[发明专利]机械学习装置、机械学习方法、故障预知装置及系统

说明书

本发明涉及机械学习装置、机械学习方法、故障预知装置及系统。机械学习装置(5)学习机床(2)的主轴(212)或驱动主轴的电动机(214)的故障预知，其具备：状态观测部(52)，其观测状态变量，该状态变量包含以下输出数据中的至少一个：控制所述电动机的电动机控制装置(3)的输出数据、检测所述电动机状态的检测器(11)的输出数据、以及测定所述主轴或所述电动机的状态的测定器(12)的输出数据；判定数据取得部(51)，其取得判定所述主轴或所述电动机有无故障或故障程度的判定数据；以及学习部(53)，其按照基于所述状态变量及所述判定数据的组合而制成的数据集，来学习所述主轴或所述电动机的故障预知。

技术领域

本发明涉及学习主轴或驱动主轴的电动机的故障预知的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统。

背景技术

机床的主轴或驱动该主轴的主轴电动机(电动机)的故障原因大多是由主轴或电动机的轴承劣化或损坏所引起。这里，若在主轴完全故障的状态下使用机床，则例如使工件的加工精度下降从而产生不合格品。另外，若主轴恢复花费时间，则将使机床产生较大的中断时间(停止时间)，从而造成机床的工作效率下降。

因此，在主轴完全故障之前检知该征兆(劣化)，例如，如果运行修理主轴等的合适装置，则可以削减(缩短)中断时间并提高机床的工作效率。过去，作为检知主轴异常的方法，例如已知测量主轴或电动机的振动恶化、或通过检知异常声音来检测主轴异常。

例如，在日本特开2005-074545号公报中公开了一种机床的状态监视装置，这里，接受主轴旋转指令和进给轴驱动指令，并使用AE传感器、放大器及带通滤波器来测量振动数据。并且，记载有以下内容：在电平计数电路中对该测量出的振动数据超过由主轴旋转信息求出的阈值的数量进行计数，并对该计数值与警报等级进行比较来判断主轴的状态，如果有需要则在警报显示器上显示警报。

另外，在日本特开2001-259972号公报中公开了一种用于机床的磁轴承装置，这里记载有以下内容：通过设置检测主轴振动的振动检测单元、提取振动检测单元的输出信号中的与主轴旋转同步的振动成分的频率特性可变滤波器、将所提取的信号的频率特性可变滤波器的输出信号的电平超过规定电平的状态判定为异常状态的判定单元，由此能够自动检测工具布置的安装不良或旋转不良等异常状态，从而能够减低工件的加工劣化。

进而，在日本特开昭63-123105号公报中公开了一种对正常状态的机器人的基准动作模式与运转中的机器人的动作模式进行比较，从而预知机器人故障的故障预知诊断方法。

并且，在日本特开平10-039908号公报中公开了一种故障预知方法，其通过对基于驱动轴的实际动作状态的负载侧的功率与基于针对驱动轴的动作指令的驱动侧的功率之间的差、以及判定值进行比较，由此评价机器人机构部有无劣化及劣化等级。

此外，在本说明书中，“机床”这个词，不只是指通过工业用机器人或计算机数值控制(CNC：Computer Numerical Control)装置控制的工业机械，还包括服务用机器人或各种机械装置。

例如，为了检测机床主轴的振动，需要在电动机或主轴上安装振动测量器等，但是在通过手动测量振动的情况下，作业员等持有该振动测量器，必须定期测量机床各部的振动，这对作业员将形成较大负担。另一方面，虽然也可以考虑通过振动传感器等来自动测量主轴的振动，但是此时，需要将该振动传感器始终安装在主轴上，将造成机床的成本增加。

另外，例如在通过听取主轴异常声音来检知异常的情况下，通过人的听觉定期检查各个机床的异常声音，对于作业员仍将造成较大的工作量。另一方面，虽然也可以考虑使用麦克风等自动检测异常声音，但是通常来说，由于机床所设置的工厂内噪声较大，因此不容易适当检测异常声音，而且，也将花费设置麦克风所需要的费用。