JP2019038074A - 異常検知装置及び機械学習装置 - Google Patents

Abstract

【課題】工具交換装置に対する工具の取り付け状態に基づいて適切に工具交換の異常を検知することが可能な異常検知装置及び機械学習装置を提供すること。【解決手段】本発明の異常検知装置１は、工具交換装置６０に取り付けられた工具の重量に係る工具重量データ、工具バランスに係る工具バランスデータ、及び工具交換時の状態に係る工具交換状態データを観測する状態観測部１０６と、工具重量データ、工具バランスデータ、及び工具交換状態データを関連付けて記憶する工具交換状態データ記憶部１２０と、加工機５０における工具交換時に状態観測部１０６により観測された工具重量データ、工具バランスデータ、及び工具交換状態データと、工具交換状態データ記憶部１２０に記憶されたデータとに基づいて工具交換の異常を検知する判定結果出力部１２２と、を備える。【選択図】図２

Description

本発明は、異常検知装置及び機械学習装置に関し、特に工具交換時の異常検知を行う異常検知装置及び機械学習装置に関する。

工作機械の主軸に取り付けられる工具を自動的に交換する工具交換装置が従来から用いられている。この工具交換装置には、作業に必要な複数の工具が予めセットされており、工具マガジンを旋回動作させて工具を割り出して主軸への着脱を行い、工作機械の主軸に取り付ける工具を、加工状態に応じて指定された工具に自動的に交換するように構成されている。

工作機械の工具交換装置では、工具交換装置の機構部の摩耗（減速機構の摩耗）、ボルトの緩み等により割出に誤差が生じ、或いは工具を保持するグリップが摩耗することでセットされた工具が落下する障害が発生する可能性がある。これらの障害が発生しているにも関わらず機械の運転を続けた場合、機械本体や工具、治具やワークを破損する恐れがある。

このような問題を解決する従来技術として、例えば特許文献１には、工具交換装置の工具マガジンを駆動するモータのトルク波形や、工具交換時に発生する音（例えば、モータ音や工具の落下音）、振動などを用いて機械の異常を検知する技術が開示されている。

特開平１１−３３３６５７号公報

しかしながら、工具交換装置では、同じような工具交換動作であっても工具マガジンに取り付けたそれぞれの工具の重さやバランスなどによって変化する。そのため、特許文献１に記載された技術を用いようとしても、工具マガジンへの工具の取り付け状態によって異常として検知するべきモータのトルク波形や音、振動が変化するため、一律に工具交換の異常を検出することは難しい。

そこで本発明の目的は、工具交換装置に対する工具の取り付け状態に基づいて適切に工具交換の異常を検知することが可能な異常検知装置及び機械学習装置を提供することである。

本発明では、複数の工作機械における工具交換装置による工具交換時のデータを集約することで様々な工具重量／バランスにおけるデータを集め、収集したデータについて工具重量やバランスに応じてクラスタ分析を行い、クラスタ毎にトルク波形や音などの、工具交換時の動作データをまとめる。そして、自動工具交換装置による工具交換時に異常判定を行う場合には、判定時の工具重量やバランスから現在の工具の取り付け状態がどのクラスタに属するかを判定し、該当するクラスタにまとめられた動作データと比較を行うことで異常検知を行う。

そして、本発明の一態様は、工具交換装置を有する加工機の工具交換時の異常を検知する異常検知装置であって、前記工具交換装置に取り付けられた工具の重量に係る工具重量データ、工具バランスに係る工具バランスデータ、及び工具交換時の状態に係る工具交換状態データを観測する状態観測部と、前記工具重量データ、前記工具バランスデータ、及び前記工具交換状態データを関連付けて記憶する工具交換状態データ記憶部と、前記加工機における工具交換時に前記状態観測部により観測された工具重量データ、工具バランスデータ、及び工具交換状態データと、前記工具交換状態データ記憶部に記憶されたデータとに基づいて工具交換の異常を検知する判定結果出力部と、を備える異常検知装置である。

