CN114391093A - 异常判定装置以及异常判定方法 - Google Patents

Abstract

本发明的异常判定装置以及异常判定方法使用第一判定模型和第二判定模型，基于装置的状态数据来判定装置的异常，在装置的异常不是规定的异常的情况下，将所判定出的装置的异常作为未知的异常来输出，所述第一判定模型用于判定在装置中是否发生了规定的异常，所述第二判定模型用于对装置的状态进行分类。

Description

异常判定装置以及异常判定方法

技术领域

本发明涉及一种异常判定装置以及异常判定方法。

背景技术

在专利文献1中公开了以下一种技术：在通过将焊接装置的正常时和异常时的监视器信号作为教师数据在神经网络等中进行机器学习(监督学习)而学习到正常规范或异常规范之后、基于实际的焊接的监视器信号判断为焊接异常的情况下，识别异常的种类。

现有技术文献

专利文献

专利文献1：日本特开平5-337663号公报

发明内容

发明要解决的问题

然而，专利文献1所记载的技术是学习已知的异常的技术，并不是应对未知的异常的技术。不限于焊接装置，在生产设备中也有可能发生未知的异常，但在使用了将故障模式作为教师数据的机器学习的情况下，存在有可能看漏未知的异常而误判定为正常这样的问题。

本发明是鉴于上述问题而完成的，其目的在于提供一种能够不看漏装置的未知的异常地判定装置的正常和异常的异常判定装置以及异常判定方法。

用于解决问题的方案

为了解决上述课题，本发明的一个方式所涉及的异常判定装置以及异常判定方法使用第一判定模型和第二判定模型，基于装置的状态数据来判定装置的异常，在装置的异常不是规定的异常的情况下，将判定出的装置的异常作为未知的异常来输出，该第一判定模型用于判定在装置中是否发生了规定的异常，该第二判定模型用于对装置的状态进行分类。

发明的效果

根据本发明，能够不看漏装置的未知的异常地判定装置的正常和异常。

附图说明

图1是示出本发明的一个实施方式所涉及的异常判定装置以及作为判定对象的生产机器人的结构的框图。

图2是示出本发明的一个实施方式所涉及的异常判断装置的处理过程的流程图。

图3是示出装置的状态数据被分类的情形的示意图。

图4A是示出分类后的状态数据与新的状态数据的关系的第一示意图。

图4B是示出分类后的状态数据与新的状态数据的关系的第二示意图。

图5是示出本发明的变形例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

下面，参照附图来详细地说明本发明的实施方式。在说明中，对同一部分标注同一附图标记，并省略重复说明。

图1是示出本实施方式所涉及的异常判定装置以及作为判定对象的生产机器人的结构的框图。

异常判定装置100通过无线或有线以能够通信的方式与生产机器人80(装置)连接。异常判定装置100判定生产机器人80所进行的作业是否异常、或者判定生产机器人80自身是否异常。生产机器人80例如是具备多个可动部来执行车身的焊接作业的机器人等。

[生产机器人的结构]

生产机器人80具备通信部82、测量部84以及传感器86。

传感器86检测生产机器人80的状态。传感器86例如由转矩传感器或加速度传感器等构成。此外，传感器86例如既可以是拍摄图像或运动图像的摄像机，也可以是光传感器、声音传感器、加速度传感器、振动传感器、压力传感器、应变传感器、声发射传感器、温度传感器、湿度传感器等。此外，传感器86也可以是测量生产机器人80的可动部的位置的位置传感器、测量由制动驱动部产生的制动驱动力或转矩等的传感器等。

测量部84根据由传感器86检测到的与生产机器人80的状态有关的数据，来生成生产机器人80的状态数据。此外，生产机器人80的状态数据既可以是由传感器86得到的数据本身(所谓的原始数据)，也可以是利用未图示的运算电路等对由传感器86得到的数据进行解析后的数据。另外，在生产机器人80的状态数据中也可以包含由传感器86获取到数据的日期时间的信息(日期、时刻等的时间戳)。

通信部82将由测量部84生成的生产机器人80的状态数据发送到异常判定装置100。此外，通信部82既可以蓄积状态数据并每隔固定时间向异常判定装置100发送该状态数据，也可以将由测量部84生成的状态数据实时地发送到通信部82。

此外，在通信部82向异常判定装置100发送的数据中，既可以包含生产机器人80所进行的作业的种类、负荷量、频率等数据，也可以包含在进行了生产机器人80的维护(修理、部件的更换、润滑油的更换等)的情况下表示进行了维护的维护数据(维护历史记录、维护部位的信息)。

[异常判定装置的结构]

