CN112262027A - 异常判定装置和异常判定方法 - Google Patents

异常判定装置和异常判定方法 Download PDF

Info

Publication number
CN112262027A
CN112262027A CN201880094343.5A CN201880094343A CN112262027A CN 112262027 A CN112262027 A CN 112262027A CN 201880094343 A CN201880094343 A CN 201880094343A CN 112262027 A CN112262027 A CN 112262027A
Authority
CN
China
Prior art keywords
abnormality
probability distribution
evaluation
normal model
abnormality determination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880094343.5A
Other languages
English (en)
Other versions
CN112262027B (zh
Inventor
田中康裕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Publication of CN112262027A publication Critical patent/CN112262027A/zh
Application granted granted Critical
Publication of CN112262027B publication Critical patent/CN112262027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4062—Monitoring servoloop, e.g. overload of servomotor, loss of feedback or reference
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24074—Probability of defect, seriosity or severity of defect, fault
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33303—Expert system for diagnostic, monitoring use of tree and probability
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37344—Torque, thrust, twist, machining force measurement
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39237—Torque disturbance control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39355—Observer, disturbance observer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39412—Diagnostic of robot, estimation of parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40335—By probability distribution functions pdf
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42311—Store working torque profiles as function of time, position, compare with real torque
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50197—Signature analysis, store working conditions, compare with actual

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Manipulator (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种异常判定装置(102)，具备判定机器人(101)的异常的控制部(51)，控制部(51)运算测定概率分布，该测定概率分布是以在规定期间获取到的干扰转矩为概率变量的概率分布。另外，使运算出的测定概率分布的平均值与预先设定的概率分布即评价用正常模型的平均值一致，将平均值一致的测定概率分布与评价用正常模型进行比较，基于比较的结果来判定机器人(101)的异常。