本発明によれば、工具交換装置による工具交換の異常を、工具の重さやバランスに応じて適切に検知することが可能になる。工具交換の異常を検知することで、工具交換装置の早期修理や、工具落下後の運転による機械やワークの損傷回避が可能になる。

一実施形態による異常検知装置の概略的なハードウェア構成図である。 一実施形態による異常検知装置の概略的な機能ブロック図である。 異常検知装置の一形態を示す概略的な機能ブロック図である。 近傍法による判定方法について説明する図ある。 異常検知装置を組み込んだシステムの一形態を示す概略的な機能ブロック図である。

以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による異常検知装置の要部を示す概略的なハードウェア構成図である。異常検知装置１は、例えば工具交換装置６０を備えた加工機５０を制御する制御装置として実装することができる。また、異常検知装置１は、例えば工具交換装置６０を備えた加工機５０に併設されるパソコンや、工具交換装置６０を備えた加工機５０とネットワークを介して接続されたセルコンピュータ、ホストコンピュータ等のコンピュータとして実装することができる。本実施形態による異常検知装置１が備えるＣＰＵ１１は、異常検知装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って異常検知装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、図示しない入力部を介してオペレータが入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、異常検知装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、図示しない入力部を介してオペレータから入力された各種データ（工具交換装置６０に取り付けられている各工具の重量等）や、インタフェース１９を介して加工機５０から入力された工具交換装置６０の工具交換動作の状態に係る情報（モータのトルク、音、振動等）が記憶されている。不揮発性メモリ１４に記憶された各種データは、利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、異常検知装置１の動作に必要な各種のシステム・プログラム（後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムを含む）があらかじめ書き込まれている。

インタフェース２１は、異常検知装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して異常検知装置１で取得可能な各情報（例えば、工具交換装置６０に取り付けられている各工具の重量、工具交換装置６０の工具交換動作の状態に係る情報等）を観測することができる。また、異常検知装置１は、機械学習装置１００から出力される異常判定結果を受けて、アラームを発生させたり、工具交換装置６０を停止させる指令等の出力を行う。

図２は、第１の実施形態による異常検知装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した異常検知装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、異常検知装置１及び機械学習装置１００の各部の動作を制御することにより実現される。本実施形態の異常検知装置１は、警報部３０を備える。

警報部３０は、加工機５０から入力された工具交換装置６０に取り付けられた工具の重量及びバランスと、工具交換動作の状態とに基づいて機械学習装置１００が工具交換装置６０による工具交換動作に異常があると検知した際に、警報を出力する機能手段である。警報部３０は、異常検知装置１が備える図示しない表示部や音声出力部を介して作業者に対して警報を出力するようにしても良い。また、警報部３０は、加工機５０に対して工具交換で異常が発生したことを警報として出力するようにしても良く、この場合、警報部３０からの警報を受けた加工機５０は、図示しない操作盤等からランプや表示、音声等により工具交換動作で異常を検出したことを出力したり、加工動作、工具交換動作を中断したりしても良い。

一方、異常検知装置１が備える機械学習装置１００は、工具交換装置６０に取り付けられた工具の重量及びバランスの分布と、工具交換動作の状態との関係を表すモデル構造を学習する。図２に機能ブロックで示すように、異常検知装置１が備える機械学習装置１００は、工具交換装置６０に取り付けられた工具の重量に係る工具重量データＳ１、工具を取り付けた工具交換装置６０のバランスに係る工具バランスデータＳ２、及び工具交換動作の状態に係る工具交換状態データＳ３を含む状態変数Ｓとして観測する状態観測部１０６と、工具の重量及びバランスの分布と、工具交換動作の状態との相関性を学習する学習部１１０、及び学習部１１０による学習済みモデルを用いて判定結果を出力する判定結果出力部１２２を備える。