异常判定装置100具备通信部102(输入部)、数据库110以及控制部120(控制器)。控制部120以能够通信的方式与通信部102及数据库110连接。此外，控制部120以能够通信的方式与通知部90连接。通知部90既可以是异常判定装置100自身所具备的部件，也可以设置在异常判定装置100的外部。

通信部102通过无线或有线以能够通信的方式与生产机器人80的通信部82连接。通信部102从生产机器人80的通信部82接收生产机器人80的状态数据。即，向通信部102输入从用于探测装置的状态的传感器输出的数据。此外，通信部102也可以接收生产机器人80所进行的作业的种类、负荷量、频率等数据或维护数据。

通信部102接收到的数据被存储在数据库110中。在执行异常判定的处理时由控制部120读出存储在数据库110中的数据。此外，数据库110既可以在存储生产机器人80的状态数据时将生产机器人80所进行的作业的种类、负荷量、频率等数据建立关联地存储，也可以进一步将生产机器人80的维护数据建立关联地存储。

控制部120基于生产机器人80的状态数据来判定生产机器人80的异常。

在由控制部120判定为生产机器人80异常的情况下，通知部90基于来自控制部120的指令发出异常警报，来向监视人员或维护人员通知探测到异常。例如，通知部90是旋转灯、蜂鸣器等。

[控制部的结构]

控制部120(处理部或控制器的一例)是具备CPU(中央处理装置)、存储器以及输入输出部的通用的微型计算机。在控制部120中安装有用作用于判定生产机器人80的异常的异常判定装置100的一部分来发挥功能的计算机程序(异常判定程序)。通过执行计算机程序，控制部120作为异常判定装置100所具备的多个信息处理电路(122、124、126、128)来发挥功能。

在本实施方式中，示出通过软件来实现多个信息处理电路(122、124、126、128)的例子。但是，也能够准备用于执行以下所示的各信息处理的专用的硬件来构成信息处理电路(122、124、126、128)。另外，也可以由单独的硬件构成多个信息处理电路(122、124、126、128)。并且，信息处理电路(122、124、126、128)也可以兼用作在生产机器人80的监视或控制中使用的控制单元。

控制部120具备监督学习器122、无监督学习器124、异常判定部126以及标签设定部128，来作为多个信息处理电路(122、124、126、128)。

监督学习器122具备特征量运算部122a和类别分类器122b。监督学习器122从数据库110读入生产机器人80的状态数据，基于所读入的状态数据来进行各种处理。

特征量运算部122a基于生产机器人80的各状态数据来运算表示各状态数据的特征的特征量。将由特征量运算部122a运算出的特征量发送到类别分类器122b。

特征量运算部122a既可以将用户事先指定的统计量(例如，平均、方差、失真度、峰度等)、各种解析值(傅立叶变换后的特定谱的值、谱之间的比等)或者它们的组合作为特征量进行运算，也可以将使用主成分分析、随机森林、XGBoost等各种特征量选择方法自动设定的量作为特征量进行运算。此外，用于对特征量运算部122a所计算出的“特征量”进行定义的参数也可以被存储在数据库110中。

类别分类器122b具有在进行异常判定的处理之前进行机器学习而生成的第一判定模型。第一判定模型是通过进行基于“教师数据”的机器学习而事先生成的模型，该“教师数据”由利用特征量运算部122a基于生产机器人80的过去的状态数据运算出的“特征量”和表示输出了该状态数据的生产机器人80的状态的“类别”构成。即，基于“特征量”和“类别”的对来生成第一判定模型。在给出了与“特征量”对应的作为目标输出的“类别”这一点上，可以说第一判定模型是通过监督学习而生成的模型。此外，类别分类器122b所具有的第一判定模型也可以存储在数据库110中。

通过监督学习而生成的第一判定模型是表现生产机器人80的“状态数据”与“类别”的对应关系的模型。类别分类器122b使用由特征量运算部122a运算出的特征量以及第一判定模型，来计算生产机器人80的“状态数据”应该被分类的类别。即，第一判定模型是用于判定在生产机器人80中是否发生了规定的异常(与作为“教师数据”给出的类别对应的异常)的模型。

此外，类别分类器122b也可以使用第一判定模型来附带概率地计算应该将状态数据分类为哪个类别。另外，也可以根据代表类别的数据点所具有的特征量与根据状态数据运算出的特征量之差是否为规定阈值以下，来计算应该将状态数据分类为哪个类别。