Description

异常判定装置和异常判定方法
技术领域
本发明涉及一种用于判定机器人等设备中发生的异常的异常判定装置和异常判定方法。
背景技术
以往，作为多关节型机器人的异常判定装置，已知一种专利文献1所公开的装置。在专利文献1中，在机器人进行动作的期间，按规定周期检测机器人关节轴的移动位置以及对关节轴施加的干扰转矩，并运算所检测出的每个移动位置的干扰转矩的平均值。然后，将运算出的平均值与规定的阈值进行比较，在平均值超过阈值的情况下，判定为机器人异常。
现有技术文献
专利文献
专利文献1：日本特开平9-174482号公报
发明内容
然而，干扰转矩的数值由于各种原因而大幅地变动，因此如果将阈值设定为恒定值，则即使在机器人正常的情况下，有时也会误判定为异常。例如，存在以下问题：在刚对设置于机器人的减速器实施了更换等维护之后不久或者刚实施了示教(示教变更)之后不久，干扰转矩发生大的变动，尽管没有发生异常，干扰转矩也大幅地变化，从而误判定为机器人异常。
本发明是为了解决这样的以往的问题而完成的，其目的在于提供一种能够高精度地实施设备的异常判定的异常判定装置和异常判定方法。
本发明的一个方式是，运算测定概率分布，该测定概率分布是以在规定期间获取到的数据为概率变量的概率分布，以使基准点一致的方式将测定概率分布与预先设定的概率分布即评价用正常模型进行比较。基于该比较的结果来判定设备的异常。
发明的效果
根据本发明的一个方式，能够高精度地实施设备的异常判定。
附图说明
图1是示出本发明的第一实施方式所涉及的异常判定装置及其周边设备的结构的框图。
图2是示出用一体型的计算机构成了图1所示的异常判定装置的例子的说明图。
图3是示出电动机中产生的干扰转矩的变化的曲线图，T1、T2表示干扰转矩正常的期间，T3表示干扰转矩异常的期间。
图4的(a)示出评价用正常模型的波形，图4的(b)示出图3所示的各期间T1、T2、T3内的测定概率分布的波形，图4的(c)示出使评价用正常模型以与测定概率分布相匹配的方式移位后的波形。
图5是示出本发明的第一实施方式所涉及的异常判定装置的处理过程的流程图。
图6是示出本发明的第二实施方式所涉及的异常判定装置及其周边设备的结构的框图。
图7是示出第二实施方式所涉及的异常判定装置的处理过程的流程图。
图8是示出在电动机中产生的干扰转矩的变化的曲线图，T11表示实施维护的期间，T12、T13表示获取干扰转矩的期间。
图9是示出第三实施方式所涉及的异常判定装置的处理过程的流程图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
[第一实施方式的说明]
图1是示出本发明的第一实施方式所涉及的异常判定装置及其周边设备的结构的框图。如图1所示，本实施方式所涉及的异常判定装置102与机器人101(设备)及用户接口103(在图中记载为“UI”)连接，用于判定机器人101的异常。此外，“判定异常”的概念是不仅包括判定当前发生的异常的情况，还包括预测将来发生的异常的情况。
机器人101例如是示教再现型的多轴型机器人。示教再现表示以下功能：操作者使用附属于机器人的示教器使机器人实际地动作，记录并再现该动作来使机器人进行动作。此外，在本实施方式中，列举示教再现型的机器人为例来进行说明，但本发明不限定于此。
机器人101具备电动机14(可动部)、动作控制部15、传感器13、干扰转矩运算部12以及通信部11。此外，在机器人101中设置有多个电动机14，但在图1中仅记载了一个。
电动机14是设置在使机器人臂的关节轴进行动作的减速器中的伺服电动机，通过动作控制部15的控制来进行动作。而且，通过使电动机14进行动作，例如使搭载在机器人臂的顶端的焊接电极(焊接部)接触到成为加工对象的对象物(例如金属制的坯料)的期望部位，从而实施焊接作业。另外，除了焊接作业以外，还能够通过机器人101实施对象物的冲压、涂装、树脂成型、组装等各种作业。
传感器13设置于机器人101，例如包括脉冲发生器、编码器等，对通过电动机14进行动作的机器人臂的位置及角度、电动机14的旋转角度、转速、消耗电力及电流、通过电动机14而驱动的减速器的旋转角度等各种物理量进行检测。传感器13还检测在电动机14中产生的转矩值。用传感器13检测到的传感器数据从通信部11发送到异常判定装置102。
动作控制部15进行控制，以使电动机14按照通过上述的示教设定的动作程序进行动作，从而搭载于机器人101的各机器人臂、关节轴进行期望的动作。并且，向通信部11输出使机器人101工作时的工作数据。在工作数据中包含与机器人101的工作有关的各种信息。在后面叙述详情。
干扰转矩运算部12运算在电动机14中产生的干扰转矩。干扰转矩表示控制电动机14时的转矩指令值与由传感器13检测的转矩检测值之差。当电动机14正常且稳定地动作时，转矩指令值与转矩检测值之差大致恒定，因此干扰转矩示出稳定的数值。在电动机14发生了异常的情况下，该电动机14不能稳定地动作，在电动机14中产生的干扰转矩发生大的变化。此外，干扰转矩是与机器人101(设备)的状态有关的数据的一例。
通信部11将机器人101的工作数据、由干扰转矩运算部12运算出的干扰转矩、由传感器13检测出的各种传感器数据发送到异常判定装置102。
能够通过一个或多个处理电路来实现机器人101所具备的上述的各功能。处理电路包括包含电气电路的处理装置等被进行了编程的处理装置。处理装置还包括被布局成执行机器人101所具备的功能的、面向特定用途的集成电路(ASIC)、现有型的电路部件之类的装置。
用户接口103具备：输入部(省略图示)，其用于供操作者进行各种操作；以及显示器(省略图示)，其显示从异常判定装置102发送的各种信息。另外，在由操作者从输入部输入了表示对机器人101实施了维护的维护数据的情况下，进行将该维护数据存储到维护DB33中的操作。
接着，对异常判定装置102的结构进行说明。异常判定装置102具备控制部51和各种数据库(DB)。控制部51包括通信部21、概率分布运算部22、概率分布参数提取部23、评价用正常模型运算部24、电动机异常判定部25以及警报输出部26。数据库包括传感器DB 31、工作历史记录DB 32、维护DB 33以及正常模型DB 34。
传感器DB 31存储机器人臂的位置及角度、电动机14的旋转角度及转速等传感器数据。还存储由干扰转矩运算部12运算出的干扰转矩。即，传感器DB 31具备作为蓄积干扰转矩(与设备的状态有关的数据)的存储部的功能。
