机床的工具的异常检测装置及方法与流程

本发明涉及对机床的工具的异常进行检测的异常检测装置及方法。

背景技术：

在机床的加工/磨削中，当产生了工具的磨损或缺损时，产生加工工件的加工精度变差，产生不良工件。由于不良工件的产生，成品率变差，并且有时根据加工工件而导致高价，在该情况下也有时产生高额的不良损失。因此，提出实时测定加工中的各种信号，并根据其阈值，进行工具的异常诊断的方法(专利文献1～3)。

现有技术文献

专利文献1：日本特开2016-40072号公报

专利文献2：日本专利第5831216号公报

专利文献3：日本专利第5710391号公报

技术实现要素：

发明所要解决的课题

在上述专利文献1～3中，所取得的诊断信号各不相同，例如如图13所例示的那样，通过对作为诊断信号之一的主轴载荷进行阈值设定，并进行与该阈值的比较，来进行异常诊断。然而，这样的信号(加工载荷(主轴载荷)、切削力、切削振动等)根据切削条件(工具种类、工件材料、切入量(切屑排出量)、进给速度、主轴转速等)而变化，因此难以进行阈值的设定，因此，在上述专利文献3中，公开了决定用于异常诊断的阈值的方法。这样，由于以往的异常诊断中难以设定其阈值，使用难以设定的阈值进行异常诊断，因此无法期望其诊断精度的提高。

本发明是鉴于上述课题而作出，目的在于提供能够提高诊断精度的机床的工具的异常检测装置及方法。

用于解决课题的技术方案

解决上述课题的第一发明的机床的工具的异常检测装置是对机床的工具的异常进行检测的异常检测装置，上述机床的工具的异常检测装置的特征在于，具有：

取得部，取得与上述工具相关的多个测定值作为测定数据；

第一学习部，通过一类机器学习来学习在正常状态下的加工时取得的上述测定数据，来生成正常模型；

诊断部，在生成了上述正常模型后的加工时取得上述测定数据，并基于上述正常模型，对该测定数据是正常还是异常进行诊断；及

再诊断部，通过与上述诊断部不同的方法对由上述诊断部诊断为异常的上述测定数据进行再诊断。

解决上述课题的第二发明的机床的工具的异常检测装置的特征在于，

在上述第一发明所记载的机床的工具的异常检测装置的基础上，

上述第一学习部通过上述一类机器学习来学习在上述诊断部中未被诊断为异常的上述测定数据及在上述再诊断部中未被诊断为异常的上述测定数据，来更新上述正常模型。

解决上述课题的第三发明的机床的工具的异常检测装置的特征在于，

在上述第一或者第二发明所记载的机床的工具的异常检测装置的基础上，

上述机床的工具的异常检测装置还具有处理部，当上述测定数据在上述诊断部或者上述再诊断部中被诊断为异常时，上述处理部使基于上述工具的加工停止。

解决上述课题的第四发明的机床的工具的异常检测装置的特征在于，

在上述第一～第三中任一个发明所记载的机床的工具的异常检测装置的基础上，

上述第一学习部还通过上述一类机器学习来学习与加工时的加工条件及切削信息相关的设定数据，来生成或者更新上述正常模型。

解决上述课题的第五发明的机床的工具的异常检测装置的特征在于，

在上述第一～第四中任一个发明所记载的机床的工具的异常检测装置的基础上，

上述机床的工具的异常检测装置还具有预测部，上述预测部在上述一类机器学习为导入了核方法的一类支持向量机的情况下，通过该机器学习生成根据正负来诊断上述测定数据是正常还是异常的识别函数，基于输入了上述测定数据后的上述识别函数的值的随时间的变化，预测上述值从正值变为0的时刻作为上述工具的更换时期。

