JP4321581B2

JP4321581B2 - 工作機械総合監視装置

Info

Publication number: JP4321581B2
Application number: JP2006324584A
Authority: JP
Inventors: 和隆池田
Original assignee: Panasonic Corp; Matsushita Electric Works Ltd
Current assignee: Panasonic Corp; Panasonic Electric Works Co Ltd
Priority date: 2006-11-30
Filing date: 2006-11-30
Publication date: 2009-08-26
Anticipated expiration: 2026-11-30
Also published as: US20080133439A1; CN101219521A; CN100548574C; EP1927830A2; JP2008137102A; DE602007007873D1; EP1927830A3; EP1927830B1

Description

本発明は、工作機械について加工前と加工中との異常の有無を監視するとともに工作機械の故障についても検出する工作機械総合監視装置に関するものである。

従来から、工作機械の加工中における振動を検出する技術が知られており、たとえば、研削砥石のアンバランスや加工中のびびり振動などを監視することが考えられている。振動の検出には、加速度やアコースティックエミッションを監視している（たとえば、特許文献１参照）。
特開平８−２６１８１８号公報

ところで、特許文献１に記載された技術は、周波数スペクトラムを監視することにより研削砥石のアンバランスやびびり振動の有無を判断するものであり、周波数スペクトラムを人が常時監視することはできないから、実際の工作機械に適用するには実用性が乏しいものである。工作機械に実使用するには、判断を自動化する必要があり、この種の判断には、ニューラルネットワークやファジィ論理を用いることができる。しかしながら、ニューラルネットワークでは種々の現象について判定するには種々の現象ごとの学習が必要になる上にほとんど生じない現象についてまで学習データを収集することは困難であるから、学習に時間を要するという問題がある。一方、ファジィ論理を用いる場合にはメンバーシップ関数の設定に時間を要する。

この種の問題を解決するには、ニューラルネットワークにおいて工作機械が正常であることを学習し、正常以外を異常と判断することが考えられる。一方、工作機械において加工前と加工中とでは正常な動作の特徴がまったく異なっており、また異常としては、工具の取付状態や工具とワークとの接触状態の異常のほかに、工作機械の故障による異常もあるから、少なくともこの程度の分類は行えるようにすることが要求される。単に正常以外をすべて異常として扱うようにすると、上述のような異常の種類の分類ができないことになる。

本発明は上記事由に鑑みて為されたものであり、その目的は、ニューラルネットワークにおいて工作機械の正常な状態のみの学習を行いながらもワークの加工前、加工中の異常を区別でき、しかも工作機械の故障についても検出することを可能にした工作機械総合監視装置を提供することにある。

請求項１の発明は、工作機械から生じる振動を反映した電気信号である対象信号が入力される信号入力部と、対象信号から特徴量を抽出する第１および第２の特徴量抽出部と、各特徴量抽出部により抽出した特徴量のカテゴリをそれぞれ分類する第１および第２のニューラルネットワークと、信号入力部と各特徴量抽出部との間に設けられ工作機械の動作に同期させて信号経路を選択する切替手段と、各ニューラルネットワークによる分類結果を用いて工作機械の異常の有無を総合的に判定する判定部とを備え、第１のニューラルネットワークは、工作機械によるワークの加工前において空動作させたときの対象信号について第１の特徴量抽出部により抽出した特徴量を正常と異常とのカテゴリに分類し、第２のニューラルネットワークは、工作機械によるワークの加工中において生じる対象信号について第２の特徴量抽出部により抽出した特徴量を正常と異常とのカテゴリに分類し、判定部は、第１のニューラルネットワークと第２のニューラルネットワークとの分類結果により工作機械によるワークの加工前および加工中の異常の有無をそれぞれ判定するクラスタ判定部と、第１のニューラルネットワークにおける出力層のニューロンの重み係数と第１の特徴量抽出部で得られた特徴量との差分ベクトルの大きさを正規化した乖離度を求めるとともに乖離度を記憶し、第２のニューラルネットワークにおける出力層のニューロンの重み係数と第２の特徴量抽出部で得られた特徴量との差分ベクトルの大きさを正規化した乖離度を求めるとともに乖離度を記憶し、第１のニューラルネットワークと第２のニューラルネットワークとのいずれかにおいて乖離度の履歴によって工作機械の故障を監視する履歴判定部とを備えることを特徴とする。

