性的判定数据；以及学习部，其使用所述状态变量和所述判定数据，将所述机床动作时检测的物理量的波形数据与所述机床的动作的正常性关联起来进行学习。
通过本发明，无论使机床进行特定的动作或依存于特定的加工内容，都能够检测一般的加工动作中的机床的加工状态的异常。
附图说明
图1是表示第一实施方式的异常检测装置的概略功能框图。
图2是例示从机床检测的各值的波形数据的图。
图3是表示异常检测装置的其他方式的概略功能框图。
图4a是说明神经元的图。
图4b是说明神经网络的图。
图4c是说明自动编码器的图。
图5是第二实施方式的异常检测装置的概略功能框图。
图6是表示加工系统的一方式的概略功能框图。
图7是表示加工系统的其他方式的概略功能框图。
图8是在第一实施方式中使用了监督学习时的异常检测装置的概略功能框图。
图9是在第二实施方式中使用了监督学习时的异常检测装置的概略功能框图。
具体实施方式
图1是第一实施方式的异常检测装置10的概略功能框图。异常检测装置10具备：机器学习装置20，其包含用于通过所谓的机器学习来自主学习在正常动作的机床中进行的加工中检测的物理量的值(主轴电动机/伺服电动机的电流值或速度值、从机床检测的振动值、可听到的声音等)所涉及的相当于一个加工周期或者任意区间的波形数据的软件(学习算法等)以及硬件(计算机的cpu等)。异常检测装置10所具备的机器学习装置20学习的内容与在加工中从正常动作的机床检测的物理量的值所涉及的相当于一个加工周期或者任意区间的波形数据的模型结构相当。
如图1的功能块所示，异常检测装置10所具有的机器学习装置20具备：状态观测部22，其对包含表示正常动作的机床(未图示)所进行的加工中检测出的各值(主轴电动机/伺服电动机的电流值或速度值、从机床检测的振动值、可听到声音等)的波形数据s1的、表示环境的当前状态的状态变量s进行观测；以及学习部26，其使用该状态变量s来学习机床正常动作时的波形数据s1。
状态观测部22例如可以构成为计算机的cpu的一个功能。或者状态观测部22例如可以构成为用于使计算机的cpu发挥作用的软件。在状态观测部22观测的状态变量s中，波形数据s1例如能够通过附设于机床的多个测定装置(未图示)来取得。波形数据s1例如像图2等所例示那样，包含：主轴电动机的电流值、主轴电动机的速度值、伺服电动机的电流值、伺服电动机的速度值、从机床检测的振动值、可听到的声音等。
作为波形数据s1的电动机的电流值或速度值，可以取得为来自放大器或安装于电动机的脉冲编码器等的反馈值。此外，作为波形数据s1的振动值例如可以通过加速度传感器或ae传感器、速度传感器、涡电流型传感器等测定装置来取得。进而，作为波形数据s1的可听到的声音可以使用麦克风等测定装置来取得。
状态观测部22例如像图2等所例示那样，取得观测到的各值作为以预定的采样周期△t而进行了采样的在时间上连续的离散值，可以用作波形数据s1。状态观测部22也可以将在一个加工周期取得的值用作波形数据s1。此外，状态观测部22也可以将任意时间区间中取得的值用作波形数据s1。状态观测部22在学习部26所进行的一次学习中，将在相同的时间范围内取得的各值的波形数据输出给学习部26。
这样，在异常检测装置10所具备的机器学习装置20进行学习的期间、环境中，通过多个测定装置来进行正常动作的机床所进行的加工中的各电动机的电流值或速度值、振动值、可听到的声音等的检测。
学习部26例如可以构成为计算机的cpu的一个功能。或者，学习部26例如可以构成为用于使计算机的cpu发挥作用的软件。学习部26按照被统称为机器学习的任意的学习算法来学习波形数据，该波形数据表示正常动作的机床所进行的加工中检测出的各值。学习部26可以针对正常动作的机床所进行的加工，反复执行基于包含所述状态变量s的数据集合的学习。
通过重复这样的学习周期，学习部26可以将加工中从正常动作的机床检测的值的相当于一个周期或者任意区间的波形数据的数据集合的暗示特征构成为集群。在开始学习算法时，波形数据s1的集群实际上未知，但是学习部26随着进行学习而逐渐地识别特征并构成集群。波形数据s1的集群若被解释到能够在一定程度上可信的水平的话，则学习部26反复输出的学习结果可以用于判断当前状态是否进行基于正常动作的机床的加工。