状態観測部１０６が観測する状態変数Ｓのうち、工具重量データＳ１は、例えば、作業者により入力された工具交換装置６０の工具マガジンに取り付けられた工具の情報を用いることができる。工具重量データＳ１は、工具マガジンに取り付けられた工具の総重量であっても良く、又、工具の総重量と工具マガジンのそれぞれの工具取り付け位置に取り付けられた工具の重量の配列としても良い。

状態変数Ｓのうち、工具バランスデータＳ２は、例えば作業者により入力された工具交換装置６０の工具マガジンに取り付けられた工具の情報を用いることができる。工具バランスデータＳ２は、工具マガジンに取り付けられた各工具の重量、形状、及び工具マガジンの形状等から算出される工具マガジンの重心位置の偏差などを用いることができる。

状態変数Ｓのうち、工具交換状態データＳ３は、例えば工具交換装置６０による加工機５０の工具交換時において工具交換装置６０の各部に取り付けられたセンサ等から取得された情報を用いることができる。工具交換状態データＳ３は、工具交換装置６０の工具マガジンを駆動するモータのトルク波形や、工具交換装置６０に取り付けられたマイク等から取得された工具交換時の音の波形、工具交換装置６０に取り付けられた振動センサから取得された工具交換時の振動の波形等を用いることができる。
工具交換状態データＳ３は、作業者により入力された工具交換の正常／異常に係る情報に基づいて、正常に工具が交換された際の情報のみ、または、正常に工具が交換されなかった際の情報（異常時の情報）のみを選別して取得するようにしても良く、或いは、工具交換状態データＳ３そのものに、作業者により入力された工具交換の正常／異常に係る情報を含んでも良い。工具交換の正常／異常は、工具交換が失敗した際に作業者により入力された工具交換直後の停止信号や、作業者により入力された直接的に工具交換の異常を示す情報（後に、工具交換装置６０のメンテナンス等で利用される）から判別するようにしても良いし、このような作業者による入力が為されなかった場合にはその時の工具交換動作は正常に行なわれたと判別するようにしても良い。

なお、状態変数Ｓに含まれる各データは、機械学習装置１００の所謂訓練期においては、過去の加工時において図示しないデータロガーなどを用いて記録されたデータから取得するようにしても良い。

学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、工具重量データＳ１及び工具バランスデータＳ２に基づくクラスタ分析を行なうと共に、該クラスタ分析により作成されたクラスタ毎に、工具重量データＳ１及び工具バランスデータＳ２と工具交換状態データＳ３とを関係付けて工具交換状態データ記憶部１２０へと記録する。学習部１１０は、過去に工具交換状態データ記憶部１２０に記憶された工具重量データＳ１及び工具バランスデータＳ２に基づいてクラスタ分析を行うようにしても良い。学習部１１０は、クラスタ分析の結果として得られた各クラスタに対してタグを付与し、クラスタに付与されたタグを当該クラスタに属するデータと関連付けて工具交換状態データ記憶部１２０に記憶するようにしても良い。学習部１１０は、前述した状態変数Ｓを含むデータ集合に基づく学習を反復実行することができる。

このような学習サイクルを繰り返すことにより、学習部１１０は、工具交換装置６０の工具マガジンに取り付けられた工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の分布をクラスタ集合として解析すると共に、それぞれのクラスタにおける工具交換動作の状態（工具交換状態データＳ３）を自動的に解釈する。学習アルゴリズムの開始時には工具重量データＳ１及び工具バランスデータＳ２のクラスタに対する工具交換状態データＳ３の相関性は実質的に未知であるが、学習部１１０が学習を進めるに従い徐々に工具重量データＳ１及び工具バランスデータＳ２の各クラスタに対する工具交換状態データＳ３が工具交換状態データ記憶部１２０に蓄積され、蓄積されたデータに基づいて工具重量データＳ１及び工具バランスデータＳ２のクラスタに対する工具交換状態データＳ３の相関性を解釈可能になる。そして、ある程度信頼できる水準まで解釈されると、学習部１１０による学習結果（学習済みモデル）は、現在の工具取り付け状態において工具交換動作を行った際に、工具交換が正常動作しているのか、或いはそうでないのかという判断を行うために使用できるものとなる。