解决上述课题的第六发明的机床的工具的异常检测装置的特征在于，

在上述第一～第五中任一个发明所记载的机床的工具的异常检测装置的基础上，上述机床的工具的异常检测装置还具有：

第二学习部，通过多类机器学习来学习由上述诊断部诊断为异常并蓄积的多个上述测定数据，来生成诊断模型；及

分类部，在生成了上述诊断模型后的加工时取得上述测定数据，并基于上述诊断模型，对该测定数据的状态进行分类，从而对上述工具的异常状态进行分类。

解决上述课题的第七发明的机床的工具的异常检测装置的特征在于，

在上述第六发明所记载的机床的工具的异常检测装置的基础上，

上述第二学习部在生成了上述诊断模型后，通过上述多类机器学习来学习由上述诊断部诊断为异常的上述测定数据，来更新上述诊断模型。

解决上述课题的第八发明的机床的工具的异常检测方法是对机床的工具的异常进行检测的异常检测方法，上述机床的工具的异常检测方法的特征在于，具有如下的工序：

取得工序，取得与上述工具相关的多个测定值作为测定数据；

第一学习工序，通过一类机器学习来学习在正常状态下的加工时取得的上述测定数据，来生成正常模型；

诊断工序，在生成了上述正常模型后的加工时取得上述测定数据，并基于上述正常模型，对该测定数据是正常还是异常进行诊断；及

再诊断工序，通过与上述诊断工序不同的方法对由上述诊断工序诊断为异常的上述测定数据进行再诊断。

解决上述课题的第九发明的机床的工具的异常检测方法的特征在于，

在上述第八发明所记载的机床的工具的异常检测方法的基础上，

上述第一学习工序通过上述一类机器学习来学习在上述诊断部中未被诊断为异常的上述测定数据及在上述再诊断部中未被诊断为异常的上述测定数据，来更新上述正常模型。

解决上述课题的第十发明的机床的工具的异常检测方法的特征在于，

在上述第八或者第九发明所记载的机床的工具的异常检测方法的基础上，

所述机床的工具的异常检测方法还具有处理工序，当上述测定数据在上述诊断工序或者上述再诊断工序中被诊断为异常时，使基于上述工具的加工停止。

解决上述课题的第十一发明的机床的工具的异常检测方法的特征在于，

在上述第八～第十中任一个发明所记载的机床的工具的异常检测方法的基础上，

上述第一学习工序还通过上述一类机器学习来学习与加工时的加工条件及切削信息相关的设定数据，来生成或者更新上述正常模型。

解决上述课题的第十二发明的机床的工具的异常检测方法的特征在于，

在上述第八～第十一中任一个发明所记载的机床的工具的异常检测方法的基础上，

上述机床的工具的异常检测方法还具有预测工序，上述预测工序在上述一类机器学习为导入了核方法的一类支持向量机的情况下，通过该机器学习生成根据正负来诊断上述测定数据是正常还是异常的识别函数，基于输入了上述测定数据后的上述识别函数的值的随时间的变化，预测上述值从正值变为0的时刻作为上述工具的更换时期。