請求項２の発明では、請求項１の発明において、前記対象信号は前記工作機械に取り付けた振動センサの出力であることを特徴とする。

請求項３の発明では、請求項１または請求項２の発明において、前記第１の特徴量抽出部は対象信号から周波数成分を抽出し、前記第２の特徴量抽出部は対象信号から包絡線の周波数成分を抽出することを特徴とする。

請求項４の発明では、請求項１ないし請求項３のいずれかの発明において、前記第１および第２のニューラルネットワークは競合学習型ニューラルネットワークであることを特徴とする。

請求項１の発明の構成によれば、加工前の空運転について正常と異常とを分類する第１のニューラルネットワークを備えるから、第１のニューラルネットワークにより工具の取付状態に関する異常の有無を判断することができる。つまり、工具の取付状態のアンバランスや工具の欠損などを工具の異常として検出することができる。また、加工中について正常と異常とを分類する第２のニューラルネットワークを備えるから、第２のニューラルネットワークによりワークと工具との接触状態に関する異常を検出することができる。つまり、ワークと工具との位置関係によっては自励振動を生じたりびびり振動を生じたりするが、この種の異常を検出することが可能になる。さらに、第１のニューラルネットワークおよび第２のニューラルネットワークについて、乖離度の履歴をとることにより、工作機械や工具の劣化傾向を知ることができる上に、劣化傾向から乖離度が大きくずれているときには、工作機械の故障や工具の折損などと判断することができる。

上述のように、正常のカテゴリの学習のみを行うニューラルネットワークを用いながらも加工前および加工中の異常と工作機械の故障とを人手を用いることなく検出することが可能になり、学習が容易であるから導入から実働までの期間を短くすることができるとともに、分類の必要な異常についてはそれぞれに対応した結果を得ることが可能になる。しかも、複数のニューラルネットワークを用いて複数の異常を分類しながらも、信号入力部は共用しているから、異常の種類ごとに信号入力部を設ける必要がなく、比較的簡単な構成で実現することができる。

請求項２の発明の構成によれば、工作機械の振動を用いて異常の有無を監視するから、既設の工作機械であっても振動センサを取り付けるだけの簡単な作業で利用することが可能になる。

請求項３の発明の構成によれば、加工前の情報としては対象信号の周波数成分を用いることにより工具の取付位置の偏りのほか工具の欠損などを検出することが可能になる。また、加工中の情報としては対象信号の包絡線の周波数成分を用いることにより加工中に生じるアコースティックエミッションなどのノイズ成分を除去して、工具とワークとの位置関係に関する現象が抽出しやすくなる。

請求項４の発明の構成によれば、競合学習型ニューラルネットワークを用いるから、構成が簡単である上に、カテゴリ毎の学習データを収集し、カテゴリ別に学習データを与えるだけで簡単に学習させることができる。

以下に説明する実施形態は、工作機械として、駆動装置により工具を回転駆動するものを想定する。この種の工作機械には、切削、研削などの加工を行う各種の工作機械が含まれる。駆動装置としては、モータを駆動源に用いるものであればよく、駆動源と工具との間にギアボックスやベルトなどの適宜の伝達機構を設けてあってもよい。以下では、駆動装置としてハウジングを備えるスピンドルを想定する。