上記したように、異常検知装置１が備える機械学習装置１００は、状態観測部１０６が観測した状態変数Ｓを用いて、学習部１１０が機械学習アルゴリズムに従い、工具交換装置６０の工具マガジンに取り付けられた工具の重量及びバランスのクラスタに対する工具交換動作の状態の相関性を学習するものである。状態変数Ｓは、工具重量データＳ１、工具バランスデータＳ２、工具交換状態データＳ３は異常検知装置１が取得した各情報から一義的に求められるので、異常検知装置１が備える機械学習装置１００によれば、学習部１１０の学習結果を用いることで、工具交換装置６０の工具マガジンに取り付けられた工具の重量及びバランスのクラスタにおける、工具交換動作の状態が正常か否かを、演算や目算によらずに自動的に、しかも正確に判定することができるようになる。

判定結果出力部１２２は、学習部１１０が学習した結果に基づいて、現在の工具の重量及びバランスのクラスタに対する現在の工具交換動作の状態の正常／異常の判定を行い、該判定結果を警報部３０へと出力する。判定結果出力部１２２は、現在入力されている工具の重量及びバランスが属するクラスタを学習部１１０から取得し、工具交換状態データ記憶部１２０に記憶されているデータの内で、当該クラスタに属する工具重量データＳ１、工具バランスデータＳ２、及び工具交換状態データＳ３を用いて、現在の工具交換動作の状態の正常／異常の判定を行なう。判定結果出力部１２２は、例えば工具交換状態データ記憶部１２０に記憶された、現在の工具の重量及びバランスのクラスタに属する工具交換状態データＳ３に基づいて、当該クラスタにおける工具交換動作の正常／異常の閾値（例えば、異常と判定するトルク値の閾値、音の大きさ、周波数の閾値、振動の大きさの閾値等）を算出し、算出した閾値と現在の工具交換動作の状態とを比較することで工具交換動作の正常／異常を検知するようにしても良い。判定結果出力部１２２は、このような閾値を、工具交換動作が正常に行われた場合における工具交換状態データＳ３を用いて算出するようにしても良いし、工具交換動作が異常であった場合における工具交換状態データＳ３を用いて算出するようにしても良い。更に、工具交換動作が正常に行われた場合における工具交換状態データＳ３と、工具交換動作が異常であった場合における工具交換状態データＳ３の双方を用いて閾値を算出するようにしても良い。

判定結果出力部１２２は、例えば工具交換状態データ記憶部１２０に記憶された、現在の工具の重量及びバランスのクラスタに属する工具交換状態データＳ３に基づいて、現在の工具交換状態データＳ３が、工具交換動作が正常に行われた場合における工具交換状態データＳ３の集合と、工具交換動作が異常であった場合における工具交換状態データＳ３の集合とのいずれに近いのかを判定することにより、工具交換動作の正常／異常を検知するようにしても良い。

判定結果出力部１２２は、例えば工具交換状態データ記憶部１２０に記憶された、現在の工具の重量及びバランスのクラスタに属する工具交換状態データＳ３に基づいて、当該クラスタにおける工具交換動作の正常／異常を判定する判定式（例えば、異常と判定するトルク値、音の大きさ、周波数、振動の大きさ等から所定の判定値を算出する判定式）を作成し、作成した判定式と現在の工具交換動作の状態とに基づいて算出される判定値により工具交換動作の正常／異常を検知するようにしても良い。

判定結果出力部１２２は、例えばそれぞれのクラスタ毎に予めクラスタに属する工具交換状態データＳ３を用いた機械学習を行ってそれぞれのクラスタ毎の正常／異常を判別するための学習済みモデルを構築しておき、該学習済みモデルを用いて現在の工具交換動作の正常／異常を検知するようにしても良い。

