CN116018245A - 状态监视装置、状态异常判别方法以及状态异常判别程序 - Google Patents
状态监视装置、状态异常判别方法以及状态异常判别程序 Download PDFInfo
- Publication number
- CN116018245A CN116018245A CN202180049981.7A CN202180049981A CN116018245A CN 116018245 A CN116018245 A CN 116018245A CN 202180049981 A CN202180049981 A CN 202180049981A CN 116018245 A CN116018245 A CN 116018245A
- Authority
- CN
- China
- Prior art keywords
- time
- series data
- data
- dissimilarity
- state
- 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.)
- Pending
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
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/06—Safety devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0066—Means or methods for maintaining or repairing manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
-
- 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
- G05B19/42—Recording and playback systems, i.e. in which the programme is recorded from a cycle of operations, e.g. the cycle of operations being manually controlled, after which this record is played back on the same machine
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36401—Record play back, teach position and record it then play back
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36433—Position assisted teaching
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
状态监视装置监视可再现预先确定的动作的机器人的状态。时间序列数据获取部,以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号。时间序列数据与显示获取时期的时期信息以及确定机器人的再现动作的再现辨识信息建立关联进行存储。非相似度计算部用于求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的运行获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后运行而获取的所述时间序列数据的数据。所述机器人状态评估部使用所述非相似度作为用于机器人的状态评估的评估量。
Description
技术领域
本发明主要涉及一种状态监视装置,其监视机器人的状态,且支援机器人的维护。
背景技术
若使产业用机器人在工厂等中反复工作,则机器人的各部分(例如,机械零件)不能避免地会产生劣化。随著状况进一步劣化,最终可能导致机器人故障。在机器人产生故障且长时间地造成生产线停止的情况下,会带来极大的损失,因此迫切需要在机器人产生故障之前进行维护(保养)。另一方面,从维护费用等的观点考虑,频繁地进行维护也存在困难。
为了能在适宜的时机进行维护,提出了一种用以预测机器人的减速机等的剩余寿命的装置。专利文献1公开了此种机器人保养支援装置。
专利文献1的机器人保养支援装置,其构成为:根据构成机器人驱动***的伺服电动机的电流指令值的数据,对电流指令值的将来的变化趋势进行诊断,且根据诊断而得的变化趋势判定电流指令值达到预先设定的值之前的期间。
[现有技术文献]
[专利文献]
专利文献1:日本特开2016-117148号公报
发明内容
发明所要解决的技术问题
所述专利文献1的构成中,作为电流指令值的诊断项目,例示有I2监视器、占空比以及峰值电流。在这些项目中,既存在能有效地捕捉机器人故障的前兆的情况,但也有可能存在不太有效的情况。因此,需要寻求一种新的指标,该指标能够准确地检测机器人接近故障时的状况。
有鉴于此,本发明的主要目的,在于能良好捕捉机器人故障的前兆。
解决问题所使用的技术方案
本发明所欲解决的问题诚如上面的说明,下面对用于解决该问题的手段及其功效进行说明。