本実施形態で説明する工作機械総合監視装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、とくに必要がなければ単に「ニューラルネット」と呼ぶ）１ａ，１ｂを用いている。ニューラルネットワークとしては、教師有りのバックプロパゲーション型のものを用いることが可能であるが、競合学習型ニューラルネットワークはバックプロパゲーション型のニューラルネットワークよりも構成が簡単であり、カテゴリ毎の学習データを用いて学習させるだけでよく、一旦学習した後も追加学習によって学習を強化させることが可能である点で、この種の用途向けに適している。

ニューラルネット１ａ，１ｂは、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１ａ，１ｂは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。

ニューラルネット１ａ，１ｂの動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した特徴量（検査データ）のカテゴリを分類する。

入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１ａ，１ｂに入力することによりニューラルネット１ａ，１ｂを学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量の個数と重みベクトルの要素の個数とは一致する。

一方、検査モードでは、カテゴリを判定すべき検査データをニューラルネット１ａ，１ｂの入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと検査データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって検査データのカテゴリを知ることができる。

出力層１２のニューロンＮ２は、たとえば６×６個の領域を有する２次元のクラスタ判定部４ａ，４ｂの各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタ判定部４ａ，４ｂの各領域に学習データのカテゴリを対応付けておけば、検査データにより発火したニューロンＮ２に対応するカテゴリをクラスタ判定部４ａ，４ｂにより知ることができる。クラスタ判定部４ａ，４ｂはニューラルネット１ａ，１ｂによる分類結果を出力する出力部として機能する。ここに、クラスタ判定部４ａ，４ｂはマップを用いて視覚化してもよい。

クラスタ判定部４ａ，４ｂの各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１ａ，１ｂを出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。

各カテゴリについて多数個（たとえば、１５０個）の学習データを与えることにより、類似度の高いカテゴリがクラスタ判定部４上で近い位置に配置される。つまり、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタ判定部４上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。

なお、学習後にクラスタが形成されるとともにカテゴリが対応付けられたものが、本来のクラスタ判定部４ａ，４ｂであるが、本実施形態では学習前であってもクラスタ判定部４ａ，４ｂと呼んでとくに区別しない。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部５ａ，５ｂに格納されており、必要に応じて学習データ記憶部５ａ，５ｂから読み出されてニューラルネット１ａ，１ｂに与えられる。

ところで、ニューラルネット１ａ，１ｂで検出しようとする情報は、工作機械Ｘによるワークの加工前における空運転時の異常の有無と、工作機械Ｘによるワークの加工中における異常の有無と、工作機械Ｘの故障の有無とであって、加工前と加工中とにおいて異常の有無をカテゴリとして分類するために、加工前用と加工中用との２個のニューラルネットワーク１ａ，１ｂを備えている。加工前用のニューラルネット１ａは、加工前の正常状態の学習データを用いて正常状態のみを学習し、加工中用のニューラルネット１ｂでは、加工中の正常状態の学習データを用いて正常状態のみを学習する。

そして、どちらのニューラルネット１ａ，１ｂも、入力されたデータが正常のカテゴリに属するか否かのカテゴリ分類を行う。上述したクラスタ判定部４ａ，４ｂは、各ニューラルネット１ａ，１ｂにそれぞれ対応付けてあり、クラスタ判定部４ａでは加工前の異常の有無を出力し、クラスタ判定部４ｂは加工中の異常の有無を出力する。

さらに、クラスタ判定部４ａ，４ｂとともに判定部４を構成する履歴判定部４ｃが設けられる。履歴判定部４ｃは、両ニューラルネットワーク１ａ，１ｂにおける出力層１２のニューロンＮ２に対応付けた重み係数と入力データとのユークリッド距離に相当する乖離度を各ニューラルネットワーク１ａ，１ｂごとに求め、求めた乖離度の履歴を記憶する。また、履歴判定部４ｃでは、乖離度があらかじめ設定した閾値を超えると工作機械Ｘの異常（主として故障）と判断する。クラスタ判定部４ａ，４ｂおよび履歴判定部４ｃの出力は出力部６を通して外部に出力される。乖離度の求め方については後述する。