此外，类别分类器122b中保持的第一判定模型既可以是在进行一系列的异常判定处理之前事先生成的模型，也可以是在进行一系列的异常判定处理的期间被逐次更新的模型。

逐次更新第一判定模型的情况下的用于生成第一判定模型的“状态数据”是指在基于新读入的状态数据进行异常判定处理之前读入的状态数据。也就是说，基于与某个时间点的异常判定的处理相比过去得到的“状态数据”来生成第一判定模型。此外，在某个时间点成为异常判定处理的对象的状态数据在进行比该时间点靠后的异常判定处理时用于生成第一判定模型。

作为用于生成第一判定模型的“类别”，至少有“正常类别”、“异常类别”这两个类别。“正常类别”对应于生产机器人80的正常状态，“异常类别”对应于生产机器人80的异常状态。此外，也可以基于异常的内容，如“异常1”、“异常2”、…、“异常N”那样区分“异常”的状态。在该情况下，“异常类别”如“异常类别1”、“异常类别12”、...、“异常类别N”这样被分为多个类别。

无监督学习器124具备特征量运算部124a和异常探测器124b。无监督学习器124从数据库110读入生产机器人80的状态数据，基于所读入的状态数据进行各种处理。

特征量运算部124a基于生产机器人80的各状态数据来运算表示各状态数据的特征的特征量。将由特征量运算部124a运算出的特征量发送到异常探测器124b。

由特征量运算部124a计算出的“特征量”既可以与由特征量运算部122a计算出的“特征量”相同，也可以与由特征量运算部122a计算出的“特征量”不同。

特征量运算部124a既可以将用户事先指定的物理量或物理量等的组合作为特征量进行运算，也可以将使用主成分分析、随机森林、XGBoost等各种特征量选择方法自动设定的量作为特征量进行运算。此外，用于定义特征量运算部124a所计算的“特征量”的参数也可以存储在数据库110中。

异常探测器124b具有在进行异常判定处理之前进行机器学习而生成的第二判定模型。第二判定模型是通过进行基于“特征量”的机器学习而事先生成的模型，该特征量是由特征量运算部124a基于生产机器人80的过去的状态数据而运算出的。与第一判定模型不同，在没有给出与“特征量”对应的目标输出这一点上，可以说第二判定模型是通过无监督学习生成的模型。此外，异常探测器124b所具有的第二判定模型也可以存储在数据库110中。

通过无监督学习生成的第二判定模型是将生产机器人80的“状态数据”至少分类为两个以上的组的模型。即，第二判定模型是将生产机器人80的状态至少分类为两个以上的组的模型。

在两个以上的组中包括与生产机器人80的正常状态对应的“正常区域”组以及与生产机器人80的异常状态对应的“异常区域”组，异常探测器124b使用由特征量运算部124a运算出的特征量以及第二判定模型来判定生产机器人80的状态被分类为“正常”和“异常”中的哪一种状态，由此来进行异常度判断。

关于异常探测器124b所进行的异常度判断，例如既可以使用稀疏构造学习等使用了多个信号的相关关系的变化检测方法的方法，也可以通过核密度估计、密度比估计等使用概率分布的方法来计算异常度。

此外，异常探测器124b也可以使用第二判定模型来附带概率地计算是否应该将状态数据分类为组。另外，也可以根据代表组的数据点所具有的特征量与根据状态数据运算出的特征量之差是否为规定阈值以下来计算应该将状态数据分类为哪个组。

此外，异常探测器124b中保持的第二判定模型既可以是在进行一系列的异常判定处理之前事先生成的模型，也可以是在进行一系列的异常判定处理的期间被逐次更新的模型。

逐次更新第二判定模型的情况下的用于生成第二判定模型的“状态数据”是指在基于新读入的状态数据进行异常判定处理之前读入的状态数据。也就是说，基于与某个时间点的异常判定处理相比过去得到的“状态数据”来生成第二判定模型。此外，在某个时间点成为异常判定处理的对象的状态数据也可以在进行比该时间点靠后的异常判定处理时用于生成第二判定模型。

异常判定部126使用类别分类器122b中的通过第一判定模型得到的判定结果和异常探测器124b中的通过第二判定模型得到的判定结果，来判定生产机器人80的异常。另外，在生产机器人80的异常不是规定的异常的情况下，异常判定部126将生产机器人80的异常决定为未知的异常，并输出到数据库110和通知部90。异常判定部126中的判定处理的详细情况在后文叙述。

标签设定部128对在生成第一判定模型时使用的“类别”追加与由异常判定部126决定的“未知的异常”对应的“新类别”。追加与“未知的异常”对应的“新类别”的结果是，与“未知的异常”对应的“特征量”和“新类别”的对作为新的“教师数据”而用于第一判定模型的生成(修改)。