根据本发明的第一观点,提供下面的结构的状态监视装置。也就是说,该状态监视装置,监视可再现预先确定的动作的产业用机器人的状态。所述状态监视装置,具备时间序列数据获取部、存储部、非相似度计算部、以及机器人状态评估部。所述时间序列数据获取部,以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号。所述存储部将通过所述时间序列数据获取部获取的时间序列数据、与时期信息以及再现辨识信息建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该再现辨识信息是确定获取了该时间序列数据时的机器人的再现动作的信息。所述非相似度计算部,用以求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的再现动作获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的所述时间序列数据的数据。所述机器人状态评估部,使用通过所述非相似度计算部计算的所述非相似度作为用于机器人的状态评估的评估量。
根据本发明的第二观点,提供下面的结构的状态监视方法。也就是说,在该状态监视方法中,监视可再现预先确定的动作的产业用机器人的状态。该状态监视方法包含有:时间序列数据获取工序;存储工序;非相似度计算工序;以及机器人状态评估工序。在所述时间序列数据获取工序中,以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号。在所述存储工序中,将在所述时间序列数据获取工序中获取的时间序列数据、与时期信息以及再现辨识信息建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该再现辨识信息是确定获取了该时间序列数据时的机器人的再现动作的信息。在所述非相似度计算工序中,求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的再现动作获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的所述时间序列数据的数据。在所述机器人状态评估工序中,使用在所述非相似度计算工序中计算的所述非相似度作为评估量,评估机器人的状态。
根据本发明的第三观点,提供下面的结构的状态监视程序。也就是说,在该状态监视程序中,监视可再现预先确定的动作的产业用机器人的状态。在所述状态监视程序中,使计算机执行时间序列数据获取步骤、存储步骤、非相似度计算步骤、以及机器人状态评估步骤。在所述时间序列数据获取步骤中,以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号。在所述存储步骤中,将在所述时间序列数据获取步骤中获取的时间序列数据、与时期信息以及再现辨识信息建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该再现辨识信息是确定获取了该时间序列数据时的机器人的再现动作的信息。在所述非相似度计算步骤中,求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的再现动作获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的所述时间序列数据的数据。在所述机器人状态评估步骤中,使用在所述非相似度计算步骤中计算的所述非相似度作为评估量,评估机器人的状态。
由此,能够容易把握机器人故障的前兆。因此,能够在故障之前进行机器人的维护。
发明的功效
根据本发明,能够良好地捕捉机器人故障的前兆。
附图说明
图1是显示本发明的第一实施方式的机器人的构成的立体图;
图2是示意显示机器人以及状态监视装置的电结构的框图;
图3是用于说明关于时间序列数据的获取的触发信号的定时的图表;
图4是显示DTW演算法的示意图;
图5(a)是显示关于不含杂讯的电流值的波形的图,(b)是显示关于施加有杂讯的电流值的波形的图;
图6是显示时间序列数据的根据DTW距离的评估结果的推移的图表;
图7是显示时间序列数据的根据PTP的评估结果的推移的图表;
图8是显示时间序列数据的根据均方根的评估结果的推移的图表;
图9是显示基准数据以及比较用数据的具体例的图表;
图10是显示DTW距离的图表的显示例的图;
图11是关于DTW距离,显示将a+kσ的推移显示在图表上的示例的图;
图12是关于DTW距离,显示将空间竞争理论的异常度的推移显示在图表上的示例的图;
图13是用于说明获取时间序列数据的处理的流程图;
图14是用于说明计算DTW距离的处理的流程图;
图15是说明基准数据以及比较用数据的变异的图表;
图16是显示时间序列数据的根据第二DTW距离的评估结果的推移的图表;
图17是显示时间序列数据的第三评估量的推移的图表;
图18是显示时间序列数据的第四评估量的推移的图表;
图19是显示警告信息的显示例的图表;
图20是说明在第二实施方式中计算的非相似度的示意图;和
图21是说明在第三实施方式中计算的非相似度的示意图。
附图标记说明
1机器人
5状态监视装置
51时间序列数据获取部(时间序列数据获取部)
52存储部
53时间序列数据评估部(非相似度计算部)
54机器人状态评估部
具体实施方式
下面,参照附图说明本发明的实施方式。图1是显示本发明的一实施方式的机器人1的结构的立体图。图2是显示机器人1以及状态监视装置5的电结构的框图。
本发明的状态监视装置5,例如,被应用于如图1所示的机器人(产业用机器人)1。机器人1对工作对象的工件进行涂敷、洗净、焊接、搬送等工作。机器人1例如通过垂直多关节机器人实现。