如上所述，在异常检测装置10所具备的机器学习装置20中，使用状态观测部22观测到的状态变量s，学习部26按照机器学习算法，学习从正常动作的机床检测的各值的波形数据。从正常动作的机床检测的各值的波形数据s1包含从正常动作的机床检测出的值的在时间上的变化，此外，还包含同时检测出的电动机的速度值或电流值、振动值等各值的相互关系。因此，根据异常检测装置10所具备的机器学习装置20，通过使用学习部26的学习结果，无论以运算或估算的方式都可以自动且准确地求出由机床进行的加工的动作处于正常的动作范畴。
如果无论以运算或估算的方式都可以自动求出由机床进行的加工的动作处于正常的动作范畴，则只通过取得从当前的机床取得的各值的波形数据(波形数据s1)，就可以快速地判断当前机床的加工动作是否正常。
作为异常检测装置10所具备的机器学习装置20的一变形例，学习部26可以对于具有相同的机器结构的多个机床中的每一使用获得的状态变量s，并学习这些各机床中的每一个的正常动作时检测的各值的波形数据。根据该结构，由于可以增加包含在一定时间内取得的状态变量s在内的数据集合的量，因此可以将更多样的数据集合作为输入，从而提升从正常动作的机床检测的各值的波形数据的学习速度或可靠性。
在具有上述结构的机器学习装置20中，学习部26执行的学习算法没有特别限定，例如作为无监督学习、神经网络等机器学习可以采用公知的学习算法。
图3是图1所示的异常检测装置10的其他方式，作为学习算法的其他示例而示出具有执行无监督学习的学习部26的结构。
无监督学习是如下方法：在预先大量地给予所输入的数据集的状态下，根据该数据集所含的各数据的属性来对这些各数据集进行分类等，提取该数据集的特征而进行学习。这里所说的数据集的特征是指，针对数据集所含的各数据的数据项目值的时间序列的变化的相关样式的、该数据集的空间中的各数据的分布状态，可以根据该数据集的特征来解释各数据的特性。
在图3所示的异常检测装置10所具备的机器学习装置20中，学习部26具备：集群构筑部36，其从状态变量s中构筑机床正常动作时检测的各值的波形数据s1的集群。通过集群构筑部36根据波形数据s1的多个数据集，例如使用k-means法或混合高斯模型等周知的算法来构筑集群c(在已经构筑完成时再构筑)，由此学习部26学习机床正常动作时检测的各值的波形数据s1。
在进行所述无监督学习时，可以使用神经网络。图4a示意性地表示神经元模型。图4b示意性地表示将图4a所示的神经元组合而构成的三层神经网络的模型。例如可以由模拟了神经元模型的运算装置或存储装置等来构成神经网络。
图4a所示的神经元输出针对多个输入x(这里，作为一个例子为输入x1～输入x3)的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出由如下数学式(1)表现的输出y。另外，在数学式(1)中，输入x、输出y以及权重w都是向量。此外，θ是偏置(bias)，fk是激活函数。
图4b所示的三层神经网络从左侧输入多个输入x(这里作为一例为输入x1～输入x3)，从右侧输出结果y(这里作为一例是结果y1～结果y3)。在图示的例子中，输入x1、x2、x3分别乘以对应的权重(统一标记为w1)，各输入x1、x2、x3均被输入到三个神经元n11、n12、n13。
在图4b中，将神经元n11～n13的各自输出统一标记为z1。z1可以看作是提取出输入向量的特征量后的特征向量。在图示的例子中，特征向量z1分别乘以对应的权重(统一标记为w2)，各特征向量z1均被输入到两个神经元n21、n22。特征向量z1表示权重w1与权重w2之间的特征。