此外，既可以是，在异常判定部126将生产机器人80的异常决定为未知的异常的定时，标签设定部128逐次追加与“未知的异常”对应的“新类别”，也可以是，在检测到发生了规定次数以上的“未知的异常”的定时，标签设定部128追加与该“未知异常”对应的“新类别”。

[判定模型的例子]

接着，对与作为“教师数据”给出的“特征量”对应的“状态数据”被分类为多个类别的第一判定模型的例子进行说明。图3是示出装置的状态数据被分类的情形的示意图。

在图3中示出了在以“特征量”为坐标轴的空间内分布有多个与“状态数据”对应的数据点的情形，多个数据点由符号“○”、“□”、“△”、“◇”、“×”表示。此外，在图3中，将“特征量”作为坐标轴，且表示为纵轴和横轴，但将“特征量”作为坐标轴的空间不限定于二维，既可以是一维，也可以是三维以上的多维。

用符号“○”表示的数据点的集合被分类为正常类别CN1，正常类别CN1具有正常类别代表值PN1。正常类别代表值PN1也可以是用符号“○”表示的数据点的特征量的平均、中央值或根据各种统计量计算出的值。

同样地，用符号“□”表示的数据点的集合被分类为具有异常类别代表值PA1的异常类别CA1，用符号“△”表示的数据点的集合被分类为具有异常类别代表值PA2的异常类别CA2，用符号“◇”表示的数据点的集合被分类为具有异常类别代表值PA3的异常类别CA3，用符号“×”表示的数据点的集合被分类为具有异常类别代表值PA4的异常类别CA4。对于异常类别代表值PA1、PA2、PA3、PA4的计算也与正常类别代表值PN1的计算相同。

与属于正常类别CN1的数据点对应的状态是生产机器人80的正常状态。另一方面，与属于异常类别CA1、CA2、CA3、CA4的数据点对应的状态是生产机器人80的异常状态，各状态的异常内容不同。为了后面的说明，将与异常类别CA1、CA2、CA3、CA4对应的异常分别设为“异常1”、“异常2”、“异常3”、“异常4”。

这样，通过第一判定模型，与作为“教师数据”给出的“特征量”对应的“状态数据”被分类为多个类别。

[由异常判定部进行的处理]

接着，使用图4A和图4B来说明由异常判定部126对新读入的状态数据进行的处理。图4A是示出被分类后的状态数据与新的状态数据的关系的第一示意图。另外，图4B是示出被分类后的状态数据与新的状态数据的关系的第二示意图。图4A、图4B中的符号“○”、“□”、“△”、“◇”、“×”的含义以及纵轴和横轴的含义与图3相同。

在图4A中，与新读入的状态数据对应的数据点被表示为新数据点D1、D2、D3。新数据点D1、D2、D3区别于与作为“教师数据”给出的状态数据对应的数据点(用符号“○”、“□”、“△”、“◇”、“×”表示的数据点)。

如果着眼于新数据点D1，则在与新数据点D1的距离为第一阈值以下的点的区域T1内存在三个属于正常类别CN1的数据点(用符号“○”表示的数据点)，另一方面，不存在属于其它类别的数据点(用符号“□”、“△”、“◇”、“×”表示的数据点)。

这样，在与对应于新读入的状态数据的数据点之间的距离为第一阈值以下的特定类别的数据点的个数为规定个数以上的情况下(“具有存在于第一阈值内的类别的情况下”)，异常判定部126使用第一判定模型判定为新读入的状态数据属于特定类别。

在图4A所示的情况下，异常判定部126使用第一判定模型判定为与新数据点D1对应的生产机器人80的状态是“正常”。

此外，异常判定部126也可以基于正常类别代表值PN1处于区域T1的情况而判定为与新数据点D1对应的生产机器人80的状态是“正常”。

如果着眼于新数据点D2，则在与新数据点D2的距离为第一阈值以下的点的区域T1内存在三个属于异常类别CA1的数据点(用符号“□”表示的数据点)，另一方面，不存在属于其它类别的数据点(用符号“○”、“△”、“◇”、“×”表示的数据点)。

在图4A所示的情况下，异常判定部126使用第一判定模型判定为与新数据点D2对应的生产机器人80的状态是“异常”。进而，判定为生产机器人80的状态是与异常类别CA1对应的“异常1”。

此外，异常判定部126也可以基于异常类别代表值PA1处于区域T1的情况而判定为与新数据点D2对应的生产机器人80的状态是“异常1”。

如果着眼于新数据点D3，则在与新数据点D2的距离为第二阈值以下的点的区域T2内不存在与作为“教师数据”给出的状态数据对应的数据点(第二阈值设为比第一阈值大的值)。