ところで、工作機械Ｘの状態は工作機械Ｘから生じる振動を反映した電気信号を対象信号に用い、この対象信号から各ニューラルネット１ａ，１ｂに与える特徴量を特徴量抽出部３ａ，３ｂにおいて抽出する。工作機械Ｘから生じる振動を反映した電気信号は、本実施形態では、加速度ピックアップからなる振動センサ２ａを用いて取り出す構成を採用している。振動センサ２ａの出力は信号入力部２に入力され、信号入力部２において特徴量を抽出すべき対象信号の切り出しが行われる。なお、工作機械Ｘの振動を検出するセンサとしては、マイクロホンやアコースティックエミッションセンサを用いることも可能である。

工作機械Ｘの駆動装置は工具を回転駆動するものを想定しているから、振動センサ２ａの出力は周期性を有しているが、振動センサ２ａの出力について時間軸上のどの部位から特徴量を抽出するかによって抽出される特徴量が変化するから、信号入力部２では特徴量を抽出する前に、振動センサ２ａの出力から特徴量を抽出する部位を揃える必要がある。

本実施形態では、信号入力部２において以下に説明するセグメンテーションを行うことにより、特徴量を抽出する位置を規格化している。

つまり、信号入力部２では、工作機械Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、振動センサ２ａから出力された対象信号について時間軸方向の着目部分の切り出し（セグメンテーション）を行う。

信号入力部２は、振動センサ２ａから出力される電気信号をデジタル信号に変換するＡ／Ｄ変換器を有し、さらにデジタル信号を一時的に記憶するバッファを備える。上述したセグメンテーションはバッファに記憶した信号を対象にして行われる。また、必要に応じて周波数帯域を制限するなどしてノイズを低減させる。ここに、セグメンテーションの際に、１周期の対象信号から１区間分だけ信号を取り出すのではなく、１周期の対象信号を適宜の単位時間ごとの複数区間に分割してもよい。

信号入力部２において切り出された対象信号は、各ニューラルネット１ａ，１ｂごとに設けた特徴量抽出部３ａ，３ｂに入力される。各特徴量抽出部３ａ，３ｂでは、区間ごとに特徴量を抽出する。特徴量は対象信号において着目する属性に応じて適宜に取り出すことができる。本実施形態では、加工前の振動から特徴量を抽出する特徴量抽出部３ａにおいては、振動センサ２ａにより検出される全周波数域の周波数成分（周波数帯域ごとのパワー）を特徴量として抽出し、加工中の振動から特徴量を抽出する特徴量抽出部３ｂにおいては、振動センサ２ａにより検出される電気信号の包絡線を対象に周波数成分を特徴量として抽出する。

特徴量抽出部３ａ，３ｂにおいて周波数成分を抽出するには、ＦＦＴ（高速フーリエ変換）の技術を用いる。また、特徴量抽出部３ｂでは周波数成分を抽出する前に包絡線を抽出するための平滑化を行う。どの周波数を特徴量に用いるかは、対象とする工作機械Ｘに応じて適宜に選択される。

特徴量抽出部３ａ，３ｂから得られた特徴量は、学習モードの前に学習データを収集する際には、各ニューラルネット１ａ，１ｂに対応する学習データ記憶部５ａ，５ｂに格納される。また、検査モードの際には特徴量の抽出のたびにニューラルネット１ａ，１ｂに与えられ、特徴量を検査データとしニューラルネット１ａ，１ｂが検査データのカテゴリを分類する。