解决上述课题的第十三发明的机床的工具的异常检测方法的特征在于，

在上述第八～第十二中任一个发明所记载的机床的工具的异常检测方法的基础上，上述机床的工具的异常检测方法还具有：

第二学习工序，通过多类机器学习来学习由上述诊断工序诊断为异常并蓄积的多个上述测定数据，来生成诊断模型；及

分类工序，在生成了上述诊断模型后的加工时取得上述测定数据，并基于上述诊断模型，对该测定数据的状态进行分类，从而对上述工具的异常状态进行分类。

解决上述课题的第十四发明的机床的工具的异常检测方法的特征在于，

在上述第十三发明所记载的机床的工具的异常检测方法的基础上，

上述第二学习工序在生成了上述诊断模型后，通过上述多类机器学习来学习由上述诊断工序诊断为异常的上述测定数据，来更新上述诊断模型。

发明效果

根据本发明，能够提高诊断精度。

附图说明

图1是表示本发明的机床的工具的异常检测装置的实施方式的一例(实施例1)的结构图。

图2是表示作为诊断对象的机床的一例的立体图。

图3是对基于一类机器学习的正常数据空间进行说明的图。

图4是对由图1所示的机床的工具的异常检测装置实施的异常检测方法的处理流程进行说明的图。

图5是表示本发明的机床的工具的异常检测装置的实施方式的另外一例(实施例2)的结构图。

图6是对图5所示的机床的工具的异常检测装置的数据间的相关关系进行说明的图。

图7是对追加设定数据引起的正常数据空间的变化进行说明的图。

图8是表示本发明的机床的工具的异常检测装置的实施方式的另外一例(实施例3)的结构图。

图9是对基于由图8所示的机床的工具的异常检测装置诊断出的结果的预测更换时期进行说明的图。

图10是表示本发明的机床的工具的异常检测装置的实施方式的另外一例(实施例4)的结构图。

图11是对由图10所示的机床的工具的异常检测装置实施的异常检测方法的处理流程进行说明的图。

图12是对基于多类机器学习的多个异常数据空间进行说明的图。

图13是对基于以往进行的阈值的异常诊断进行说明的图。

具体实施方式

以下，参照图1～图12，对本发明的机床的工具的异常检测装置及方法的几个实施方式进行说明。另外，在此，作为诊断对象的机床，图2例示出门形加工机，但本发明也能够应用于使用工具的其他机床。

[实施例1]

图1是表示本实施例的机床的工具的异常检测装置的结构图，图2是表示作为诊断对象的机床的一例的立体图。另外，图3是对基于一类机器学习的正常数据空间进行说明的图，图4是对由图1所示的机床的工具的异常检测装置实施的异常检测方法的处理流程进行说明的图。

首先，参照图2，对诊断对象的机床的结构进行说明。在本实施例中，作为诊断对象的机床是门形加工机10。该门形加工机10具有床身11、工作台12、立柱部13、横导轨14、床鞍15、滑块16、主轴17、配件18、工具单元19、工具t等。

床身11水平设置在地板面上，在床身11上设置有工作台12及立柱部13。工作台12是载置被加工物即工件(省略图示)的台，并设为在床身11上能够沿着一个水平方向移动。立柱部13为以跨越床身11的方式配置的门形的形状，并具有在床身11的左右垂直地立设的两个左立柱13l及右立柱13r。横导轨14以水平地横穿左立柱13l及右立柱13r的方式安装，并设为能够沿着左立柱13l及右立柱13r的铅垂方向滑动面而沿铅垂方向移动。

床鞍15安装于横导轨14，并设置为能够沿着横导轨14的水平方向滑动面而沿水平方向移动。滑块16由床鞍15把持，并设为被床鞍15的铅垂方向滑动面引导而能够沿铅垂方向移动。主轴17配置于滑块16的内部，能够通过后述的主轴马达24而进行旋转。另外，在主轴17上经由配件18而安装有具有工具t的工具单元19。

如图1所示，为了检测该工具t的异常，例如为了检测工具磨损、工具折损、崩刃、缺损等工具t自身的异常或基于工具t的加工状态的异常，在具有上述结构的门形加工机10中设有测定工具t(主轴17)的振动的振动传感器21、测定工具t(主轴17)的切削力的切削动力计22及测定工具t(主轴17)的声音的声音传感器23。另外，从驱动主轴17的主轴马达24测定主轴载荷44或电力值46。另外，例如，从驱动滑块16的进给马达25测定马达电流45或电力值46。另外，在此，将驱动滑块16的进给马达25作为代表而进行例示，但进给马达与移动方向(例如xyz方向)对应地设有多个。

并且，由振动传感器21测定出的振动作为振动信息41，由切削动力计22测定出的切削力作为切削力信息42，由声音传感器23测定出的声音作为声音信息43，被异常检测装置30a的取得部40a取得，另外，上述主轴载荷44、马达电流45、电力值46也被取得部40a取得，用于后述的机器学习、诊断。

另外，以下，将振动信息41、切削力信息42、声音信息43、主轴载荷44、马达电流45、电力值46统一称为测定数据。另外，在此，作为测定数据，例示了振动信息41、切削力信息42、声音信息43、主轴载荷44、马达电流45、电力值46，但只要是与工具t相关的测定数据，也可以追加其他测定数据。

异常检测装置30a为了检测门形加工机10的工具t的异常，除了具有上述取得部40a以外，还具有：正常模型部31(第一学习部)、异常诊断部32(诊断部)、异常处理部33(处理部)及再诊断部34。