工作历史记录DB 32存储机器人101的工作数据。工作数据中包含机器人101的工作日、开始工作的时刻、停止工作的时刻、连续工作的时间、连续停止的时间等与工作有关的各种数据。另外，在工作数据中包含通过电动机14而驱动的减速器的运转模式。运转模式包括通常运转模式、维护模式、停止模式。
在电动机14发生了异常的情况下或预测到要发生异常的情况下，维护DB 33存储对机器人101实施维护时的维护数据。维护数据能够由操作者通过用户接口103输入。或者，也可以是，在机器人101以上述的维护模式进行了运转的情况下，判定为正在实施维护而自动地制作并存储维护数据。在维护数据中包含实施了维护的电动机14、或减速器的ID号码、实施了维护的日期时间、维护的内容(更换、修理、润滑脂的更换等)。
正常模型DB 34存储将干扰转矩的平均值设为0的正常模型。作为正常模型的制作方法，能够使用利用方差和平均值得到的t分布、正态分布。另外，能够使用直方图。
通信部21与设置于机器人101的通信部11之间进行通信。通信部21接收从机器人101发送的机器人101的工作数据，并将该工作数据输出到工作历史记录DB 32。另外，通信部21接收从机器人101发送的干扰转矩、传感器数据，并将干扰转矩、传感器数据输出到传感器DB 31。
概率分布运算部22获取存储在传感器DB 31中的、规定期间内的电动机14的时间序列的干扰转矩，基于所获取到的干扰转矩来运算概率分布。具体地说，将从当前起回溯规定时间(例如12个小时)的期间设定为规定期间，获取该规定期间内的干扰转矩，并运算干扰转矩的概率分布。以下，将运算出的概率分布称为“测定概率分布”。作为测定概率分布的运算方法，例如能够使用公知的核密度估计。
图3是示出在电动机14中产生的干扰转矩Q1的变化的曲线图，示出了在时刻t1对电动机14进行了维护的情况。另外，图4的(a)是示出后述的评价用正常模型的波形60的说明图，图4的(b)是示出将在图3所示的各期间T1、T2、T3中检测到的干扰转矩作为概率变量所运算出的概率分布的波形61a、61b、61c的说明图。另外，图4的(c)是示出使评价用正常模型沿横轴方向进行了移位后的波形62a、62b、62c的说明图。例如，在图3所示的期间T1中干扰转矩Q1在“200”附近变动的情况下，如图4的(b)的波形61a所示，得到平均值为200附近的概率分布。此外，在后面叙述图3、图4所示的曲线图的详情。在此，获取干扰转矩的“规定期间”既可以设为恒定的期间，也可以根据干扰转矩的大小来适当变更。
图1所示的概率分布参数提取部23基于由上述的概率分布运算部22运算出的概率分布，来提取该概率分布的平均值、中央值、标准偏差等参数。作为一例，在图4的(a)所示的期间T1的概率分布的波形61a中，平均值为“200”。另外，“中央值”表示作为样本获取到的干扰转矩整体的中央值。
评价用正常模型运算部24基于存储在正常模型DB 34中的正常模型，来生成评价用正常模型。具体地说，在由概率分布运算部22生成测定概率分布时，获取比在规定期间(例如12个小时)获取到的干扰转矩靠前的干扰转矩。基于获取到的干扰转矩对正常模型进行加工，运算整体的频数与测定概率分布的频数相同的正常模型，并将其作为评价用正常模型。即，用于运算测定概率分布的干扰转矩(与设备的状态有关的数据)是在用于运算评价用正常模型的干扰转矩之后获取到的干扰转矩。
其结果，例如图4的(a)所示那样制作平均值被设为零的波形60。此外，在本实施方式中，说明使测定概率分布与评价用正常模型的整体的频数一致的例子，但使整体的频数一致并不是必须的条件，整体的频数也可以不同。
电动机异常判定部25将由概率分布运算部22运算出的测定概率分布与由评价用正常模型运算部24运算出的评价用正常模型进行比较，来判定在作为对象的电动机14中是否发生了异常。具体地说，使评价用正常模型移位，以使评价用正常模型的平均值(基准点)与测定概率分布的平均值(基准点)一致。之后，利用密度比估计的方法来运算测定概率分布与评价用正常模型的差异量，在运算出的差异量大于作为基准的基准差异量的情况下，判定为作为对象的电动机14发生了异常。
作为其它方法，在测定概率分布中的概率变量的频数与评价用正常模型中的每个概率变量的频数的比率大于作为基准的比率的情况下，判定为电动机14异常。或者，运算测定概率分布中的概率变量的频数与评价用正常模型中的每个概率变量的频数之差，在差大于作为基准的数值的情况下，判定为电动机14异常。
此外，上述举例说明了将平均值作为基准点的一例，但基准点是表示测定概率分布和评价用正常模型的基准的点即可。例如，还能够使用测定概率分布和评价用正常模型的中央值来作为基准点。
以下，参照图3、图4对异常判定方法的详情进行说明。如上所述，图3示出了在电动机14中发生的干扰转矩的变化。在图3所示的时刻t1进行了该电动机14的维护，干扰转矩急剧地变动。
在图3所示的期间T1中，干扰转矩Q1在200上下略微上下地变动。其结果，概率分布运算部22如图4的(b)的波形61a所示那样运算出平均值为200的概率分布。另外，在期间T2中，干扰转矩Q1在50上下略微上下地变动。其结果，概率分布运算部22如图4的(b)的波形61b所示那样运算出平均值为50的概率分布。
并且，在图3所示的期间T3中，干扰转矩Q1大幅地变动。其结果，概率分布运算部22如图4的(b)的波形61c所示那样运算出平均值为70且波形大幅紊乱的概率分布。
电动机异常判定部25使由评价用正常模型运算部24运算出的评价用正常模型、即图4的(a)所示的波形60沿横轴方向移位后与各波形61a、61b、61c进行比较。
具体地说，在图3所示的期间T1中得到干扰转矩的平均值为200的概率分布的波形61a(参照图4的(b))的情况下，如波形62a(参照图4的(c))所示，使评价用正常模型移位，以使平均值成为200。然后，利用密度比估计来运算波形61a与波形62a的差异量，在差异量超过基准差异量的情况下，判定为电动机14异常。
此外，将波形61a与62a进行比较的方法并不限定于密度比估计，还能够如上所述那样使用求出每个概率变量的频数的比率的方法。例如，在将图4所示的波形61a与62a进行比较的情况下，运算每个概率变量的频数的比率。如果波形61a与62a完全一致，则比率为“1”。在波形61a与62a之间存在差异的情况下，上述的比率根据该差异量而变化。例如，在比率超过了“1.2”的情况下，判定为电动机14异常。
并且，作为将波形61a与62a进行比较的方法，还能够求出每个概率变量的频数之差，基于差的大小来判定电动机14的异常。
这样，电动机异常判定部25使评价用正常模型移位，以使测定概率分布的平均值与评价用正常模型的平均值一致，之后将各波形61a、62a进行比较。而且，在差异量大的情况下，判定为该电动机14发生了异常。