ここでは、学習データ記憶部５ａ，５ｂに格納されているデータをデータセットと呼ぶものとする。上述の説明から明らかなように、ニューラルネット１ａに対応する学習データ記憶部５ａには、ワークを加工する前において工作機械Ｘを空運転させた場合について正常であるときのデータセットが格納され、ニューラルネット１ｂに対応する学習データ記憶部５ｂには、ワークの加工中において正常であるときのデータセットが格納される。各データセットを構成するデータの個数は学習データ記憶部５ａ，５ｂに格納可能な範囲内で任意であるが、上述のようにニューラルネット１ａ，１ｂの学習には１５０個程度のデータを用いるのが望ましい。

学習データ記憶部５ａ，５ｂには、正常状態のカテゴリを対応付けたデータセットのみが格納されているから、各ニューラルネット１ａ，１ｂをそれぞれ学習モードとして、各ニューラルネット１ａ，１ｂに対応付けた学習データ記憶部５ａ，５ｂに格納された各データセットで学習を行うとニューラルネット１ａ，１ｂは正常状態のみの学習を行う。言い換えると、クラスタ判定部４ａ，４ｂのカテゴリは正常のみであるから、上述のように学習後に逆向きに動作させてカテゴリを設定する作業は省略することができる。

上述のように学習を行えば、出力層１２の各ニューロンＮ２には、それぞれ入力層１１の各ニューロンＮ１との重み係数を要素とする重みベクトルが設定される。したがって、ニューラルネット１ａ，１ｂを検査モードとして１つのカテゴリの学習データを与えると、当該カテゴリに相当するニューロンＮ２が発火する。ただし、学習データにはばらつきがあるから、一つのカテゴリの学習データ（データセット）に対して発火するニューロンＮ２は１箇所に限られず、複数個のニューロンＮ２によるクラスタを形成する。

学習モードによりニューラルネット１ａ，１ｂの学習を行った後に、ニューラルネット１ａ，１ｂを検査モードとして、特徴量抽出部３ａ，３ｂで得られた検査データを与えると、工作機械Ｘの異常の有無を判定することができる。ニューラルネット１ａに加工前の検査データを与え、ニューラルネット１ｂに加工中の検査データを与えるように、信号入力部２と特徴量抽出部３ａ，３ｂとの間に、信号経路を選択する切替手段を設けておくのが望ましい。この種の切替手段はアナログスイッチなどにより構成し、工作機械Ｘの動作に同期させて、ワークの加工前か加工中かに応じて信号経路を選択するようにしておけばよい。

上述の動作により、クラスタ判定部４ａでは、加工前の工具のアンバランスや欠損などの異常を検出することができる。また、クラスタ判定部４ｂでは、加工中における工具とワークとの接触状態の異常を検出することができる。クラスタ判定部４ａ，４ｂによる判定結果が異常を示すときには、出力部６を通して適宜の報知手段を駆動し、使用者に異常であることを提示するのが望ましい。異常の提示には、ランプを点灯させたり警報音を発生させたりすればよい。

ところで、本実施形態では、判定部４において履歴判定部４ｃも設けてあり、履歴判定部４ｃでは、各ニューラルネット１ａ，１ｂについて乖離度を記憶し、いずれかのニューラルネット１ａ，１ｂにおいて乖離度が規定した閾値を超えるときに、工作機械Ｘの異常と判断するようにしてある。工作機械Ｘの異常は主として工作機械Ｘの故障を意味している。履歴判定部４ｃにおいて記憶するデータ量は、たとえば１日や１週間などの単位時間で規定すればよいが、検査データの一定個数（たとえば、１００００個）に対応する乖離度を記憶するようにしてもよい。

乖離度は、ニューラルネット１ａ，１ｂにおける出力層１２の各ニューロンＮ２に対応付けた重み係数（重みベクトル）と検査データである特徴量（特徴ベクトル）との差分ベクトルの大きさを正規化した値であり、特徴ベクトルを［Ｘ］、カテゴリに対応付けたニューロンＮ２の重みベクトルを［Wwin］とすれば（［ａ］はａがベクトルであることを意味している）、乖離度Ｙは次式で定義される。
Ｙ＝（［Ｘ］／Ｘ−［Wwin］／Wwin）Ｔ（［Ｘ］／Ｘ−［Wwin］／Wwin）
ここにＴは転置を表し、角付き括弧を付与していないＸ，Ｗwinは各ベクトルのノルムを表す。各ベクトルの要素をノルムで除算していることにより正規化される。