在异常检测装置30a中，正常模型部31使用在正常的状态下的加工时取得到的测定数据，通过一类机器学习生成正常模型，在生成后更新正常模型。另外，异常诊断部32在生成了正常模型后的加工时取得测定数据，并且基于由正常模型部31生成的正常模型，实施该测定数据的异常诊断。另外，异常处理部33在由异常诊断部32、再诊断部34诊断为测定数据异常时，进行异常处理，例如发出警报，或显示报警，或停止门形加工机10的基于工具t的加工。另外，再诊断部34针对由异常诊断部32诊断为异常的测定数据，通过与异常诊断部32不同的方法实施再诊断。

另外，作为上述异常检测装置30a，能够使用计算机等，作为其装置结构而具有输入装置、通信装置、运算装置、存储装置及输出装置等。例如，上述测定数据使用输入装置或者通信装置来取得，取得的测定数据由运算装置进行运算处理(诊断及机器学习)，在为正常诊断时，生成或者更新正常模型并存储于存储装置，在为异常诊断时，使用输出装置或者通信装置来进行上述异常处理。另外，用于诊断、机器学习及异常处理的程序也存储于存储装置。

并且，在上述异常检测装置30a的正常模型部31中，预先进行预处理。具体而言，在门形加工机10及工具t为正常状态时，预先以预定的加工模式进行加工，使用此时进行测定并由取得部40a取得到的测定数据，通过一类机器学习生成正常模型(第一学习工序)。作为预定的加工模式，优选的是实际使用的加工模式，但也可以是基本的动作的加工模式等其他任意的加工模式。

如上述那样，在本实施例中，为了检测工具t的异常而应用了机器学习，但很多情况下难以取得异常状态下的测定数据，因此使用能够以一类(正常模型)进行诊断的一类机器学习。作为机器学习采用一类机器学习，从而能够仅通过正常状态下的加工时的测定数据进行异常诊断。

作为一类的机器学习，能够应用一类支持向量机法(以下，一类svm法)或不变量解析等。在此，作为一例，使用导入了核方法的一类svm法。

在此，对导入了核方法的一类svm法进行说明。首先，核κ是特征空间中的向量数据彼此的内积。在这里的一类svm法中，作为一例，使用下述式(1)所示的高斯核，在下述式(1)中，x、z是特征空间的向量数据，σ是核参数。

数学式1

并且，在导入了核方法的一类svm法中，相对于下述式(2)所示的评价函数求出最佳的α。

数学式2

在上述式(2)中，xi(i＝1，2，…，l)，xj(j＝1，2，…，l)是练习数据，通过提供这些数据，进行求解最佳的α的机器学习(练习)。另外，l是练习数据的个数。另外，ν是将练习数据视为离群值的比例的上限值(软间隔)，为0＜ν≤1的范围。例如，当设定为ν＝0.1时，最大将全部练习数据的10％视为离群值。另外，αi与练习数据xi密切相关，将使αi＞0的xi称为支持向量。使用通过练习而得到的αi，由此能够生成下述式(3)中所示的用正负来识别正常还是异常的识别函数g(x)，使用该识别函数g(x)而完成svm识别器。

数学式3

在上述式(3)中，sgn{}是符号函数，在基于识别函数g(x)的诊断值a≥0时，即测定数据x属于与练习数据xi相同类时，返回“+1”，在诊断值a＜0时，即测定数据x不属于与练习数据xi相同类时返回“-1”。另外，xsv对应于使0＜αi＜1/(νl)的αi。另外，实际上，αi的大半为0，因此识别时发挥重要的作用的仅为非零的αi和与其对应的练习数据xi，也就是说支持向量xi。

当通过以上说明的一类svm法进行了机器学习时，例如如图3所示，在一类svm法的映射空间(特征空间)中，生成映射了正常的测定数据(练习数据)的正常数据空间。另外，生成有正常数据空间的映射空间的信息作为正常模型而存储于存储装置。另外，在图3中，为了简化附图，示出了基于两个参数(测定数据1及测定数据2)的二维的映射空间。

接下来，与图1～图3一起也参照图4所示的处理流程，对本实施例的异常检测方法进行说明。

(步骤s1)