返回到图1，在由电动机异常判定部25判定为发生了异常的情况下，警报输出部26向用户接口103输出警报信号。因而，能够在用户接口103的显示器上显示表示异常的警报信号，来向操作者通知异常的发生。
在此，如图2所示，异常判定装置102还能够使用具备CPU 41(中央处理装置)、存储器42以及各数据库(传感器DB 31、工作历史记录DB 32、维护DB33、正常模型DB 34)的计算机来实现。将用于使计算机作为异常判定装置102发挥功能的计算机程序(异常判定程序)安装在计算机中并执行该程序。由此，CPU 41作为异常判定装置102所具备的多个信息处理电路、即通信部21、概率分布运算部22、概率分布参数提取部23、评价用正常模型运算部24、电动机异常判定部25以及警报输出部26发挥功能。另外，在后述的第二实施方式中，CPU 41还作为图6所示的异常度判定部28发挥功能。
能够通过一个或多个处理电路来实现异常判定装置102所具备的上述的各功能。处理电路包括包含电气电路的处理装置等被进行了编程的处理装置。处理装置还包括被布局成执行异常判定装置102所具备的功能的、面向特定用途的集成电路(ASIC)、现有型的电路部件之类的装置。
[第一实施方式的作用的说明]
接着，参照图5所示的流程图来说明第一实施方式所涉及的异常判定装置102的处理过程。
首先，在步骤S11中，概率分布运算部22获取电动机14的干扰转矩(与设备的状态有关的数据)。即，从机器人101发送的电动机14的干扰转矩被通信部21接收，并被存储到传感器DB 31中。概率分布运算部22获取该干扰转矩。
在步骤S12中，概率分布运算部22基于获取到的干扰转矩来运算概率分布。具体地说，设定规定期间(例如12个小时)，基于从回溯了规定期间的时间点起直到当前为止的期间的干扰转矩，例如使用核密度估计的方法来运算概率分布。将该概率分布设为测定概率分布。例如，在规定期间是图3示出的期间T1的情况下，由于干扰转矩在大致“200”附近变动，因此得到图4的(b)的波形61a所示的测定概率分布。
在步骤S13中，概率分布参数提取部23基于在步骤S12中运算出的测定概率分布，来运算该测定概率分布的频数、平均值、中央值、标准偏差等参数。
在步骤S14中，评价用正常模型运算部24参照存储在正常模型DB 34中的正常模型，来制作成为与在步骤S12中运算出的测定概率分布的频数相同的频数的概率分布(评价用正常模型)。其结果，如图4的(a)的波形60所示那样制作出平均值为零且整体的频数与测定概率分布的频数相同的评价用正常模型。
在步骤S15中，电动机异常判定部25使评价用正常模型移位，以使评价用正常模型的平均值与测定概率分布的平均值一致。具体地说，如图4的(b)的波形61a所示，在测定概率分布的平均值为“200”的情况下，使将图4的(a)示出的平均值设为0的评价用正常模型的波形60移位到图4的(c)所示的波形62a为止。即，使波形61a与波形62a的平均值一致。
在步骤S16中，电动机异常判定部25将测定概率分布(波形61a)与评价用正常模型(波形62a)进行比较，来判定异常。如上所述，利用密度比估计将波形61a与62a进行比较，在各波形61a、62a的差异量超过预先设定的基准差异量的情况下，判定为电动机14发生了异常。
例如，在图3、图4所示的期间T1获取到的波形61a、在期间T2获取到的波形61b相对于评价用正常模型的波形62a、62b没有大幅地变化，因此判定为电动机14正常。另一方面，在期间T3获取到的波形61c相对于评价用正常模型的波形62c大幅地变化，因此判定为电动机14异常。
在步骤S16中判定为“正常”的情况下，使处理进入步骤S19，在步骤S16中判定为“异常”的情况下，使处理进入步骤S17。
在步骤S17中，警报输出部26判定是否输出警报，在不输出警报的情况下，使处理进入步骤S19。在输出警报的情况下，在步骤S18中向用户接口103输出警报。其结果，由于在设置于用户接口103的显示器上显示警报，因此能够向操作者通知电动机14发生了异常。
在步骤S19中，电动机异常判定部25将电动机14发生了异常的情况存储到工作历史记录DB 32中。
这样，能够在电动机14发生了异常时迅速且高精度地判定出异常的发生。
这样，在第一实施方式所涉及的异常判定装置102中，能够实现以下所示的效果。
(1)
运算在电动机14中产生的干扰转矩的测定概率分布，并且运算评价用正常模型。然后，将测定概率分布与评价用正常模型进行比较，基于该比较结果来判定电动机14(可动部)中是否发生异常，进而判定在机器人101(设备)中是否发生异常。因而，即使在由于维护或示教而导致干扰转矩(与设备的状态有关的数据)大幅地变动的情况下，也能够高精度地判定出机器人101中发生的异常。
(2)
另外，在使测定概率分布的基准点与评价用正常模型的平均值、中央值等基准点一致后将测定概率分布与评价用正常模型进行比较，因此能够高精度地判定出双方的差异量，能够提高异常判定的精度。
(3)
并且，用于运算测定概率分布的干扰转矩是在用于运算评价用正常模型的干扰转矩之后获取到的干扰转矩，因此能够使用更加稳定的干扰转矩来运算评价用正常模型，能够更高精度地判定出机器人101中发生的异常。
(4)
电动机异常判定部25基于测定概率分布中的概率变量的频数与评价用正常模型中的概率变量的频数的比率，来判定电动机14的异常，因此能够高精度地判定出电动机14中发生的异常，进而能够高精度地判定出机器人101的异常。
(5)
并且，电动机异常判定部25运算测定概率分布中的概率变量的频数与评价用正常模型中的概率变量的频数之差，基于运算出的差来判定电动机14的异常，因此能够高精度地判定出电动机14中发生的异常，进而能够高精度地判定出机器人101的异常。
(6)
评价用正常模型运算部24使用t分布、正态分布以及直方图中的任一个来制作评价用正常模型，因此能够高精度地制作出评价用正常模型，进而能够高精度地判定出机器人101的异常。
(7)
概率分布运算部22基于干扰转矩，利用核密度估计来运算测定概率分布，因此能够制作出高精度的测定概率分布，进而能够高精度地判定出机器人101的异常。
[第二实施方式的说明]
接着，对本发明的第二实施方式进行说明。图6是示出第二实施方式所涉及的异常判定装置102a及其周边设备的结构的框图。第二实施方式所涉及的异常判定装置102a与上述的图1所示的异常判定装置102进行对比，不同点在于，在控制部51a中设置有异常度判定部28。除此以外的结构与图1相同，因此标注相同的附图标记并省略结构说明。