这样，在与对应于新读入的状态数据的数据点之间的距离为第二阈值以下的特定类别的数据点的个数为0个的情况下(“不具有存在于第二阈值内的类别的情况下”)，异常判定部126使用第一判定模型判定为不存在新读入的状态数据所属的特定类别。

在图4A所示的情况下，异常判定部126使用第一判定模型判定为与新数据点D3对应的生产机器人80的状态是“未知的异常”。

此外，异常判定部126也可以基于特定类别的类别代表值(正常类别代表值PN1、异常类别代表值PA1、PA2、PA3、PA4)不存在于区域T2的情况，而判定为与新数据点D3对应的生产机器人80的状态是“未知的异常”。

在图4B中，与新读入的状态数据对应的数据点被表示为新数据点D4、D5。新数据点D4、D5区别于与作为“教师数据”给出的状态数据对应的数据点(用符号“○”、“□”、“△”、“◇”、“×”表示的数据点)。

如果着眼于新数据点D4，则在与新数据点D4的距离为第一阈值以下的点的区域T1内不存在与作为“教师数据”给出的状态数据对应的数据点，但在与新数据点D4的距离为第二阈值以下的点的区域T2内存在一个属于正常类别CN1的数据点(用符号“○”表示的数据点)。

这样，在与对应于新读入的状态数据的数据点之间的距离为第一阈值以下的特定类别的数据点的个数为0个且与对应于新读入的状态数据的数据点之间的距离为第二阈值以下的特定类别的数据点的个数为规定个数以上的情况下(“不具有存在于第一阈值内的类别而具有存在于第二阈值内的类别的情况下”)，异常判定部126还使用第二判定模型判定生产机器人80的状态被分类为“正常”和“异常”中的哪一个。

即，与图4A所示的新数据点D1不同，针对图4B所示的新数据点D4不进行仅使用了第一判定模型的判定，异常判定部126使用第一判定模型和第二判定模型双方进行判定，来判定生产机器人80的状态是“正常”和“异常”中的哪一个。

如果着眼于新数据点D5，则在与新数据点D5的距离为第一阈值以下的点的区域T1内不存在与作为“教师数据”给出的状态数据对应的数据点，但在与新数据点D5的距离为第二阈值以下的点的区域T2内存在1个属于异常类别CA2的数据点(用符号“△”表示的数据点)。

与图4A所示的新数据点D2不同，针对图4B所示的新数据点D5不进行仅使用了第一判定模型的判定，异常判定部126使用第一判定模型和第二判定模型双方进行判定，来判定生产机器人80的状态是“正常”和“异常”中的哪一个。

这样，异常判定部126在能够基于通过第一判定模型得到的判定结果进行确定的判定的情况下(在图4A中用新数据点D1、D2、D3例示的情况下)，仅使用第一判定模型进行生产机器人80的状态的判定，另一方面，在无法进行确定的判定的情况下(在图4B中用新数据点D4、D5例示的情况下)，使用第一判定模型和第二判定模型双方来进行生产机器人80的状态的判定。

此外，异常判定部126不限定于上述例子，也可以是，在能够基于通过第二判定模型得到的判定结果进行确定的判定的情况下，仅使用第二判定模型进行生产机器人80的状态的判定，另一方面，在无法进行确定的判定的情况下，使用第一判定模型和第二判定模型双方来进行生产机器人80的状态的判定。

上述，作为第一判定模型，进行了基于k邻域法的判定，但也可以使用其它各种基于监督学习的方法。

在使用第一判定模型和第二判定模型双方进行了生产机器人80的状态的判定的情况下，有可能产生第一判定模型的判定结果与第二判定模型的判定结果矛盾的情况。在这种情况下，也可以由用户适当地指定异常判定部126优先使用哪个判定结果。

例如，在用户判断为希望尽可能多地探测生产机器人80的异常的情况下，在第一判定模型和第二判定模型中的至少一方将生产机器人80的状态判定为“异常”的时间点，异常判定部126将生产机器人80的状态判定为“异常”即可。另外，反之，在用户判断为不想尽量探测生产机器人80的异常的情况下，在第一判定模型和第二判定模型中的至少一方将生产机器人80的状态判定为“正常”的时间点，异常判定部126将生产机器人80的状态判定为“正常”即可。

[异常判定的处理过程]

接着，说明本实施方式所涉及的异常判定的处理过程的一例。图2是示出本实施方式所涉及的异常判定装置的处理过程的流程图。在从监视人员或维护人员发出异常诊断开始的指示的情况下或者在生产机器人80启动的期间内的规定的定时，开始进行图2所示的异常判定的处理，每当向异常判定装置100输入生产机器人80的状态数据时重复执行图2所示的异常判定的处理。