在门形加工机10中，进行工件的加工，通过取得部40a取得由振动传感器21、切削动力计22、声音传感器23、主轴马达24、进给马达25测定出的测定数据(振动信息41、切削力信息42、声音信息43、主轴载荷44、马达电流45、电力值46)(取得工序)。在该时刻，不清楚测定数据正常还是异常。

(步骤s2)

异常诊断部32基于由正常模型部31生成的正常模型，对于在加工时测定出的测定数据，通过一类svm法诊断是正常还是异常(诊断工序)。也就是说，对在加工时测定出的测定数据是否属于与练习数据(正常数据空间)相同类进行诊断。这不是以往那样的基于各测定数据的阈值的诊断。

(步骤s3→s4)

在加工时测定出的测定数据属于与练习数据相同类的情况下，也就是说，在上述式(3)中，在f(x)≥0的情况下，诊断为正常，进入步骤s5。

(步骤s5)

正常模型部31为了将诊断为正常的测定数据依次反映于正常模型，而使用该测定数据，通过一类svm法，对正常模型进行更新(第一学习工序)。这样，能够通过进行并运用追加学习(正常模型的自动更新)来实现最佳的诊断，另外，能够实现判断模型(正常模型)的完善。

(步骤s3→s6)

另一方面，在加工时测定出的测定数据不属于与练习数据相同的类的情况下，也就是说在上述式(3)中，f(x)＜0的情况下，诊断为异常，进入步骤s7。

(步骤s7)

在诊断为异常的情况下，异常处理部33使门形加工机10的基于工具t的加工停止(处理工序)。此时，异常处理部33例如也可以发出警报或显示报警。在该情况下，判断为工具t自身产生了某种异常，例如产生了工具磨损、工具折损、崩刃、缺损等异常，推测为也产生了由工具t引起的加工状态的异常。

上述步骤s1～s7实时进行，监视加工时的测定数据，在诊断为异常的情况下，使加工停止，由此能够实时抑制加工工件的精度恶化和损伤等。这样，进行基于使用了机器学习的加工中处理的工具t的异常检测。

(步骤s8→s9)

在异常不紧急时，不直接进入步骤s7，而进入步骤s8及步骤s9。在这种情况下，再诊断部34针对由异常诊断部32诊断为异常的测定数据，通过与异常诊断部32不同的方法进行再诊断(再诊断工序)。在由再诊断部34再次诊断为异常的情况下，进入步骤s7，进行使加工停止等的异常处理。另一方面，在通过再诊断部34的再诊断而重新诊断为正常的情况下，进入步骤s5，使用此时的测定数据，通过一类svm法来更新正常模型。

作为再诊断的方法，通过不同于一类svm法的方法进行。例如，也可以通过不变量解析等其他一类机器学习来进行诊断。另外，也可以使用接触式的加工精度测定器和基于相机或激光等的非接触的加工精度测定器等，通过加工面精度的测定数值进行诊断。另外，也可以使用基于相机等的工具形状检查装置等，直接诊断工具磨损的状况。此外，也可以通过阈值来诊断测定数据或由对门形加工机10熟练的作业人员进行诊断。

[实施例2]

图5是表示本实施例的机床的工具的异常检测装置的结构图。另外，图6是对图5所示的机床的工具的异常检测装置中的数据间的相关关系进行说明的图。

在本实施例中，作为一例，也将在实施例1中进行了说明的门形加工机10(参照图2等)作为诊断对象的机床。另外，本实施例的异常检测装置30b除了图5所示的取得部40b以外，其他是与在实施例1中进行了说明的异常检测装置30a(参照图1等)相同的结构。因此，在此，关于门形加工机10、异常检测装置30b，省略重复的说明。

如在实施例1中所说明的那样，门形加工机10具有：振动传感器21、切削动力计22、声音传感器23、主轴马达24、进给马达25，在本实施例中，由它们测定出的测定数据(振动信息41、切削力信息42、声音信息43、主轴载荷44、马达电流45、电力值46)被异常检测装置30b的取得部40b取得。