异常度判定部28从传感器DB 31获取电动机14的过去的干扰转矩，并运算所获取到的干扰转矩的异常度。以下，对异常度的运算方法进行说明。用下面的式(1)来定义干扰转矩为x’时的异常度a(x’)。
a(x')＝{(x'-m)2}/2·s2…(1)
其中，m是干扰转矩的样本平均，s是干扰转矩的标准偏差。
即，用式(1)运算出的异常度示出干扰转矩自身的异常程度。
而且，在异常度a(x’)超过预先设定的第一阈值的情况下，判定为该干扰转矩自身异常。另外，除上述方法以外，作为运算异常度的方法，能够利用核密度估计、密度比估计等。
并且，作为判定干扰转矩自身的异常程度的其它方法，运算干扰转矩与规定值之差，并且运算该差相对于时间经过的变化率。而且，还能够在运算出的变化率超过规定的阈值的情况下判定为干扰转矩异常。规定值能够使用一年前的同月的干扰转矩的平均值。
在存在被判定为异常度超过上述的第一阈值的干扰转矩的情况下，评价用正常模型运算部24排除该干扰转矩来制作评价用正常模型。具体地说，获取一定期间内的干扰转矩，在整体的干扰转矩中的被判定为异常度超过第一阈值的干扰转矩的比率α为第二阈值αth(其中，αth<<1)以上的情况下，排除该干扰转矩来制作评价用正常模型。即，在异常度超过第一阈值的干扰转矩相对于整体的干扰转矩的比率为第二阈值αth以上的情况下，使用异常度不超过第一阈值的干扰转矩来运算评价用正常模型。
[第二实施方式的作用的说明]
接着，参照图7所示的流程图来说明第二实施方式所涉及的异常判定装置102a的处理过程。
首先，在步骤S31中，概率分布运算部22获取电动机14的干扰转矩。即，从机器人101发送的电动机14的干扰转矩被通信部21接收，并被存储到传感器DB 31中。概率分布运算部22获取该干扰转矩。
在步骤S32中，概率分布运算部22基于获取到的干扰转矩来运算测定概率分布。具体地说，设定规定期间(例如12个小时)，基于从回溯了规定期间的时间点起直到当前为止的期间的干扰转矩，来运算测定概率分布。
在步骤S33中，概率分布参数提取部23基于在步骤S32中运算出的测定概率分布，来运算该测定概率分布的频数、平均值、中央值、标准偏差等参数。
在步骤S34中，异常度判定部28运算在过去的一定期间(例如12个小时)获取到的干扰转矩的异常度。具体地说，针对在一定期间内检测出的干扰转矩，使用上述的式(1)来运算异常度。
在步骤S35中，异常度判定部28运算被判定为异常度超过第一阈值的干扰转矩的比率α。
在步骤S36中，异常度判定部28判定上述的比率α是否大于第二阈值αth，在α>αth的情况下，使处理进入步骤S38，在α≤αth的情况下，使处理进入步骤S37。
在步骤S37中，评价用正常模型运算部24使用在上述的一定期间内获取到的干扰转矩来制作评价用正常模型。然后，使处理进入步骤S39。
在步骤S38中，评价用正常模型运算部24使用在一定期间内获取到的干扰转矩中的在步骤S34的处理中未被判定为异常的干扰转矩来制作评价用正常模型。
之后，执行步骤S39～S43的处理。此外，步骤S39～S43的处理与图5所示的步骤S15～S19的处理相同，因此省略说明。
这样，在第二实施方式中，基于传感器DB 31中蓄积的机器人101(设备)的过去的干扰转矩来运算评价用正常模型，并将该评价用正常模型与测定各率分布进行比较来判定机器人101的异常，因此能够高精度地判定出机器人101的异常。
另外，在制作评价用正常模型时使用的干扰转矩中包括异常度超过第一阈值的干扰转矩的情况下，使用异常度不超过第一阈值的干扰转矩来制作评价用正常模型。因而，能够制作出更高精度的评价用正常模型，因此能够高精度地判定出电动机14中发生的异常，进而能够高精度地判定出机器人101中发生的异常。
[第三实施方式的说明]
接着，对本发明的第三实施方式进行说明。装置结构与在第二实施方式中说明的图6中的结构相同，因此省略结构说明。
第三实施方式与上述的第二实施方式的不同点在于，参照存储在维护DB 33中的电动机14的维护数据，将在除实施了维护的期间(维护期间)以外的期间获取到的干扰转矩用作异常判定用的干扰转矩。
以下，参照图9所示的流程图对第三实施方式所涉及的异常判定装置的处理过程进行说明。
首先，在步骤S51中，概率分布运算部22从存储在维护DB 33中的维护数据获取表示实施了维护的期间即维护期间的信息。
在步骤S52中，概率分布运算部22基于在步骤S51的处理中获取到的表示维护期间的信息，从传感器DB 31获取没有实施维护的期间的干扰转矩。例如图8所示，在时刻t1实施了维护的情况下，排除实施了维护的期间T11来获取干扰转矩。在当前时间点是时刻t2的情况下，获取期间T12的干扰转矩，在当前时间点是时刻t3的情况下，获取避开期间T11的期间T13的干扰转矩。
在步骤S53中，概率分布运算部22基于获取到的干扰转矩来运算测定概率分布。
之后，执行步骤S54～S64的处理。步骤S54～S64的处理与图7所示的步骤S33～S43的处理相同，因此省略说明。
这样，在第三实施方式所涉及的异常判定装置中，从维护DB 33获取表示维护期间的信息，基于除维护期间以外的期间的干扰转矩来运算测定概率分布。通常，如果实施维护，则在实施维护的前后干扰转矩大幅地变动。在第三实施方式中，由于能够避开该干扰转矩的变动的影响，因此能够更高精度地判定出机器人101中发生的异常。
此外，作为要判定异常的对象的设备不限定于机器人101。例如，也可以使用汽车的发动机来代替电动机14，使用变速器来代替减速器。另外，还能够将移动体的旋转机构、游乐园的游戏器具等移动体、三维打印机等工作机械、即具有旋转机构和用于传递该旋转的机构的所有设备作为对象。另外，也可以将其它种类的设备作为对象。
另外，也可以将异常判定装置配置在远处，经由通信线路来发送和接收所需要的信号、数据，从而判定设备的异常。另外，也可以用一台异常判定装置判定多个设备的异常。另外，多个设备也可以配置在互不相同的场所。
以上，记载了本发明的实施方式，但不应理解为构成本公开的一部分的论述及附图用于限定本发明。根据本公开，本领域技术人员应当清楚各种替代实施方式、实施例以及运用技术。
附图标记说明
11：通信部；12：干扰转矩运算部；13：传感器；14：电动机(可动部)；15：动作控制部；21：通信部；22：概率分布运算部；23：概率分布参数提取部；24：评价用正常模型运算部；25：电动机异常判定部；26：警报输出部；28：异常度判定部；31：传感器DB(存储部)；32：工作历史记录DB；33：维护DB；34：正常模型DB；41：CPU；42：存储器；51、51a：控制部；101：机器人(设备)；102、102a：异常判定装置；103：用户接口(UI)。