在图4b中，将神经元n21～n22的各自输出统一标记为z2。z2可以看作是提取出特征向量z1的特征量后的特征向量。在图示的例子中，特征向量z2分别乘以对应的权重(统一标记为w3)，各特征向量z2均被输入到三个神经元n31、n32、n33。特征向量z2表示权重w2与权重w3之间的特征。最后，神经元n31～n33分别输出结果y1～y3。
图4c是表示由神经网络构成的公知的自动编码器的图。通过使用图4c所示的自动编码器，可以进行机床正常动作时检测的各值的波形数据s1的无监督学习。
在异常检测装置10所具备的机械学习装置20中，将状态变量s设为输入x，学习部26进行按照上述神经网络的多层结构的运算，由此可以将从正常动作的机床检测的各值的波形数据s1所属的集群或自集群中心的距离(结果y)输出。另外，在神经网络的动作模式中存在学习模式和价值预测模式，例如可以在学习模式中使用学习数据集来学习权重w，并使用该学习到的权重w在价值预测模式中进行行为的价值判断。另外，在价值预测模式中也可以进行检测、分类、推论等。
上述异常检测装置10的结构可以记述为计算机的cpu执行的机器学习方法(或者软件)。该机器学习方法是学习机床正常动作时检测的各值的波形数据s1的机器学习方法，具有如下步骤：计算机的cpu将机床正常动作时检测的各值的波形数据s1作为表示进行基于机床的加工的环境的当前状态的状态变量s进行观测的步骤；以及计算机的cpu通过构筑机床正常动作时检测的各值的波形数据s1的集群来学习该波形数据s1的步骤。
图5表示第二实施方式所涉及的异常检测装置40。该异常检测装置40具备：机器学习装置50、以及取得状态观测部22观测的状态变量s的波形数据s1来作为状态数据s0的状态数据取得部42。状态数据取得部42可以从附设于机械的所述多个测定装置取得状态数据s0。
异常检测装置40所具有的机器学习装置50除了用于通过机器学习来自主学习机床正常动作时检测的各值的波形数据s1的软件(学习算法等)以及硬件(计算机的cpu等)之外，还包含用于根据学习到的机床正常动作时检测的各值的波形数据，来针对作业员输出当前机床的动作是否是正常动作的软件(运算算法等)以及硬件(计算机的cpu等)。异常检测装置40包含的机器学习装置50也可以具有由一个共通的cpu执行学习算法、运算算法等所有软件的结构。
输出利用部52例如可以构成为计算机的cpu的一功能。或者，输出利用部52例如可以构成为使计算机的cpu发挥作用的软件。输出利用部52根据学习部26学习到的机床正常动作时检测的各值的波形数据，通过对异常检测装置40具备的显示器(未图示)的画面显示或指示灯(未图示)、来自扬声器(未图示)的声音输出等，来对作业员输出表示当前机床的动作是否是正常动作的警告值a。输出利用部52显示机床的动作状态，作业员可以据此来判断工件是否由正常的动作所加工。
具有上述结构的异常检测装置40所具备的机器学习装置50实现与所述机器学习装置20相同的效果。
图6表示具备机床60的一实施方式的加工系统70。加工系统70构成为具有：多台机床60、60’，其具有相同的机械结构；网络72，其将这些机床60、60’相互连接，多台机床60、60’中的至少一个具备上述异常检测装置40的机床60。此外，加工系统70可以包含不具备异常检测装置40的机床60’。机床60、60’具有加工工件所需的一般的机床所具备的结构。
就具有上述结构的加工系统70而言，多台机床60、60’中的具有异常检测装置40的机床60使用学习部26的学习结果，针对从机床60、60’检测的各值的波形数据，无论以运算或估算的方式都可以自动且准确地求出该机床60、60’是否正常动作。此外，至少一台机床60的异常检测装置40可以构成为根据相对于其他多台机床60、60’中的每一台而取得的状态变量s，学习与所述机床60、60’共通的、从正常动作的机床检测的各值的波形数据，所有机床60、60’共享该学习结果。因此，根据加工系统70，将更多样的数据集合(包含状态变量s)设为输入，可以提升从正常动作的机床检测的各值的波形数据的学习速度和可靠性。
图7表示具备机床60’的其他实施方式的加工系统70’。加工系统70’具有：机器学习装置50(或者20)、具有相同的机械结构的多台机床60’、将这些机床60’与机器学习装置50(或者20)相互连接的网络72。