除了上述测定数据以外，在本实施例中，为了机器学习、诊断还追加了与加工条件及切削信息相关的数据，例如通过异常检测装置30b的取得部40b，从输入门形加工机10并存储于其存储部26的加工条件及切削信息，取得主轴转速51、进给速度52、加工余量53、工件材质54、工具种类55，来用于机器学习、诊断。作为工件材质54，例如输入材料等，作为工具种类55，例如输入材料、表面涂层、周速、刃数等。

另外，以下，将主轴转速51、进给速度52、加工余量53、工件材质54、工具种类55统一称为设定数据。另外，在此，作为设定数据，例示了主轴转速51、进给速度52、加工余量53、工件材质54、工具种类55，但只要是与上述测定数据的变化相关的加工条件及切削信息的设定数据，也可以追加其他设定数据。

并且，在本实施例中，异常检测装置30b的正常模型部31与正常状态下的加工时取得到的测定数据一起使用上述设定数据，通过一类机器学习来生成正常模型，并在生成后更新正常模型。

也就是说，在本实施例中，也在上述异常检测装置30b的正常模型部31中，预先进行预处理，预先在门形加工机10及工具t为正常的状态时，以预定的加工模式进行加工，使用在此时进行测定并由取得部40b取得到的测定数据、此时作为加工条件及切削信息而设定的设定数据，通过一类机器学习生成正常模型。在此，作为预定的加工模式，优选的是实际使用的加工模式，另外，作为一类机器学习，使用导入了核方法的一类svm法。

这样，在本实施例中，除了测定数据以外，还使用设定数据，来进行机器学习，但设定数据相对于测定数据具有图6所示那样的相关关系。例如，当作为加工条件的设定数据的主轴转速51、进给速度52、加工余量53发生了变化时，与该变化对应地，作为测定数据的振动信息41、切削力信息42、声音信息43、主轴载荷44、马达电流45、电力值46发生变化。另外，当作为切削信息的设定数据的工件材质54、工具种类55发生了变化时，与该变化对应地，作为测定数据的振动信息41、切削力信息42、声音信息43、主轴载荷44发生变化。

当基于这样的相关关系，进行基于一类svm法的机器学习时，在本实施例的情况下，例如如图7所示，在增加了设定数据的维度的一类svm法的映射空间(特征空间)中，生成映射出正常的测定数据及设定数据(练习数据)的正常数据空间。并且，将生成有正常数据空间的映射空间的信息作为正常模型而存储于存储装置。另外，在图7中，为了简化附图，示出基于三个参数(测定数据1、测定数据2及设定数据1)的三维的映射空间。

通过机器学习生成图7所示那样的正常模型，由此能够使用考虑了与加工相关的数据彼此的相关关系的正常模型来实施诊断。也就是说，考虑了加工条件及切削信息的设定数据与加工时的测定数据的相关关系地实施诊断。

以往，当变更加工条件及切削信息的设定数据时，需要对与变更后的设定数据相关的测定数据设定新的阈值。例如，当进给速度52的设定发生了变更时，主轴载荷44变化，振动信息41等也变化，需要对主轴载荷44、振动信息41等设定新的阈值，另外，当加工余量53也就是说切入量的设定增加时，主轴载荷44增加，振动信息41等也增加，需要对主轴载荷44、振动信息41等设定新的阈值。

另一方面，本实施例不是以往那样的基于各测定数据的阈值的诊断，因此即使加工条件及切削信息的设定数据变更，也能够如上述那样考虑设定数据与测定数据之间的相关关系地实施诊断，能够实施与变更对应的适当的诊断，能够进行通用性高且更完善的诊断。

本实施例与实施例1存在上述不同，但关于本实施例的异常检测方法，能够应用与在实施例1中说明的处理流程(参照图4)相同的处理流程。

[实施例3]

图8是表示本实施例的机床的工具的异常检测装置的结构图。另外，图9是对基于由图8所示的机床的工具的异常检测装置诊断出的结果的预测更换时期进行说明的图。

在本实施例中，作为一例，也将在实施例1中进行了说明的门形加工机10(参照图2等)作为诊断对象的机床。另外，本实施例的异常检测装置30c除了图8所示的更换预测部35以外，其他是与在实施例1中进行了说明的异常检测装置30a(参照图1等)相同的结构。因此，在此，关于门形加工机10、异常检测装置30c，省略重复的说明。