Claims (11)

1.一种异常判定装置，具备控制部，所述控制部基于从设置在具有可动部的设备中的传感器获取到的、与所述设备的状态有关的数据，来判定所述设备的异常，所述异常判定装置的特征在于，
所述控制部运算测定概率分布，所述测定概率分布是以在规定期间获取到的所述数据为概率变量的概率分布，
所述控制部使所述测定概率分布的基准点与作为预先设定的概率分布的评价用正常模型的基准点一致，
所述控制部将所述基准点一致的所述测定概率分布与所述评价用正常模型进行比较，
所述控制部基于所述比较的结果来判定所述设备的异常。
2.根据权利要求1所述的异常判定装置，其特征在于，
所述基准点是所述测定概率分布和所述评价用正常模型的平均值或中央值。
3.根据权利要求1或2所述的异常判定装置，其特征在于，
还具备存储部，所述存储部存储所述数据，
所述控制部基于存储在所述存储部中的所述数据来运算所述评价用正常模型。
4.根据权利要求3所述的异常判定装置，其特征在于，
用于运算所述测定概率分布的所述数据是在用于运算所述评价用正常模型的所述数据之后获取到的所述数据。
5.根据权利要求1～4中的任一项所述的异常判定装置，其特征在于，
所述控制部运算表示所述数据本身的异常程度的异常度，
在所述异常度超过第一阈值的所述数据在所述数据的整体中所占的比率为第二阈值以上的情况下，所述控制部使用所述异常度不超过所述第一阈值的所述数据来运算所述评价用正常模型。
6.根据权利要求1～5中的任一项所述的异常判定装置，其特征在于，
所述控制部基于所述测定概率分布中的所述概率变量的频数与所述评价用正常模型中的每个所述概率变量的频数的比率，来判定所述设备的异常。
7.根据权利要求1～5中的任一项所述的异常判定装置，其特征在于，
所述控制部基于所述测定概率分布中的所述概率变量的频数与所述评价用正常模型中的每个所述概率变量的频数之差，来判定所述设备的异常。
8.根据权利要求1～5中的任一项所述的异常判定装置，其特征在于，
所述控制部获取表示维护期间的信息，所述维护期间是对所述设备实施了维护的期间，
所述控制部将所述规定期间设定为除所述维护期间以外的期间。
9.根据权利要求1～8中的任一项所述的异常判定装置，其特征在于，
所述控制部使用t分布、正态分布以及直方图中的任一个来设定所述评价用正常模型。
10.根据权利要求1～9中的任一项所述的异常判定装置，其特征在于，
所述控制部使用核密度估计来运算所述测定概率分布。
11.一种异常判定方法，基于从设置在具有可动部的设备中的传感器获取到的、与所述设备的状态有关的数据，来判定所述设备的异常，所述异常判定方法的特征在于，包括以下步骤：
运算测定概率分布，所述测定概率分布是以在规定期间获取到的所述数据为概率变量的概率分布；
使所述测定概率分布的基准点与作为预先设定的概率分布的评价用正常模型的基准点一致；
将所述基准点一致的所述测定概率分布与所述评价用正常模型进行比较；以及
基于所述比较的结果来判定所述设备的异常。
CN201880094343.5A 2018-06-04 2018-06-04 异常判定装置和异常判定方法 Active CN112262027B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/021338 WO2019234789A1 (ja) 2018-06-04 2018-06-04 異常判定装置及び異常判定方法