就具有上述结构的加工系统70’而言，机器学习装置50(或者20)根据相对于多台机床60’中的每一台而取得的状态变量s，学习与所述机床60’共通的、从正常动作的机床检测的各值的波形数据，使用该学习结果，针对从机床60’检测的各值的波形数据，无论以运算或估算的方式都可以自动且准确地判断该机床60’是否正常动作。
加工系统70’可以具有使机器学习装置50(或者20)存在于在网络72上准备的云服务器的结构。根据该结构，可以不论多台机床60’各自存在的场所和日期时间，将在需要时所需数量的机床60’与机器学习装置50(或者20)连接。
从事于加工系统70、70’的作业员可以在基于机器学习装置50(或者20)的学习开始后的适当时期，判断基于机器学习装置50(或者20)的从正常动作的机床检测的各值的波形数据的学习的完成度(即基于从机床检测的各值的波形数据的动作的正常性判断的可靠性)是否达到要求水平。
以上，对本发明的实施方式进行了说明，但是本发明并非只限定于上述实施方式的示例，可以通过增加适当的变更以各种方式来实施。
例如，机器学习装置20、50执行的学习算法、机器学习装置50执行的运算算法、异常检测装置10、40执行的控制算法等不限定于上述算法，可以采用各种算法。
此外，作为机器学习装置20、50执行的学习算法，还可以使用监督学习。
图8是图1所示的异常检测装置10的其他方式，作为学习算法的其他例子示出具有执行监督学习的学习部26的结构。监督学习是如下方法：预先大量地给予输入与对应该输入的输出的已知的数据集(称为教师数据)，从这些教师数据识别对输入和输出的相关性进行暗示的特征，由此，学习用于推定针对新输入的所需的输出的相关性模型。
在图8所示的异常检测装置10所具备的机器学习装置20中，学习部26具有：误差计算部32，其根据状态变量s以及判定数据d，对由从正常动作的机床取得的各值的波形数据引导该机床的动作的正常性的相关性模型m与从预先准备的教师数据t中识别的相关性特征的误差e进行计算；以及模型更新部34，其以缩小误差e的方式来更新相关性模型m。学习部26通过模型更新部34重复更新相关性模型m而学习从进行加工动作的机床检测出的各值的波形数据与该机床的动作的正常性的相关性。
相关性模型m的初始值例如使状态变量s与判定数据d的相关性简单化来进行表现，并在开始监督学习之前被给予到学习部26。教师数据t例如可以通过对在过去的机床进行的加工中熟练的作业员所决定的机床的动作的正常性相关的判断进行记录，从而由蓄积的经验值构成，并在开始监督学习之前被给予到学习部26。误差计算部32从给予到学习部26的大量的教师数据t中识别相关性特性，求出该相关性特性与对应于当前状态下的状态变量s以及判定数据d的相关性模型m的误差e，所述相关性特性暗示从进行加工动作的机床检测出的各值的波形数据与关于该机床的动作的正常性的判断的相关性。模型更新部34例如按照预先确定的更新规则，向误差e变小的方向更新相关性模型m。
在下一个学习周期中，误差计算部32使用按照更新后的相关性模型m来试行基于机床的加工动作而有所变化的状态变量s以及判定数据d，关于与这些变化的状态变量s以及判定数据d对应的相关性模型m求出误差e，模型更新部34再次更新相关性模型m。这样，未知的环境的当前状态(从进行了加工动作的机床检测出的各值的波形数据)与对此的判断(机床的动作的正常性的判断)的相关性逐渐明确。
图9是图5所示的异常检测装置40的其他方式，是作为学习算法的其他例子而具备执行监督学习的学习部26的结构例。在图9的结构中，输出利用部52根据学习部26学习到的、机床正常动作时检测的各值的波形数据，并通过对异常检测装置40具备的显示器(未图示)的画面显示或指示灯(未图示)、来自扬声器(未图示)的声音输出等而针对作业员输出当前机床的动作是否是正常动作。输出利用部52显示机床的动作状态，作业员可以据此来判断工件是否由正常的动作所加工。