如实施例1所说明的那样，异常检测装置30c具有：正常模型部31、异常诊断部32、异常处理部33、再诊断部34及取得部40a，在本实施例中，还具有更换预测部35(预测部)。

更换预测部35基于由异常诊断部32对多次测定数据进行诊断的结果，来预测工具t的更换时期。具体而言，基于在式(3)中所示的识别函数g(x)输入测定数据x后的诊断值a的随时间的变化，预测更换时期。

在此，参照上述图3来说明诊断值a。诊断值a与图3所示的映射空间中的测定数据x的位置对应，对于该位置而言，诊断值a越从正的值接近0，则越从正常数据空间的内侧靠近正常数据空间的分界线，在诊断值a为0时，处于正常数据空间的分界线上，在诊断值a为负的值时，处于正常数据空间的外侧。

并且，当沿着时间轴对这样的诊断值a的随时间的变化标示于图上时，如图9所示，关于从上次的工具更换时t0到当前t1的多个诊断值a，能够生成由实线所示的图。在图9中，从上次的工具更换时t0到当前t1的多个诊断值a为a＞0，包含于正常区域，但处于与时间的经过一起减少的倾向。当通过外推法延长该倾向时，能够生成虚线所示的图，能够预测出在时间t2的时刻诊断值a成为0。另外，在此，通过外推法进行预测，但也可以通过其他适当的方法进行。

这样，能够基于诊断值a的随时间的变化，将诊断值a脱离正常区域的时期，也就是说将诊断值a从正的值变为0的时刻预测为工具t的更换时期。在此，将时间t2预测为工具t的预测更换时期，因此在该时间t2前更换工具t即可。由此，能够将由工具更换的延迟(工具的磨损劣化)引起的加工精度的恶化防患于未然，并且能够抑制过于早期地更换工具，能够进行最适当的工具管理。

本实施例与实施例1有上述不同，但关于本实施例的异常检测方法，能够应用与在实施例1中说明的处理流程(参照图4)相同的处理流程，更换预测部35进行的更换时期的预测在上述步骤s2中的诊断时进行即可。

另外，也可以将本实施例所示的更换预测部35设于实施例2所示的异常检测装置30b(参照图5等)，在该情况下，能够除了测定数据以外，还使用设定数据而进行机器学习，来实施工具t的更换时期的预测。

[实施例4]

图10是表示本实施例的机床的工具的异常检测装置的结构图。另外，图11是对由图10所示的机床的工具的异常检测装置实施的异常检测方法的处理流程进行说明的图，图12是对基于多类机器学习的多个异常数据空间进行说明的图。

在本实施例中，作为一例，也将在实施例1中进行了说明的门形加工机10(参照图2等)作为诊断对象的机床。另外，本实施例的异常检测装置30d除了图10所示的诊断模型部36及异常分类部37以外，其他为与实施例1所说明的异常检测装置30a(参照图1等)相同的结构。因此，在此，关于门形加工机10、异常检测装置30d，省略重复的说明。

如在实施例1中说明的那样，异常检测装置30d具有：正常模型部31、异常诊断部32、异常处理部33、再诊断部34及取得部40a，此外，在本实施例中，具有诊断模型部36(第二学习部)和异常分类部37(分类部)。

诊断模型部36使用由异常诊断部32诊断为异常并蓄积的多个测定数据，通过多类机器学习生成诊断模型，在生成后更新诊断模型。另外，异常分类部37在诊断模型生成后的加工时取得测定数据，并基于由诊断模型部36生成的诊断模型对该测定数据的状态进行分类，由此实施工具t的异常状态的分类。

在本实施例中，为了对工具t的异常状态进行分类，应用多类机器学习。在此，使用由异常诊断部32诊断为异常并蓄积的多个测定数据，因此能够应用多类机器学习。作为多类机器学习，能够应用多类svm法、决策树算法、随机森林算法、神经网络算法等。