在步骤S102中，控制部120从数据库110读入传感器数据。具体地说，控制部120从数据库110读入生产机器人80的状态数据，并向监督学习器122和无监督学习器124输入所读入的状态数据。

在步骤S104中，监督学习器122基于所读入的状态数据进行判定。具体地说，特征量运算部122a基于所读入的状态数据来运算特征量，类别分类器122b计算与所运算出的特征量对应的类别。

在步骤S106中，在不具有存在于第一阈值内的类别的情况下(在步骤S106中为“否”的情况下)，进入步骤S108。

在步骤S108中，在不具有存在于第二阈值内的类别的情况下(在步骤S108中为“否”的情况下)，进入步骤S110，判定为生产机器人80的状态是“未知的异常”。

在步骤S112中，标签设定部128追加与“未知的异常”对应的“新类别”。

在步骤S114中，异常判定部126判定为生产机器人80的状态是“异常”。然后，在步骤S116中，异常判定部126将判定结果输出到通知部90，通知部90向用户通知生产机器人80的状态为异常的意思。

在步骤S118中，异常判定部126将判定结果输出到数据库110。

此外，在步骤S106中，在具有存在于第一阈值内的类别的情况下(在步骤S106中为“是”的情况下)，进入步骤S122，异常判定部126将所读入的状态数据分类为存在于第一阈值内的类别。

在步骤S124中，异常判定部126判定对所读入的状态数据进行分类后的类别是否为“正常类别”，在分类后的类别是“正常类别”的情况下(在步骤S124中为“是”的情况下)，进入步骤S126，异常判定部126判定为生产机器人80的状态是“正常”。之后，进入步骤S118。

在步骤S124中，在分类后的类别是“异常类别”的情况下(在步骤S124中为“否”的情况下)，进入步骤S114。

此外，在步骤S108中，在具有存在于第二阈值内的类别的情况下(在步骤S108中为“是”的情况下)，进入步骤S132。

在步骤S132中，无监督学习器124基于所读入的状态数据进行判定。具体地说，特征量运算部124a基于所读入的状态数据来运算特征量，异常探测器124b判定将所读入的状态数据分类为“正常区域”组和“异常区域”组中的哪个组，并进行异常度判断。

在步骤S134中，在所读入的状态数据被分类为“正常区域”组的情况下(在步骤S134中为“是”的情况下)，进入步骤S136，异常判定部126将所读入的状态数据分类为存在于第二阈值内的类别。然后，在步骤S138中，异常判定部126判定为生产机器人80的状态是“正常”。之后，进入步骤S118。

在步骤S134中，在将所读入的状态数据分类为“异常区域”组的情况下(在步骤S134中为“否”的情况下)，进入步骤S110。

[变形例所涉及的异常判定的处理过程]

接着，说明本实施方式的变形例所涉及的异常判定的处理过程的一例。图5是示出变形例所涉及的异常判定装置的处理过程的流程图。在从监视人员或维护人员发出异常诊断开始的指示的情况下或者在生产机器人80启动的期间内的规定的定时，开始进行图5所示的异常判定的处理，每当向异常判定装置100输入生产机器人80的状态数据时重复执行图5所示的异常判定的处理。

在步骤S202中，控制部120从数据库110读入传感器数据。具体地说，控制部120从数据库110读入生产机器人80的状态数据，并向监督学习器122和无监督学习器124输入所读入的状态数据。

在步骤S204中，无监督学习器124基于所读入的状态数据进行判定。具体地说，特征量运算部124a基于所读入的状态数据来运算特征量，异常探测器124b判定将所读入的状态数据分类为“正常区域”组和“异常区域”组中的哪个组，并进行异常度判断。

在步骤S206中，基于由异常探测器124b进行的异常度判断，在所读入的状态数据是异常区域的概率不为第三阈值以下的情况下(在步骤S206中为“否”的情况下)，进入步骤S208。

在步骤S208中，基于由异常探测器124b进行的异常度判断，在所读入的状态数据是异常区域的概率不为第四阈值以下的情况下(步骤S208中为“否”的情况下)，进入步骤S210。

在步骤S210中，异常判定部126判定为生产机器人80的状态是“异常”。另外，在此，异常判定部126也可以使用基于监督学习器122中的第一判定模型的判定结果，来判定生产机器人80的“异常”状态是否为“未知的异常”。