上述のように、本実施形態の構成を採用することにより、加工前には振動センサ２ａの出力を用いて工作機械Ｘにおける工具の取付状態（傾きや取付間違い）や工具の異常を監視し、加工中には振動センサ２ａの出力を用いて工作機械Ｘにおける工具とワークとの接触状態を監視し、さらには乖離度の履歴によって工作機械Ｘの故障などの異常も監視することができる。

なお、上述の例では、振動センサ２ａの出力を対象信号に用いているが、工作機械Ｘの駆動源がモータである場合には、モータの負荷電流を対象信号に用いることが可能であり、モータがサーボ制御されている場合にはモータに設けたエンコーダの出力を対象信号に用いてもよい。

本発明の実施形態を示すブロック図である。同上に用いるニューラルネットの概略構成図である。

符号の説明

１ａ，１ｂニューラルネット（競合学習型ニューラルネットワーク）
２信号入力部
２ａ振動センサ
３ａ，３ｂ特徴量抽出部
４判定部
４ａ，４ｂクラスタ判定部（判定部）
４ｃ履歴判定部
５ａ，５ｂ学習データ記憶部
６出力部
１１入力層
１２出力層
Ｎ１ニューロン
Ｎ２ニューロン
Ｘ工作機械

Claims

工作機械から生じる振動を反映した電気信号である対象信号が入力される信号入力部と、対象信号から特徴量を抽出する第１および第２の特徴量抽出部と、各特徴量抽出部により抽出した特徴量のカテゴリをそれぞれ分類する第１および第２のニューラルネットワークと、信号入力部と各特徴量抽出部との間に設けられ工作機械の動作に同期させて信号経路を選択する切替手段と、各ニューラルネットワークによる分類結果を用いて工作機械の異常の有無を総合的に判定する判定部とを備え、第１のニューラルネットワークは、工作機械によるワークの加工前において空動作させたときの対象信号について第１の特徴量抽出部により抽出した特徴量を正常と異常とのカテゴリに分類し、第２のニューラルネットワークは、工作機械によるワークの加工中において生じる対象信号について第２の特徴量抽出部により抽出した特徴量を正常と異常とのカテゴリに分類し、判定部は、第１のニューラルネットワークと第２のニューラルネットワークとの分類結果により工作機械によるワークの加工前および加工中の異常の有無をそれぞれ判定するクラスタ判定部と、第１のニューラルネットワークにおける出力層のニューロンの重み係数と第１の特徴量抽出部で得られた特徴量との差分ベクトルの大きさを正規化した乖離度を求めるとともに乖離度を記憶し、第２のニューラルネットワークにおける出力層のニューロンの重み係数と第２の特徴量抽出部で得られた特徴量との差分ベクトルの大きさを正規化した乖離度を求めるとともに乖離度を記憶し、第１のニューラルネットワークと第２のニューラルネットワークとのいずれかにおいて乖離度が規定した閾値を超えるときに工作機械の故障と判断する履歴判定部とを備えることを特徴とする工作機械総合監視装置。
前記対象信号は前記工作機械に取り付けた振動センサの出力であることを特徴とする請求項１記載の工作機械総合監視装置。
前記第１の特徴量抽出部は対象信号から周波数成分を抽出し、前記第２の特徴量抽出部は対象信号から包絡線の周波数成分を抽出することを特徴とする請求項１または請求項２記載の工作機械総合監視装置。
前記第１および第２のニューラルネットワークは競合学習型ニューラルネットワークであることを特徴とする請求項１ないし請求項３のいずれか１項に記載の工作機械総合監視装置。