異常検知装置１の一変形例として、状態観測部１０６は、状態変数Ｓとして、工具重量データＳ１、工具バランスデータＳ２、工具交換状態データＳ３に加えて、工具交換時の指令に係る工具交換指令データＳ４を観測するようにしても良い。工具交換指令データＳ４ｈａ，例えば加工プログラムのブロックから取得することができる。

上記変形例によれば、機械学習装置１００は、工具重量データＳ１、工具バランスデータＳ２、及び工具交換指令データＳ４に基づくクラスタ分析を行い、該クラスタ分析で作成されたクラスタ毎に工具交換状態データＳ３を比較することができるようになるため、より高い精度で工具交換の正常／異常の検知を行うことができるようになる。

上記構成を有する機械学習装置１００では、学習部１１０が実行する工具重量データＳ１及び工具バランスデータＳ２に基づくクラスタ分析のアルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図２に示す異常検知装置１の一形態であって、学習アルゴリズムの一例として教師なし学習を実行する学習部１１０を備えた構成を示す。教師なし学習は、入力データのみを大量に学習装置に与えることで、入力データ間の関係を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するためのモデルを学習する手法である。教師なし学習では、入力データに対応する教師データを与えなくても、入力データに対して圧縮、分類、整形などを行うことができる。

図３に示す異常検知装置１が備える機械学習装置１００において、学習部１１０は、状態変数Ｓから工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の分布を示すモデルＭを更新するモデル更新部１１４を備える。学習部１１０は、モデル更新部１１４がモデルＭの更新を繰り返すことによって工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の分布を学習する。

モデルＭの初期値は、例えば、工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の分布を単純化して（例えば一次関数で）表現したものであり、教師なし学習の開始前に学習部１１０に与えられる。モデル更新部１１４は、学習部１１０に与えられた大量の状態変数Ｓから工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の分布の特徴を識別し、この特徴に基づいて、例えば予め定めた更新ルールに従いモデルＭを更新する。

教師なし学習により工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の分布がクラスタ分析された場合、新たに取得された工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）がいずれのクラスタに属するのかを判定する際には、一例として近傍法を用いることができる。機械学習装置１００が備える状態観測部１０６が機械学習装置１００の訓練期に観測する状態変数Ｓに基づいて更新されたモデルＭとして、例えば工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）を各軸としたグラフを用いる場合、図４に示されるように、工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）は或る傾向を備えたクラスタ集合を形成する（なお、図４では説明を簡単にするために、工具重量データＳ１及び工具バランスデータＳ２はそれぞれ１つの値を取るものとして２次元のグラフで表現しているが、実際にはそれぞれのデータは配列で表現されるので多次元グラフとして扱われる）。近傍法では、運用期において状態観測部１０６が観測した工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の組（標本）をモデルＭのグラフ上にプロットした場合に、標本の点の近傍にあるｋ個の点がいずれのクラスタに属するかで標本が属するクラスタを判定できる。また、標本の点から予め定めた所定の距離ｒ以内にｋ個の点が無い場合には、標本はいずれのクラスタにも属さないと判定できる。例えば、ｋ＝５とした場合、図４において、標本ａの近傍にはクラスタＡに属する工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の組が５つ存在するため、標本ａはクラスタＡに属し、標本ｂの近傍にはクラスタＢに属する工具の重量（工具重量データＳ１）及びバランス（工具バランスデータＳ２）の組が５つ存在するため、標本ｂはクラスタＢに属する。

上記した異常検知装置１の構成は、プロセッサ１０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、工具の重量及びバランスの分布と、工具交換動作の状態との関係を学習する機械学習方法であって、コンピュータのＣＰＵが、工具重量データＳ１、工具バランスデータＳ２、及び工具交換状態データＳ３を環境の現在状態を表す状態変数Ｓとして観測するステップと、状態変数Ｓを用いて、工具の重量及びバランスの分布と、工具交換動作の状態とを関連付けて学習するステップとを有する。