在步骤S212中，异常判定部126将判定结果输出到通知部90，通知部90向用户通知生产机器人80的状态为异常的意思。

在步骤S214中，异常判定部126将判定结果输出到数据库110。

此外，在步骤S206中，基于由异常探测器124b进行的异常度判断，在所读入的状态数据是异常区域的概率为第三阈值以下的情况下(在步骤S206中为“是”的情况下)，进入步骤S222，异常判定部126判定为生产机器人80的状态是“正常”。之后，进入步骤S214。

另外，在步骤S208中，基于由异常探测器124b进行的异常度判断，在所读入的状态数据是异常区域的概率为第四阈值以下的情况下(在步骤S208中为“是”的情况下)，进入步骤S232。

在步骤S232中，监督学习器122基于所读入的状态数据进行判定。具体地说，特征量运算部122a基于所读入的状态数据来运算特征量，类别分类器122b计算与运算出的特征量对应的类别。

在步骤S234中，基于监督学习器122的判定结果，在所读入的状态数据被分类后的类别是“异常类别”的情况下(在步骤S234中为“是”的情况下)，进入步骤S210。

另一方面，在步骤S234中，在对所读入的状态数据进行分类后的类别不是“异常类别”的情况下(在步骤S234中为“否”的情况下)，进入步骤S236，异常判定部126判定为生产机器人80的状态是“正常”。之后，进入步骤S214。

[实施方式的效果]

如以上详细地说明那样，根据本实施方式所涉及的异常判定装置以及异常判定方法，使用基于从用于探测装置的状态的传感器输出的装置的状态数据来判定在装置中是否发生了规定的异常的第一判定模型的判定结果以及基于状态数据对装置的状态进行分类的第二判定模型的判定结果，来判定装置的异常，在判定出的装置的异常不是规定的异常的情况下，将判定出的装置的异常设为未知的异常来输出。

因而，与仅使用第一判定模型和第二判定模型中的一方的判定结果来判定装置的异常的情况相比，能够更准确地进行装置的状态的判定。进而，能够减小看漏装置的未知的异常的可能性。

另外，根据本实施方式所涉及的异常判定装置以及异常判定方法，也可以基于第一判定模型和根据状态数据计算出的特征量，将装置的异常分类为与规定的异常分别对应的规定的异常类别。由此，在装置中发生了异常的情况下，能够掌握该异常的类别。进而，能够判定在装置中发生的异常是否为未知的异常。

并且，根据本实施方式所涉及的异常判定装置以及异常判定方法，也可以是，在存在与特征量之差为第一阈值以下的异常类别的情况下，判定为装置的异常是同与特征量之差为第一阈值以下的异常类别对应的规定的异常。由此，在能够根据第一判定模型的判定结果进行确定的判定的情况下，不需要第二判定模型的判定结果就能够判定装置的异常，能够削减计算量。

另外，根据本实施方式所涉及的异常判定装置以及异常判定方法，也可以是，在不存在与特征量之差为第一阈值以下的异常类别而存在与特征量之差为第二阈值以下的异常类别的情况下，使用通过第一判定模型得到的判定结果和通过第二判定模型得到的判定结果双方来判定有无未知的异常。由此，在无法根据第一判定模型的判定结果进行确定的判定的情况下，还能够使用通过第二判定模型得到的判定结果来判定装置的异常，能够更准确地进行装置的状态的判定。进而，能够减小看漏装置的未知的异常的可能性。

并且，根据本实施方式所涉及的异常判定装置以及异常判定方法，也可以是，在不存在与特征量之差为第二阈值以下的异常类别的情况下，控制器判定为装置的异常是未知的异常。由此，由此，在能够根据通过第一判定模型得到的判定结果进行确定的判定的情况下，不需要第二判定模型的判定结果就能够判定装置的异常，能够削减计算量。进而，能够减小看漏装置的未知的异常的可能性。

另外，根据本实施方式所涉及的异常判定装置以及异常判定方法，第一判定模型也可以是通过监督学习生成的模型。另外，也可以是，通过将装置的过去的状态数据作为教师数据进行机器学习来生成监督学习模型。由此，能够在基于新读入的状态数据在异常判定中利用装置的过去的状态数据，能够更准确地进行装置的状态的判定。

并且，根据本实施方式所涉及的异常判定装置以及异常判定方法，也可以是，在判定出的装置的异常不是规定的异常的情况下，控制器追加未知的异常来作为规定的异常，基于发生了未知的异常的装置的状态数据来修改第一判定模型。由此，能够在将来的异常判定中判定与在某个时间点的异常判定中检测出的未知的异常近似的装置的异常。其结果，能够更准确地进行装置的状态的判定。