下面,参照图1以及图2等简单地说明机器人1的结构。
机器人1具有旋转基座10、多关节臂11以及腕部12。旋转基座10固定在地面(例如,工厂的地板)。多关节臂11具有多个关节。腕部12安装在多关节臂11的前端。在腕部12上安装有对工作对象的工件进行工作的末端效应器13。
如图2所示,机器人1具有臂驱动装置21。
这些驱动装置,例如由作为伺服电动机构成的致动器、以及减速机等构成。然而,驱动装置的构成不限在所述构成。每个致动器电性连接于控制器90。致动器以反映从控制器90输入的指令值的方式进行动作。
来自构成臂驱动装置21的各伺服电动机的驱动力,经由减速机被传递至多关节臂11的各关节、旋转基座10以及腕部12。在每个伺服电动机上安装有检测其旋转位置的省略图示的编码器。
机器人1通过再现根据教示记录的动作而进行工作。控制器90以机器人1再现教示者事先教示的一系列动作的方式控制所述致动器。对机器人1的教示,能够通过教示者操作省略图示的教示器而进行。
通过对机器人1的教示,生成用以移动机器人1的程序。每当对机器人1进行教示时即能够生成程序。若教示机器人1的动作不同,则程序也不同。通过在多个程序之间切换执行的程序,能够变更使机器人1进行的动作。
控制器90例如能够由公知的计算机构成,该计算机具备CPU、ROM、RAM、辅助存储装置等。辅助存储装置,例如由HDD、SSD等构成。在辅助存储装置中存储有用于移动机器人1的程序等。
如图1所示,状态监视装置5连接于控制器90。状态监视装置5,经由控制器90获取流动于致动器(伺服电动机)中的电流的电流值等的推移。
假若伺服电动机以及与其连结的减速机等产生异常,则伺服电动机的电流值受其影响而产生变动。因此,该电流值对应于反映机器人1的状态的状态信号。电流值的推移,能够通过以短时间间隔反复地获取该电流值,且按时间顺序排列多个电流值而表现。下面,亦能够将按时间序列排列状态信号的值的数据称为时间序列数据。
状态监视装置5,能够通过监视获取的时间序列数据,判定机器人1有无异常。在本实施方式中,状态监视装置5,主要以每个关节的伺服电动机以及减速机作为对象,判定有无异常。其中,「异常」是指包含有虽然尚未达到动作不良/不能的状态,但已在伺服电动机、减速机或轴承中产生了某种成为前兆的状况的情况。
如图2所示,状态监视装置5,具备时间序列数据获取部(时间序列数据获取部)51、存储部52、时间序列数据评估部(非相似度计算部)53、机器人状态评估部54、以及显示部55。
状态监视装置5由公知的计算机构成,该计算机具备CPU、ROM、RAM、辅助存储装置等。辅助存储装置,例如由HDD、SSD等构成。在辅助存储装置中存储有用于机器人1的状态评估等的程序等。通过这些硬件以及软件的协同动作,能够使计算机作为时间序列数据获取部51、存储部52、时间序列数据评估部53、机器人状态评估部54等而动作。
时间序列数据获取部51获取所述的时间序列数据。时间序列数据获取部51,以机器人1的臂驱动装置21具备的所有伺服电动机作为对象,获取时间序列数据。并且,分别对配置在机器人1的各部分的多个伺服电动机(换句话说,多个减速机)获取时间序列数据。
在本实施方式中,状态信号是一电流值。其中,电流值表示通过传感器测定流动于伺服电动机的电流的大小而得的测定值。传感器设在控制伺服电动机的省略图示的伺服驱动器上。但是,传感器也能够作为监视用而与伺服驱动器分别设置。也能够代替此,采用伺服驱动器对伺服电动机提供的电流指令值作为状态信号。伺服驱动器以使目前的电流值接近电流指令值的方式对伺服电动机进行反馈控制。由此,若从检测伺服电动机或减速机异常的目的考量,电流值与电流指令值几乎不存在差异。
伺服电动机的扭矩的大小与电流的大小成比例。因此,作为状态信号,也能够使用扭矩值或扭矩指令值。
作为状态信号,也能够使用关于伺服电动机的旋转位置的目标值、与通过所述编码器获得的实际旋转位置的偏差(旋转位置偏差)。通常,伺服驱动器将该偏差乘以增益后的值作为电流指令值提供至伺服电动机。由此,旋转位置的偏差的推移显示与电流指令值的推移相似的趋势。作为状态信号,也能够使用伺服电动机的实际旋转位置。
每当机器人1再现所教示的动作时,时间序列数据获取部51对于每个伺服电动机获取时间序列数据。但是,也能够仅将例如每天一次或数次的再现动作为对象获取时间序列数据,以代替对所有的再现动作获取时间序列数据。
时间序列数据获取部51,获取在接收了获取开始信号的定时与接收了获取结束信号的定时的期间内的、流动于各伺服电动机的电流值的时间序列数据。该获取开始信号以及获取结束信号,例如通过控制器90输出。
图3的图表显示在机器人1进行再现动作的情况下流动于某个关节的伺服电动机的电流值的一例。如图3所示,在执行再现动作的程序前的状态下,伺服电动机的电流值为零。此时,由于未图示的电磁制动器在各关节中进行动作,因此能够保持多关节臂11等的姿势。
接著,开始机器人1的再现动作的程序。伴随此,制动器开放,且几乎同时电流开始朝伺服电动机流动。在此时刻,以停止伺服电动机的输出轴的方式进行控制。待经过为了稳定伺服电动机的输出轴的角度而需要的一定程度的时间后,伺服电动机才开始旋转。由此,实质上开始机器人1的动作。
在制动器开放之后,且较开始伺服电动机的旋转略微超前的时刻,控制器90将获取开始信号输出至状态监视装置5(进而,时间序列数据获取部51)。
当全部完成教示机器人1的一系列动作时,以停止旋转的方式控制伺服电动机。在伺服电动机成为旋转停止状态之后,控制器90在结束程序前的时刻,将获取结束信号输出至时间序列数据获取部51。