Publications (2)

Publication Number Publication Date
CN112262027A true CN112262027A (zh) 2021-01-22
CN112262027B CN112262027B (zh) 2024-04-26

Family

ID=68770951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880094343.5A Active CN112262027B (zh) 2018-06-04 2018-06-04 异常判定装置和异常判定方法

Country Status (5)

Country Link
US (1) US11992953B2 (zh)
EP (1) EP3804923A4 (zh)
JP (1) JP7131611B2 (zh)
CN (1) CN112262027B (zh)
WO (1) WO2019234789A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7396850B2 (ja) * 2019-10-18 2023-12-12 ファナック株式会社 ロボット
EP4328688A1 (en) * 2021-04-20 2024-02-28 Panasonic Intellectual Property Management Co., Ltd. Data processing system, data processing method, and program
CN113553723B (zh) * 2021-07-31 2024-01-19 中建环能科技股份有限公司 污泥干化机网链断裂评估方法、***、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938876A (ja) * 1995-08-01 1997-02-10 Ricoh Co Ltd シミュレーション装置
JPH11267994A (ja) * 1998-01-20 1999-10-05 Yaskawa Electric Corp ロボット駆動装置の安全保護装置
CN102036789A (zh) * 2008-05-21 2011-04-27 松下电器产业株式会社 机器人的异常判定方法
US20140222352A1 (en) * 2011-10-03 2014-08-07 Shiva Sander-Tavallaey Condition Monitoring Of An Industrial Robot
CN107685334A (zh) * 2017-09-27 2018-02-13 歌尔股份有限公司 一种服务机器人充电方法和服务机器人
CN107919627A (zh) * 2017-12-15 2018-04-17 三峡大学 基于机器人的智能箱体变电站“监‑检‑维”一体化***