另外，根据本实施方式所涉及的异常判定装置以及异常判定方法，也可以使用第二判定模型，将装置的状态至少分类为装置的正常和异常中的任一种状态。另外，第二判定模型可以是通过无监督学习生成的模型。由此，能够使用与第一判定模型不同的模型来更准确地进行装置的状态的判定。

在上述实施方式中示出的各功能能够通过一个或多个处理电路来实现。在处理电路中包括被编程的处理器、电路等，还包括如面向特定用途的集成电路(ASIC)那样的装置、被配置为执行所记载的功能的电路构成要素等。

以上，按照实施方式说明了本发明的内容，但本发明并不限定于这些记载，对于本领域技术人员来说，显然能够进行各种变形和改良。不应理解为构成本公开的一部分的论述以及附图用于限定本发明。根据本公开，本领域技术人员想必清楚各种替代实施方式、实施例以及运用技术。

本发明包括在此没有记载的各种实施方式等，这是不言而喻的。因而，根据上述说明，本发明的技术范围仅由适当的权利要求书所涉及的发明特定事项来决定。

附图标记说明

100：异常判定装置；102：通信部(输入部)；110：数据库；120：控制部；122：监督学习器；122a：特征量运算部；122b：类别分类器；124：无监督学习器；124a：特征量运算部；124b：异常探测器；126：异常判定部；128：标签设定部；80：生产机器人；82：通信部；84：测量部；86：传感器；90：通知部。

Claims (11)

1.一种异常判定装置，具备：控制器；以及输入部，其被输入从用于探测装置的状态的传感器输出的数据，所述异常判定装置用于判定所述装置的异常，所述异常判定装置的特征在于，

所述控制器经由所述输入部获取从所述传感器输出的所述装置的状态数据，

所述控制器使用通过第一判定模型得到的判定结果以及通过第二判定模型得到的判定结果，来判定所述装置的异常，其中，所述第一判定模型用于基于所述状态数据来判定所述装置中是否发生了规定的异常，所述第二判定模型用于基于所述状态数据来对所述装置的状态进行分类，

在所判定出的所述装置的异常不是所述规定的异常的情况下，所述控制器将所判定出的所述装置的异常作为未知的异常来输出。

2.根据权利要求1所述的异常判定装置，其特征在于，

所述控制器基于所述第一判定模型和根据所述状态数据计算出的特征量，将所述装置的异常分类为与所述规定的异常分别对应的规定的异常类别。

3.根据权利要求2所述的异常判定装置，其特征在于，

在存在与所述特征量之差为第一阈值以下的所述异常类别的情况下，所述控制器判定为所述装置的异常是同与所述特征量之差为第一阈值以下的所述异常类别对应的所述规定的异常。

4.根据权利要求2或3所述的异常判定装置，其特征在于，

在不存在与所述特征量之差为第一阈值以下的所述异常类别而存在与所述特征量之差为第二阈值以下的所述异常类别的情况下，所述控制器使用通过所述第一判定模型得到的判定结果和通过所述第二判定模型得到的判定结果双方，来判定有无所述未知的异常。

5.根据权利要求2～4中的任一项所述的异常判定装置，其特征在于，

在不存在与所述特征量之差为第二阈值以下的所述异常类别的情况下，所述控制器判定为所述装置的异常是所述未知的异常。

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，

所述第一判定模型是通过监督学习生成的模型。

7.根据权利要求6所述的异常判定装置，其特征在于，

所述监督学习模型是通过将所述装置的过去的状态数据作为教师数据进行机器学习生成的。

8.根据权利要求1～7中的任一项所述的异常判定装置，其特征在于，

在所判定出的所述装置的异常不是所述规定的异常的情况下，所述控制器将所述未知的异常追加为所述规定的异常，基于发生了所述未知的异常的所述装置的所述状态数据来修正所述第一判定模型。

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，

所述控制器使用所述第二判定模型来将所述装置的状态至少分类为所述装置的正常和异常中的某一种状态。

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，

所述第二判定模型是通过无监督学习生成的模型。

11.一种异常判定方法，其特征在于，

获取从用于探测装置的状态的传感器输出的所述装置的状态数据，

使用通过第一判定模型得到的判定结果以及通过第二判定模型得到的判定结果，来判定所述装置的异常，其中，所述第一判定模型用于基于所述状态数据来判定所述装置中是否发生了规定的异常，所述第二判定模型用于基于所述状态数据来对所述装置的状态进行分类，

在所判定出的所述装置的异常不是所述规定的异常的情况下，将所判定出的所述装置的异常作为未知的异常来输出。

Images