存储部52例如由所述辅助存储装置构成。存储部52存储通过时间序列数据获取部51获取的时间序列数据。
在本实施方式中,时间序列数据是将通过以较短的一定时间间隔重复地检测获得的多个电流值按时间顺序排列而成的数据。由此,时间序列数据中的电流值是取样值。检测电流值的时间间隔(取样间隔)例如为数毫秒。电流值的取样间隔,能够与机器人1的控制周期一致,也能够不同。在图3的图表中,时间序列数据对应于从获取开始信号的定时算起至获取结束信号的定时为止的电流值的推移。
再者,获取开始信号或获取结束信号,也能够使用其它现有的信号而实质上加以实现,不必为了时间序列数据的获取等的计测而特意准备。例如,能够使用主要用于确保安全的目的的「再现运转中」信号的下降,作为获取结束信号。
在存储部52中与该时序列数据建立关联地存储有显示数据的获取时期的时期信息。时期信息例如能够为时间戳,该时间戳显示所述获取开始信号的接收日期以及时间。
同样地,在存储部52中与该时间序列数据建立关联地存储有再现辨识信息,该再现辨识信息显示机器人1在时间序列数据的获取时进行的动作。机器人1的一系列动作通过再现动作的程序定义。因此,再现辨识信息,例如能够为程序编号或程序名称,该程序编号或程序名称是为了唯一地确定再现动作的程序而被赋予。
下面,具体说明时间序列数据的保存。使用计算机即状态监视装置5具备的OS的文件***,在所述辅助存储装置中制作以程序编号或程序名称作为名称的文件夹。在该文件夹中自动地保存有在执行该编号的程序时获取的时间序列数据的文件。在该文件中,例如以逗号分隔值(CSV)记述有与6个关节的伺服电动机的电流值相关的时间序列数据。文件名称内包含有时间戳的字符串。由此,能够实现时期信息以及再现辨识信息与时间序列数据的关联建立。然而,所述方法仅为例示而已,也可以其它的方式实现关联建立。
时间序列数据获取部51,于机器人1在工厂等工作的过程中,长期间反复地获取时间序列数据。每获取一次时间序列数据,则保存一个所述的文件。
时间序列数据,能够分为作为初始收集的数据的基准数据、以及之后收集的比较用数据。时间序列数据评估部53,通过对基准数据与比较用数据进行比较,以评估比较用数据。根据该评估结果,时间序列数据评估部53输出用于评估机器人1的状态的评估量。
作为基准数据,例如使用于对机器人1教示动作之后且初次再现该动作时通过时间序列数据获取部51获取的时间序列数据。然而,也能够使机器人1进行多次包含初次在内的再现动作,且通过对多次的时间序列数据进行平均而计算平均值的时间序列数据,然后使用该平均值的时间序列数据作为基准数据。所述的多次能够为第1次、第2次、第3次…等连续的次数,也能够为第1次、第4次、第6次、…等非连续的次数。
基准数据的获取时机,也能够不是严格的初始(初次),只要为实质上的初始(初次)即足够。例如,也能够使机器人1在动作教示之后作为磨合运行进行一次或多次再现动作,然后获取基准数据。
作为基准数据,也能够使用对初次的时间序列数据、或包含初次的多次的平均值的时间序列数据进行滤波处理后的数据。
作为比较用数据,使用于作为基准数据的来源的时间序列数据之后获取的时间序列数据。也能够使用时间序列数据直接作为比较用数据,也能够将对时间序列数据进行滤波处理后的数据作为比较用数据。
下面的说明中,关于基准数据以及比较用数据,有时亦能够将不进行滤波处理的情况称为「原始」,且将进行滤波处理后的情况称为「滤波完毕」。
滤波处理,是为了去除例如时间序列数据中包含的杂讯等而进行。由于对数据的滤波处理是公知技术,因此省略详细说明,但能够使用例如移动平均滤波器、CR电路模拟滤波器等任意的滤波器。
基准数据为了机器人1的每个再现动作(换句话说,每一程序)而准备。虽然也能够对所有教示完毕的动作获取基准数据,但例如若存在以机器人1为主进行的动作、或非主要动作的简单动作且每天一次再现的动作,也能够仅获取关于该动作的基准数据。
时间序列数据评估部53使用DTW演算法对基准数据与比较用数据进行比较。DTW是Dynamic Time Warping(动态时间扭曲)的简称。
在此,对DTW演算法简单地进行说明。DTW演算法用于计算2个时间序列数据的相似程度。DTW演算法的一大特征在于,在相似度的计算时容许时间序列数据的在时间轴方向上的非线形的伸缩。由此,DTW演算法能够在时间序列数据的相似度方面获得逼近人类直观的结果。
时间序列数据评估部53输出DTW距离(非相似度)作为评估量,该DTW距离显示比较用数据与基准数据的差异的大小。
参照图4说明DTW演算法的原理。沿横向延伸的第一轴按时间序列顺序配置基准数据中含有的多个(m个)电流值。并且,沿纵向延伸的第二轴配置比较用数据中含有的多个(n个)电流值。
接著,在由纵横的轴界定的平面上界定呈矩阵状配置的m×n个单格(cell)。每个单格(i,j)显示基准数据中的第i个电流值与比较用数据中的第j个电流值的对应关系。其中,1≤i≤m,1≤j≤n。
每个单格(i,j)分别与一个数值建立关联,该数值显示基准数据中的第i个电流值与比较用数据中的第j个电流值的差异。在本实施方式中,第i个电流值与第j个电流值的差的绝对值被建立关联地存储在各个单格。
时间序列数据评估部53,用于求得从位于图4的矩阵的左下角的起始点单格至位于右上角的终止点单格的扭曲路径(路径)。
起始点单格(1,1),相当于将基准数据中的m个电流值中的在时间序列中最先定时(即、第1个)的电流值、与比较用数据中的n个电流值中的在时间序列中最先定时(即、第1个)的电流值建立对应。
终止点单格(m,n),相当于将基准数据中的m个电流值中的在时间序列中最后定时(即、第m个)的电流值、与比较用数据中的n个电流值中的在时间序列中最后定时(即、第n个)的电流值建立对应。
在如上所述构建的m×n个矩阵中,根据下面的[1]以及[2]的规则,考虑从起始点单格出发至到达终止点单格的路径。[1]只能朝纵、横或倾斜邻接的单格移动。[2]既不能朝返回基准数据的时间的方向移动,也不能朝返回比较用数据的时间的方向移动。
以如此方式连接单格而成的,被称为路径或扭曲路径。扭曲路径显示如何将基准数据中的m个电流值、与比较用数据中的n个电流值分别建立对应。若以其它的观点讲,扭曲路径显示如何使2个时间序列数据在时间轴方向上伸缩。
从起始点单格至终止点单格的扭曲路径能够考虑多种可能路径。时间序列数据评估部53,在能考虑的扭曲路径中寻求一条显示与通过的单格建立关联的差异的数值(在本实施方式中,第i个电流值与第j个电流值的差的绝对值与各单格建立关联)的加总最小的扭曲路径。
下面,亦能够将该扭曲路径称为最佳扭曲路径。另外,将该最佳扭曲路径中的各方格的值的加总值称为DTW距离。也能够使用通过将DTW距离除以最佳扭曲路径通过的单格数而获得的平均值来评估比较数据,以代替DTW距离。另外,也能够使用将DTW距离除以任意的时间序列数据的要素数m或n而得的值来评估比较数据,取代替所述平均值。
在m以及n大的情况下,大量的扭曲路径能供考虑。因此,假定考虑所有可能的扭曲路径,则用以求得最佳扭曲路径的计算量会***式地增加。为了解决该问题,本实施方式的时间序列数据评估部53使用DP匹配方法(动态规划法)求得DTW距离。DP是DynamicProgramming(动态编程)的简称。
由于DP匹配方法是公知方法,因此下面简单地进行说明。若考虑所述的规则,则如图4的箭头所示,在关注某个单格的情况下,仅三个移动源头的单格能够朝该单格移动。这些三个单格,是在左侧邻接在关注单格的单格、在下侧邻接在关注单格的单格、以及在左下侧邻接在关注单格的单格。本实施方式的时间序列数据评估部53利用所述特征求得DTW距离。
具体说明如下。时间序列数据评估部53,首先,对图4的矩阵中下端的行(Row)的所有单格(1,1)、(2,1)、…、(m,1)中的每个单格,求得从起始点单格(1,1)至该单格的路径中所包含的各单格的值的加总。下面,亦能够将该加总值称为单格加总。另外,在考虑一或多条的从起始点单格(1,1)至某个单格的路径的情况下,亦能够将单格加总的最小值称为单格加总最小值。
若考虑所述规则,则从起始点单格(1,1)至矩阵下端的行的各单格的路径,只能具有一条直线的路径。由此,能说各单格的单格加总即为单格加总最小值。关于矩阵下端的行的单格,通过从起始点单格(1,1)开始依序加上单格的值,能够容易地进行单格加总(单格加总最小值)的计算。
接著,关注从下端算起的第2行。
首先,考虑单格(1,2)。作为路径到达单格(1,2)前的单格,仅具有起始点单格(1,1)。因此,能够简单地求得从起始点单格(1,1)至单格(1,2)的路径的各单格的值的加总。从起始点单格(1,1)至单格(1,2)的路径仅具有一条。因此,获得的加总是关于单格(1,2)的单格加总最小值。
接著,考虑单格(2,2)。作为路径到达单格(2,2)前的单格,具有起始点单格(1,1)、单格(2,1)、单格(1,2)的三种。对于3个单格的单格加总最小值,能够通过先前的计算求得。时间序列数据评估部53,从3个单格中选择单格加总最小值最小的值,然后将其值与该单格(2,2)的值相加,且将所得的值确定为单格(2,2)的单格加总最小值。时间序列数据评估部53,将所述3个单格中单格加总最小值最小的单格的位置与单格(2,2)的位置建立关联并存储。
接著,考虑单格(3,2)。达到单格(3,2)前的单格,具有单格(2,1)、单格(2,2)、单格(3,1)的三种。与单格(2,2)的情况相同,时间序列数据评估部53,从能考虑的3个单格中选择单格加总最小值最小的值,然后将其值与该单格(3,2)的值相加,且将所得的值确定为单格(3,2)的单格加总最小值。时间序列数据评估部53,将所述3个单格中单格加总最小值最小的单格的位置与单格(3,2)的位置建立关联并存储。
时间序列数据评估部53,各一个地依序重复地进行相同的处理,直至从下端数起第2行的最后一个单格(m,2)为止。
时间序列数据评估部53,对从下端数起的第3行、第4行、…,也各一行地依序重复进行所述处理。若完成所有单格的计算,即能够获得终止点单格(m,n)的单格加总最小值。该单格加总最小值,意味著从起始点单格(1,1)至终止点单格(m,n)的路径中的关于通过的单格的值的加总最小的路径(最佳扭曲路径)的该加总值。时间序列数据评估部53输出终止点单格(m,n)的单格加总最小值作为DTW距离。
在除了DTW距离外还需要求得具体的最佳扭曲路径的情况下,只要从终止点单格(m,n)至起始点单格(1,1)为止,依序追蹝作为单格加总最小值最小的单格而存储的单格的位置即可。所述内容是对矩阵的每行进行计算的示例,但也能够对每列(column)进行计算。
由于DP匹配方法并未完全考虑所有能考虑的扭曲路径,因此精度并不完美。然而,通过使用DP匹配方法,能够大幅减少计算量,并且能够获取具有充分的实用精度的最佳扭曲路径。
DTW距离,是2个时间序列数据(换句话说,2个信号波形)相互不相似的程度。周知,在DTW演算法中,不用反映2个波形的在时间轴方向上的差异,但却可以良好地反映波形的振幅等的差异的方式获取2个波形的非相似度(DTW距离)。
若2个波形的差异,只要周期彼此不同或相位彼此不同,则DTW距离为零。这意味著2个波形被评估为一致。
接著,考虑图5所示的2个电流波形。图5(a)为基本波形,图5(b)为有目的地在基本波形上附加杂讯的波形。图5所示的波形是为了说明而制作的,并非从伺服电动机中实际获得。
图5(a)的基本波形由2cos(ωt)显示,其中振幅为2。图5(b)的波形,相当于在图5(a)的基本波形的电流值为-1.732A的部分施加-2.266A的杂讯,且在-1A的部位施加+2.5A的杂讯。
若将各图表所示的描绘点作为时间序列数据,计算2个时间序列数据之间的DTW演算法距离,则为4.766。该值与施加的杂讯即-2.266A与+2.5A的绝对值的加总相等。如此,杂讯直接被反映在通过DTW演算法求得的DTW距离上。另外,正方向的杂讯以及负方向的杂讯被反映在DTW距离上而不会相互抵消。
时间序列数据评估部53,在基准数据与比较用数据之间计算所述DTW距离,并输出获取的DTW距离。
基准数据以及比较用数据,包含6个关节的伺服电动机的时间序列数据。时间序列数据评估部53按每个关节(换句话说,每个伺服电动机)计算DTW距离。
若使机器人1进行的动作不同,则伺服电动机的电流值的推移当然也不同。考虑此因素,按每个再现动作通过时间序列数据评估部53进行DTW距离的计算。更具体而言,时间序列数据评估部53,在与同一再现动作相关的比较用数据与基准数据之间计算DTW距离。由此,能够适宜地比较时间序列数据。
通过时间序列数据评估部53输出的DTW距离被存储在存储部52。此时,将各种信息与DTW距离建立关联并存储在存储部52。与DTW距离一起被存储的信息包含时期信息以及再现辨识信息。时期信息是显示比较用数据的获取时期的信息,例如为时间戳。再现辨识信息,例如是用于确定比较用数据的获取时的机器人1的再现动作的程序编号或程序名称。
也能够将例如程序中包含的特别信号作为再现辨识信息,以代替程序编号或程序名称。例如,于在一个程序中仅包含所述的获取开始信号或/以及获取结束信号等的信号的情况下,能够根据该信号的有无而与其它的程序进行辨识。
机器人状态评估部54使用存储在存储部52的DTW距离,对机器人1(各部分的每一部分)的状态进行评估(机器人状态评估工序以及机器人状态评估步骤)。
机器人状态评估部54使用对各伺服电动机获取的DTW距离,评估该伺服电动机的状态。
假设随著时间的经过,与目前的电流值的时间序列数据对应的波形,相对于与初次获得的电流值的时间序列数据对应的波形逐渐产生乖离。DTW距离可认为是将该乖离的程度量化而得。机器人状态评估部54使用DTW距离,判定6个关节的每个伺服电动机是否存在异常。另外,根据DTW距离的伴随目前为止的时间经过的推移,能够预测伺服电动机将来变得动作不良/不能的时机。
图6显示与机器人1具备的一个伺服电动机相关的DTW距离的推移的一例。每一个点显示计算出的DTW距离。
在图6的例中,机器人1的运用,在2019年8月前后开始。从运行开始约半年间,DTW距离的增大趋势微弱,但在2020年2月前后增大趋势明显增强。在2020年6月前后,伺服电动机变得不能动作。
在2020年3月~4月前后出现2次DTW距离异常偏升的值。若考虑其后伺服电动机在短时间内变得不能动作的情况,能够认为这2个点显示了伺服电动机不能动作的前兆。
虽然伺服电动机等变得不能动作的前兆的现象多种多样,例如因控制电缆的屏蔽性降低引起的杂讯混入、轴承劣化引起的机械振动、减速机的齿轮齿面磨损引起的吱吱声等。图6中以「异常前兆」显示的2个点,产生如所述的现象而对电流值的时间序列数据产生影响,这能够认为是DTW距离的异常变化的原因。
在图7以及图8中,作为比较例显示在与图6相同的情况下表现时间序列数据的变化的其它指标的推移。
图7所示的PTP(Peak to Peak),是从电流波形的高峰值的电流值减去低峰值的电流值的值。该PTP是专利文献1中所称的「峰值电流」的一种。如图7所示,在使用PTP的方法中,在2020年3月~4月前后的数据中极难捕捉异常的前兆。
图8所示的I2是电流的均方根的值。该I2对应于专利文献1记载的「I2」。如图8所示,根据使用I2的方法,在2020年3月~4月前后的数据中也极难捕捉异常的前兆。
PTP以及I2,是通过统计性地处理时间序列数据而获得的值。在图7以及图8中不能在图表中发现异常的前兆的理由,可认为是在所述统计处理的过程中,时间序列数据所包含的显示异常的前兆的某些特征已经丢失所造成的。另一方面,图6所示的DTW距离,是在不进行统计处理的情况下通过比较时间序列数据彼此而获得的值。因此,能说DTW距离是时间序列数据所包含的容易根据显示异常的前兆的特征而敏感地变动的值。
图9显示有关于某伺服电动机的基准数据以及比较用数据。比较用数据,在较基准数据大约延后10个月之后获取。可以发现随著时间的经过,在2个时间序列数据之间产生有一些乖离。
图9的电流波形中以A1显示的范围,对应于使机器人1的臂下降的动作。在该范围内,比较用数据的电流值略低于基准数据。这可以认为是由于经久老化等产生的机械损耗作用于对抗臂的下降的方向,因此这作为对伺服电动机的一种辅助,造成流动于伺服电动机的电流值减少。
图9的电流波形中以A2显示的范围,对应于保持机器人1的臂的动作。以A3显示的范围对应于使机器人1的臂上升的动作。在A2以及A3的范围内,比较用数据的电流值略大于基准数据。这可以认为是由于经久老化等而产生的机械损耗作用于对抗臂的保持或上升的方向,因此流动于伺服电动机的电流值增加。
如此,作为成为故障前兆的现象之一的机械损耗,根据状况不同会作用于使时间序列数据的电流值增加的方向、或作用于减少的方向。例如,在使用所述I2的情况下,会以一部分抵消的方式评估两个方向的作用。但是,若使用本实施方式的DTW距离,能够在充分考虑两方向的作用的状态下,求得时间序列数据的非相似度。