当在上述一类svm法的基础上，还并用多类机器学习例如多类svm法进行机器学习时，在本实施例的情况下，除了图3所示的映射空间(特征空间)的正常数据空间以外，关于除此以外的空间(异常数据空间)，还能够生成例如如图12所示那样的多个异常数据空间1～4。图12所示的异常数据空间1～4映射出被诊断为异常的测定数据(练习数据)，对应各不同的异常原因。并且，异常数据空间1～4也将生成的映射空间的信息作为诊断模型存储于存储装置。另外，在图12中，也为了简化附图，示出基于两个参数(测定数据1及测定数据2)的二维的映射空间。

这样，通过机器学习生成图12所示那样的诊断模型，由此能够使用该诊断模型，对测定数据的状态进行分类，从而实施工具t的异常状态的分类。

接下来，与图10一起也参照图11所示的处理流程，对本实施例的异常检测方法进行说明。另外，关于步骤s1～s9，与在实施例1中说明的处理流程(参照图4)相同，因此在此省略重复的说明。

(步骤s10)

在经过步骤s1～s6，加工时测定出的测定数据被诊断为异常的情况下，将该测定数据蓄积于存储装置，诊断模型部36使用所蓄积的多个测定数据，通过多类机器学习生成诊断模型。若生成了诊断模型，则使用新测定并诊断为异常的测定数据，每次通过多类机器学习更新诊断模型(第二学习工序)。

(步骤s11)

在诊断模型部36中，若生成了诊断模型，则以后加工时测定出的测定数据在异常分类部37中也被进行诊断，并基于由诊断模型部36生成的诊断模型，通过多类机器学习对上述测定数据的状态进行分类，从而进行工具t的异常状态的分类(分类工序)。

(步骤s12→s13)

在加工时测定出的测定数据属于正常数据空间的情况下，诊断为正常，并进入上述步骤s5。

(步骤s12→s14-1～4)

另一方面，在加工时测定出的测定数据不属于正常数据空间的情况下，诊断为异常，但还能够对是否属于异常数据空间1～4或者除此以外的异常数据空间进行诊断，在属于异常数据空间1～4的情况下，能够根据所属的空间而向异常1～4进行分类。

例如，在属于异常数据空间1的情况下为异常1，其原因为工具磨损，在属于异常数据空间2的情况下为异常2，其原因为工具折损，在属于异常数据空间3的情况下为异常3，其原因为崩刃，在属于异常数据空间4的情况下为异常4，其原因为缺损等，如上述那样能够根据工具t的异常的原因，对异常进行分类。另外，在本实施例中，对应于异常1～4而例示出异常数据空间1～4，但该个数根据所分类的个数而增减。

在诊断为异常1～4中的任一个异常的情况下，异常处理部33根据异常1～4，停止门形加工机10的基于工具t的加工，或发出警报，或显示报警即可。

这样，在本实施例中，通过除了工具t的正常/异常的诊断之外，还并用多类机器学习，从而能够推定工具t的异常状态的分类(异常原因)。

另外，也可以将本实施例所示的诊断模型部36、异常分类部37设于实施例2所示的异常检测装置30b(参照图5等)，在该情况下，除了测定数据以外，还能够使用设定数据进行机器学习，从而进行工具t的异常状态的分类。

另外，也可以将本实施例所示的诊断模型部36、异常分类部37设于实施例3所示的异常检测装置30c(参照图8等)，在该情况下，能够与工具t的异常状态的分类一起进行工具t的更换时期的预测。

另外，除了本实施例所示的诊断模型部36、异常分类部37以外，还可以还将实施例3所示的更换预测部35设于实施例2所示的异常检测装置30b(参照图5等)。

工业上的实用性

本发明适用于加工中心、大型加工中心、齿轮机、磨床等机床的工具的异常检测。

附图标记说明

10...门形加工机；21...振动传感器；22...切削动力计；23...声音传感器；24...主轴马达；25...进给马达；26...存储部；30a、30b、30c、30d...异常检测装置；31...正常模型部；32...异常诊断部；33...异常处理部；34...再诊断部；35...更换预测部；36...诊断模型部；37...异常分类部；40a、40b...取得部。