図５は、工具交換装置６０を備えた複数の加工機５０を有する一実施形態によるシステム１７０を示す。システム１７０は、異常検知装置１と、少なくとも同一の工具交換装置６０を備えた複数の加工機５０と、それらを互いに接続する有線／無線のネットワーク１７２とを備えて構成される。

上記構成を有するシステム１７０は、複数の加工機５０のそれぞれにおける工具交換装置６０の工具の重量及びバランスの分布と、工具交換動作の状態との関係を異常検知装置１が備える機械学習装置１００の学習部１１０が学習し、その学習結果を用いて、それぞれの加工機５０における工具交換装置６０による工具交換動作の正常／異常を、演算や目算によらずに自動的に、しかも正確に判定することができる。このようなシステム１７０の構成によれば、複数の工具交換装置６０についてより多様なデータ集合（状態変数Ｓを含む）を取得し、取得したデータ集合を入力として、工具交換装置６０の工具の重量及びバランスの分布と、工具交換動作の状態との関係の学習の速度や信頼性を向上させることができる。

システム１７０は、異常検知装置１をネットワーク１７２に接続されたクラウドサーバ等として実装する構成を取ることもできる。この構成によれば、複数の工具交換装置６０のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数の工具交換装置６０（を備えた加工機５０）を機械学習装置１００に接続することができる。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、機械学習装置１００が実行する学習アルゴリズム、機械学習装置１００が実行する演算アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。

また、上記した実施形態では異常検知装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は異常検知装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。

１ 異常検知装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１９，２１ インタフェース
２０ バス
３０ 警報部
５０ 加工機
６０ 工具交換装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１１０ 学習部
１１４ モデル更新部
１２０ 工具交換状態データ記憶部
１２２ 判定結果出力部
１７０ システム
１７２ ネットワーク

Claims (5)

1. 工具交換装置を有する加工機の工具交換時の異常を検知する異常検知装置であって、
   前記工具交換装置に取り付けられた工具の重量に係る工具重量データ、工具バランスに係る工具バランスデータ、及び工具交換時の状態に係る工具交換状態データを観測する状態観測部と、
   前記工具重量データ、前記工具バランスデータ、及び前記工具交換状態データを関連付けて記憶する工具交換状態データ記憶部と、
   前記加工機における工具交換時に前記状態観測部により観測された工具重量データ、工具バランスデータ、及び工具交換状態データと、前記工具交換状態データ記憶部に記憶されたデータとに基づいて工具交換の異常を検知する判定結果出力部と、
   を備える異常検知装置。
2. 前記工具交換状態データ記憶部に記憶された工具重量データ及び工具バランスデータに対してクラスタ分析を行なう学習部を備え、
   前記学習部は、前記クラスタ分析の結果として得られたクラスタを識別する情報を、前記工具交換状態データ記憶部に記憶された前記工具重量データ、前記工具バランスデータ、及び前記工具交換状態データと関連付けて記憶する、
   請求項１に記載の異常検知装置。
3. 前記加工機における工具交換時に前記状態観測部により工具重量データ、工具バランスデータ、及び工具交換状態データが観測された際に、
   前記学習部は、前記工具重量データ及び前記工具バランスデータがいずれのクラスタに属するのかを判別し、
   前記判定結果出力部は、前記工具交換状態データと、前記工具交換状態データ記憶部に記憶された工具交換状態データの内で前記クラスタに属する工具交換状態データとに基づいて工具交換の異常を検知する、
   請求項２記載の異常検知装置。
4. 前記判定結果出力部は、前記工具交換状態データ記憶部に記憶された工具交換状態データの内で前記クラスタに属する工具交換状態データに基づいて算出された閾値に基づいて工具交換の異常を検知する、
   請求項３に記載の異常検知装置。
5. 前記工具交換状態データは、工具交換が正常か異常かの結果に係る情報を含む、
   請求項１〜４のいずれか１つに記載の異常検知装置。

Images