在本实施方式中,作为基准数据以及比较用数据的来源的时间序列数据,被限制在从图3所示的获取开始信号至获取结束信号为止的期间内。假如在时间序列数据中包含有例如对应于图3的制动器开放的定时的波形的情况下,非相似度增大,可能有误判为存在异常的风险。这点,在本实施方式中,通过适宜地设定获取开始信号以及获取结束信号的定时,能够在电流值的推移中仅取在捕捉故障的前兆的观点上具有实质意义的期间进行评估。
机器人状态评估部54,还能够通过适宜的计算,判定是否存在图6中显示为「异常前兆」的点。该计算方法多种多样,例如能够依如下方式进行。即,关注某一点,对距该点最近的N个点,计算DTW距离的平均值a以及标准偏差σ。N为2以上。并且,在关注的点的DTW距离超出a+kσ的情况下,判定为该点为预示有异常的点(换句话说,伺服电动机或减速机产生异常)。其中,k为适宜设定的正值。另外,也能够设置阈值,若超过该阈值,则评估为「异常前兆」。也能够使用后述的欧基里德距离(Euclidean distance)等,以代替DTW距离。在图11的图表中,关于DTW距离,显示有a+3σ的值的推移。在该图表中,参照最近的10个点,计算平均值a以及标准偏差σ。
另外,也能够依如下方式进行。即,关注某一点,对距该点最近的N个点,计算DTW距离的平均值a以及标准偏差σ。然后,使用关注的点的DTW距离x,计算在空间竞争理论(Hotelling’s Law)中被称为异常度的(x-a)2/σ2的值,且将其图表化。也能够根据需要,将此值乘以一个系数。若该值超过了既定的阈值,则也能够评估为「异常前兆」。空间竞争理论,是根据统计模型的异常检测方法的一种。已知在值x遵循常态分布的情况下,所述异常度的值遵循自由度1的卡方分布。利用该性质,在空间竞争理论中,通过将异常度的值与适宜的阈值比较而进行偏差值检测。作为x,也能够使用后述的欧基里德距离等,以代替DTW距离。图12的图表关于DTW距离,且显示(x-a)2/σ2的值的推移。若考虑图12的图表,只要将异常度的阈值设为例如10左右,则能够适合于检测异常前兆。
无论是在计算a+kσ的情况,还是在计算(x-a)2/σ2的情况,皆能够将从评估开始的所有点作为对象,以代替仅将最近的N个点作为对象。
DTW距离或欧基里德距离等,具有通过取2个波形的对应的点间的距离而容易捕捉特征的长处。通过将这些距离作为对象,能够计算标准偏差或异常度,例如,能够对故障监视工作者提供易于理解的图表。
显示部55能够显示对应于图6的图表。显示部55由例如液晶显示器等显示装置构成。操作者监视是否在图表中出现偏离DTW距离的通常趋势的异常点。操作者能够灵活地利用该信息,适宜制订将来的维护计划。
在机器人状态评估部54判定为一或多个伺服电动机产生有异常的情况下,显示部55显示关于该异常内容的信息。例如,能够在显示部55上显示警告信息,该警告信息显示产生异常的信息。由此,操作者能够提前把握状况。
机器人状态评估部54,能够通过计算获取显示DTW距离的随时间经过的趋势的趋势线。图10显示趋势线的例子。趋势线能够作为近似绘制在图表的点群的直线而求得。近似直线能够通过使用公知的最小二乘法获取,但方法不限。
机器人状态评估部54,计算如上所述获取的趋势线达到预定的寿命阈值的日期以及时间。机器人状态评估部54通过计算从目前至该日期以及时间间的期间,能够预测伺服电动机等的剩余寿命。
在显示部55上以与图10的图表叠加的形式显示趋势线。操作者通过参照显示部55的画面确认趋势线,能够适宜地计划维护。
在计算DTW距离的趋势线时,也能够不必近似所有DTW距离。例如,于机器人1在一天内多次重复相同的再现动作的情况下,机器人状态评估部54,能够每日求得DTW距离的代表值,且以近似代表值的方式求得趋势线。
作为该代表值,例如,能够为当天获取的多个DTW距离的中间值。在使用中间值的情况下,具有即使在包含非常不规则的DTW距离的情况下也不易受到影响的长处。也能够使用平均值以代替中间值。
作为代表值,也能够使用当天获取的多个DTW距离中的最大值。在此情况下,能够容易地在趋势线上反映异常的前兆。
接著,参照图13的流程图,详细地说明本实施方式的时间序列数据获取部51的时间序列数据的获取处理的一示例。
如图13所示,若开始机器人1的再现动作,则控制机器人1的动作的控制器90,启动状态监视装置5(步骤S101)。
接著,控制器90获取使机器人1进行再现动作的程序的程序编号(步骤S102)。在再现动作的程序中,通过记述经由的多个点(1)、(2)、…、(E)而界定移动末端效应器13的路径。
控制器90进一步获取各伺服电动机的目前旋转位置(步骤S103)。
控制器90将在所述步骤S102中获取的程序编号输出至状态监视装置5(步骤S104)。
然后,在完成动作用的准备之后,控制器90将获取开始信号输出至状态监视装置5(步骤S105)。动作用的准备包含有图3中说明的制动器的开放。
控制器90以使末端效应器13朝所述的点(1)移动的方式分别使每个伺服电动机动作(步骤S106)。
当末端效应器13到达点(1)时,控制器90以使末端效应器13朝下一个点(2)移动的方式分别使每个伺服电动机动作(步骤S107)。重复地进行同样的动作,最终将末端效应器13移动至最终的点(E)(步骤S108)。
在末端效应器13到达点(E)之后,控制器90将获取结束信号输出至状态监视装置5(步骤S109),且结束再现动作的程序。
接著,对状态监视装置5侧的处理进行说明。