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0829538A (ja) * 1994-07-13 1996-02-02 Mitsubishi Electric Corp 放射線検出装置
JP3623582B2 (ja) 1995-12-25 2005-02-23 ファナック株式会社 ロボットの故障診断方法
JPH1026648A (ja) * 1996-07-10 1998-01-27 Mitsubishi Electric Corp 放射線検出装置の絶縁診断装置
JP5424338B2 (ja) * 2010-03-18 2014-02-26 日本電気株式会社 衛星測位システムの異常値検出装置、異常値検出方法及び異常値検出プログラム
WO2012150434A2 (en) * 2011-05-05 2012-11-08 Renishaw Plc Spectroscopic apparatus and methods
US9784621B2 (en) 2011-05-05 2017-10-10 Renishaw Plc Spectroscopic apparatus and methods
WO2013105164A1 (ja) 2012-01-13 2013-07-18 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
GB201215649D0 (en) 2012-09-03 2012-10-17 Isis Innovation System monitoring
BR112016007377B1 (pt) * 2013-10-04 2022-02-15 Volvo Truck Corporation Método para monitorar nox; memória legível por computador e sistema de sensor
JP6434246B2 (ja) * 2014-07-29 2018-12-05 ファナック株式会社 機械異常履歴の解析支援機能を有する数値制御装置
JP6238928B2 (ja) * 2015-04-03 2017-11-29 三菱電機株式会社 電動機の診断装置
WO2016185593A1 (ja) * 2015-05-21 2016-11-24 日産自動車株式会社 故障診断装置及び故障診断方法
WO2016189608A1 (ja) * 2015-05-25 2016-12-01 日産自動車株式会社 故障診断装置及び故障診断方法
JP2017177290A (ja) * 2016-03-30 2017-10-05 ソニー株式会社 アーム制御方法及びアーム制御装置
JP6414127B2 (ja) 2016-04-18 2018-10-31 トヨタ自動車株式会社 異常判定装置及び異常判定方法
JP6965882B2 (ja) * 2016-06-30 2021-11-10 日本電気株式会社 メンテナンス計画策定装置と方法とプログラム
US10466142B2 (en) * 2016-07-13 2019-11-05 Hitachi, Ltd. Equipment control based on failure determination
JP6536559B2 (ja) * 2016-12-27 2019-07-03 トヨタ自動車株式会社 トルク制御装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938876A (ja) * 1995-08-01 1997-02-10 Ricoh Co Ltd シミュレーション装置
JPH11267994A (ja) * 1998-01-20 1999-10-05 Yaskawa Electric Corp ロボット駆動装置の安全保護装置
CN102036789A (zh) * 2008-05-21 2011-04-27 松下电器产业株式会社 机器人的异常判定方法
US20140222352A1 (en) * 2011-10-03 2014-08-07 Shiva Sander-Tavallaey Condition Monitoring Of An Industrial Robot
CN107685334A (zh) * 2017-09-27 2018-02-13 歌尔股份有限公司 一种服务机器人充电方法和服务机器人
CN107919627A (zh) * 2017-12-15 2018-04-17 三峡大学 基于机器人的智能箱体变电站“监‑检‑维”一体化***

Also Published As

Publication number Publication date
US11992953B2 (en) 2024-05-28
WO2019234789A1 (ja) 2019-12-12
US20210229282A1 (en) 2021-07-29
EP3804923A1 (en) 2021-04-14
JP7131611B2 (ja) 2022-09-06
CN112262027B (zh) 2024-04-26
JPWO2019234789A1 (ja) 2021-06-10
EP3804923A4 (en) 2021-07-14

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
US11614728B2 (en) Machine tool management system that obtains a next maintenance period from a maintenance period model and a refinement algorithm
CN112262027B (zh) 异常判定装置和异常判定方法
EP3173891B1 (en) Control device, control program, and recording medium
US20180180085A1 (en) Machine learning device for learning assembly operation and component assembly system
US20040039478A1 (en) Electronic fingerprints for machine control and production machines
US20210132579A1 (en) Diagnostic apparatus
EP3831553A1 (en) Abnormality determination device and abnormality determination method
CN110058983A (zh) 异常检查参数调整显示装置
EP1028307B1 (en) Apparatus and method for maintenance of instrument for measuring coordinates and surface properties
CN112534236B (zh) 异常诊断装置和异常诊断方法
CN112005256B (zh) 维护记录制作装置和维护记录制作方法
CN112987682A (zh) 控制方法、控制装置和机械设备
CN113646718B (zh) 异常探测装置及异常探测方法
EP3778156B1 (en) Abnormality detection device and abnormality detection method
JP7056418B2 (ja) 異常判定装置及び異常判定方法
JP7056733B2 (ja) 異常検出装置及び異常検出方法
EP4224263A1 (en) State-monitoring device and state-monitoring method
US11931904B2 (en) Abnormality determination apparatus, abnormality determination system, and abnormality determination method
CN118215892A (zh) 异常诊断装置、异常诊断***以及存储介质
KR20230172428A (ko) 데이터 분석 시스템, 데이터 분석 방법 및 프로그램
CN117532403A (zh) 一种基于多传感器融合cnc加工质量实时检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant