机床的诊断方法及系统与流程

本发明涉及机床的诊断方法及系统，更详细而言，涉及使用一类支持向量机(SupportVectorMachines：SVM)法进行机床的诊断的诊断方法及系统。

背景技术：
在机床中，会发生使用引起的磨损/劣化这样的历时变化或机械损伤等。因此，以将机床的突然的故障或停止防患于未然为目的，进行定期的检修及零件更换。然而，机床一旦发生异常停止或噪音的发生这样的异常时，需要查明原因、更换零件的筹备或制作、进而也需要对策施工的实施，因此机床的停机时间变长。因此，如下述的专利文献1～3公开那样，提出了在机床发生异常停止等异常事态之前，自动地诊断机床的各种技术。专利文献1～3公开了一种通过将安装于机床的加速度计等传感器的输出信号的数值与规定的阈值进行比较而进行机床的异常诊断的技术。而且，也提出了利用多个传感器的输出信号的方法，但是基本上，通过传感器的输出信号的数值或频率解析等的解析结果的值与规定的阈值进行比较，来诊断异常的有无。然而，在诊断机床的情况下，考虑了如果不是仅利用机床的一个参数的输出信号值而是利用多个参数的话，则能够进行更综合性的诊断。在利用了多个参数的诊断中，可考虑利用例如在统计学中的多变量解析所使用的马哈拉诺比斯法。在马哈拉诺比斯法中，设定考虑了标本数据的参数的相关性的、距标本数据组的分布的中心的基准马哈拉诺比斯距离内的单位空间，判定测定到的对象数据的马哈拉诺比斯距离是否包含于该单位空间。并且，在对象数据的马哈拉诺比斯距离包含于单位空间内时诊断为正常，在不包含时诊断为异常。然而，在马哈拉诺比斯法的映射空间中仅有一个判定为正常的单位空间。因此，在将标本数据组分为多个群组的情况下，将群组间的异常数据都包含于单位空间内。其结果是，在马哈拉诺比斯法中，存在将异常数据误诊断为正常的可能性。【在先技术文献】【专利文献】【专利文献1】日本特开2013-164386号公报【专利文献2】日本特开2008-97363号公报【专利文献3】日本专利4434350号公报

技术实现要素：
【发明要解决的课题】因此，本发明的目的在于提供一种能够实现机床的高精度的诊断的诊断方法及诊断系统。【用于解决课题的方案】为了实现上述的目的，第一发明的机床的诊断方法的特征在于，包括：初始取得工序，一边使机床以规定的运转模式运转，一边测定所述机床的多个参数来取得初始测定数据；生成工序，使用所述初始测定数据作为练习数据，而生成一类支持向量机法的映射空间的正常区域；再取得工序，在所述机床的运转后，一边使所述机床再次以所述规定的运转模式运转，一边测定所述机床的所述多个参数而取得再测定数据；及诊断工序，使用所述再测定数据作为测试数据，基于所述测试数据是否包含于一类支持向量机法的所述映射空间的所述正常区域，来进行所述机床的诊断。这样构成的本发明通过一类SVM法，使用机械学习的模式识别(多个数据的相关关系)来实施机床的诊断。在一类SVM法中，可以生成复杂的多个区域作为正常区域。因此，与使用仅生成椭圆区域的1区域的单位空间的马哈拉诺比斯法相比，能够实现高精度的诊断。此外，在本发明中，使用一边使机床以规定的运转模式运转一边测定了多个参数的初始测定数据作为练习数据，且使用一边以相同的规定的运转模式运转一边测定了多个参数的再测定数据作为测试数据。由此，能够实现更高精度的诊断。另外，机床通常为高价，因此特意弄坏几个机床而取得异常数据的情况并不现实。因此，在本发明中，通过使用正常时的机床的初始测定数据、即正常数据作为练习数据的一类法，进行支持向量机(SupportVectorMachines：SVM)的练习(机械学习)。由此，在本发明中，在诊断之前，无需取得异常数据。因此，根据本发明的机床的诊断方法，能够实现机床的高精度的诊断。另外，在本发明中，优选的是，所述诊断工序在所述测试数据包含于所述正常区域的情况下，将所述机床诊断为正常，在所述测试数据不包含于所述正常区域的情况下，将所述机床诊断为异常。由此，通过一类SVM法，能够实现机床的正常/异常的高精度的诊断。另外，在本发明中，优选的是，所述规定的运转模式是所述机床对加工物进行加工的运转模式，所述诊断工序在所述测试数据包含于所述正常区域的情况下，将由所述机床进行的所述加工物的加工诊断为正常加工，在所述测试数据不包含于所述正常区域的情况下，将由所述机床进行的所述加工物的加工诊断为不良加工。机床在对齿轮或齿轮这样的量产加工品进行加工的情况下，以相同的运转模式反复运转。因此，若将以对加工物进行加工时的运转模式一边使机床运转一边测定的初始测定数据作为练习数据，生成一类SVM法的映射空间的正常区域，则可以将机床实际对加工物进行加工时的再测定数据利用作为测试数据。此时，若机床存在异常，则通过该机床加工的加工品的加工精度也下降，因此加工品的品质也劣化。因此，基于加工时的运转模式下的数据，能够诊断加工物的加工的良好与不良。因此，基于加工品的加工时的数据，能够进行加工品的加工的良/不良的诊断、例如加工品的加工精度或品质的检查。另外，在本发明中，优选的是，所述再取得工序在不同的时期执行多次，所述诊断工序基于所述测试数据的所述映射空间的位置的历时变化，将所述测试数据从所述正常区域脱离的时期预测作为所述机床的故障发生时期。这样，能够将由于诊断结果的时间推移而测试数据从正常区域脱离的时期预测作为机床的故障发生时期。另外，在本发明中，优选的是，所述再取得工序在不同的时期执行多次，所述诊断工序基于所述测试数据的所述映射空间的位置的历时变化，将所述测试数据从所述正常区域脱离的时期预测作为向所述机床装入的消耗零件的更换时期。这样，能够将由于诊断结果的时间推移而测试数据从正常区域脱离的时期作为车刀等切削工具或砂轮这样的向机床装入的消耗零件的更换时期进行寿命预测。另外，在本发明中，优选的是，所述机床的诊断方法还包括如下工序：使用所述测试数据作为追加的练习数据，而生成一类支持向量机法的新的映射空间的新的正常区域，所述诊断工序中，在所述测试数据不包含于所述新的正常区域的情况下，将所述机床诊断为异常，在所述测试数据虽然包含于所述新的正常区域但不包含于初始的正常区域的情况下，将所述机床诊断为历年劣化，在所述测试数据包含于所述新的正常区域及所述初始的正常区域的情况下，将所述机床诊断为正常。包含机床的机械通常因历年而特性变化。该特性的历年变化未必是机械的异常，反而多是比机械的出货时更稳定的运转状态。因此，当仅基于初始的练习数据进行机床的诊断时，诊断的精度可能逐渐下降。因此，将测试数据作为追加的练习数据，来更新一类SVM法的映射空间的正常区域，由此与机床的故障诊断另行地进行历年劣化诊断，从而能够实现防止诊断精度的下降。另外，为了实现上述的目的，第二发明的机床的诊断系统的特征在于，具备：测定单元，一边使机床以规定的运转模式运转，一边测定所述机床的多个参数而输出初始测定数据，在所述机床的运转后，一边使所述机床再次以所述规定的运转模式运转，一边测定所述机床的所述多个参数而输出再测定数据；练习单元，使用所述初始测定数据作为练习数据，生成一类支持向量机法的映射空间的正常区域；存储单元，存储所述映射空间的所述正常区域；及诊断单元，使用所述再测定数据作为测试数据，基于所述测试数据是否包含于一类支持向量机法的所述映射空间的所述正常区域，来进行所述机床的诊断。这样构成的本发明通过一类SVM法，使用机械学习的模式识别(多个数据的相关关系)来实施机床的诊断。进而，在本发明中，将使机床一边以规定的运转模式运转一边测定了多个参数的初始测定数据使用作为练习数据，并将一边以相同的规定的运转模式运转一边测定多个参数的再测定数据使用作为测试数据。由此，根据第二发明的机床的诊断系统，与第一发明同样，能够实现机床的高精度的诊断。另外，在本发明中，优选的...