通过控制器90进行步骤S101的处理,启动状态监视装置5。启动之后,状态监视装置5获取机器人1的控制器90在步骤S104中输出的程序编号(步骤S201)。
接著,状态监视装置5在接收通过控制器90输出的获取开始信号的前进行待机(步骤S202)。
在接收获取开始信号的情况下,状态监视装置5获取流动于用以驱动机器人1的各伺服电动机的电流的每个电流值(步骤S203)。该步骤对应于时间序列数据获取步骤(时间序列数据获取工序)。
反复地进行步骤S203的处理,直至状态监视装置5接收通过控制器90输出的获取结束信号为止(步骤S204)。从6个关节中的每一个的伺服电动机获取电流值,且将这些电流值存储在状态监视装置5具备的RAM。
在接收获取结束信号的情况下,状态监视装置5在辅助存储装置中制作以在步骤S201中获取的程序编号作为名称的文件夹(步骤S205)。在已经制作完成该文件夹的情况下,则跳过步骤S205的处理。
状态监视装置5,将在接收获取开始信号的定时、与接收获取结束信号的定时之间获取的电流值的数据作为文件保存于在步骤S205中制作的文件夹中(步骤S206)。在文件中,按时间序列顺序排列并记述有大量的电流值的数据。保存的文件的名称,能够以包含显示接收获取开始信号的日期以及时间的时间戳的字符串的方式设定。然后,状态监视装置5实质上停止处理。所述步骤S205以及步骤S206对应于存储步骤(存储工序)。
接著,参照图14,详细地说明用以求得基准数据与比较用数据的DTW距离的流程图的一示例。该流程图所示的DTW距离的计算,对应于非相似度计算步骤(非相似度计算工序)。
图14所示的处理每日执行一次,例如能够在工厂的操作时间结束之后进行。当开始图14的处理时,时间序列数据评估部53,在与某个再现动作对应的程序编号的文件夹内,获取最早被收集的时间序列数据(步骤S301)。收集的日期以及时间,能够从文件名称中包含的时间戳上轻易地获取。通过步骤S301获取的时间序列数据对应于基准数据。
接著,时间序列数据评估部53获取保存在相同文件夹内的、伴随机器人1的当日的再现动作而收集的时间序列数据(步骤S302)。通过步骤S302获取的时间序列数据对应于比较用数据。
时间序列数据评估部53,求得所获取的基准数据与比较用数据之间的DTW距离(步骤S303)。
然后,时间序列数据评估部53判定是否存在当日收集的另一比较用数据(步骤S304)。于存在同一日的另一比较用数据的情况下,对该比较用数据同样进行步骤S302以及步骤S303的处理。
若在与基准数据之间对当日收集的所有比较用数据求得了DTW距离,则处理进入步骤S305。在步骤S305中,时间序列数据评估部53获取从当日收集的比较用数据求得的DTW距离的中间值,并将该中间值存储在存储部52。
接著,机器人状态评估部54制作显示在步骤S305中获取的DTW距离的中间值的每日推移的图表(步骤S306)。该图表被显示在显示部55。图10中显示有图表的例子。图表中显示有通过机器人状态评估部54计算中间值的近似直线而计算的趋势线、以及显示所述寿命阈值的基准线。
接著,对DTW距离的变异进行说明。
如上所述,DTW距离在原始的基准数据与原始的比较用数据之间计算而得。图15(a)显示有原始的基准数据的例子,图15(b)显示有原始的比较用数据的例子。下面,亦能够将此情况下的DTW距离称为第一DTW距离。第一DTW距离对应于第一非相似度,并且对应于第一评估量。
然而,如下面所例示,也能够不在原始的基准数据与原始的比较用数据之间计算DTW距离。
也能够在滤波完毕的基准数据与滤波完毕的比较用数据之间计算DTW距离。图15(c)显示有滤波完毕的基准数据的例子,图15(d)显示有滤波完毕的比较用数据的例子。在图15的示例中,使用移动平均滤波器。下面,亦能够将此情况下的DTW距离称为第二DTW距离。第二DTW距离对应于第二非相似度。
也能够在图15(c)所示的滤波完毕的基准数据与图15的(b)所示的原始的比较用数据之间计算DTW距离。下面,亦能够将此情况下的DTW距离称为第三DTW距离。第三DTW距离对应于第三非相似度。
时间序列数据评估部53,也能够计算如上述求得的第一DTW距离与第二DTW距离的差,作为评估量(第二评估量)输出。另外,也能够计算第三DTW距离与第二DTW距离的差,作为评估量(第三评估量)输出。
图16显示有根据第二DTW距离的评估结果的推移。由于通过对基准数据以及比较用数据进行滤波处理而将高频成分除去,因此可以认为第二DTW距离更明显地反映了因经久老化引起的减速机的效率变化、机械损耗的变化等。如图16所示,虽然第二DTW的值在途中基本不变,但在后半部分则显示加速增加的趋势。
图17显示有第三评估量的推移。如上所述,该第三评估量是第三DTW距离与第二DTW距离的差。第三DTW距离是滤波完毕的基准数据与原始的比较用数据的DTW距离。因此,可以认为该第三评估量更明显地反映了比较用数据所包含的振动以及吱吱声等高频成分(例如,波形成为脉冲状的部分)。
在图17的图表中,容易发现在2020年3月~4月前后,第三评估量的值出现异常地增加的现象。该异常值作为故障前兆使用的可能性相当高。
通过使基准数据以及比较用数据中的至少一者使用滤波完毕的数据,则存在能相对地强调比较用数据所包含的显示故障前兆的一些特征的可能性。这意味著使用第二DTW距离、第三DTW距离、第二评估量以及第三评估量中的至少任一个是有效的。
虽然并非在基准数据与比较用数据之间求得非相似度者,但也能够在图15(c)所示的原始的比较用数据与图15(d)所示的滤波完毕的比较用数据之间求得DTW距离。下面,亦能够将该DTW距离称为第四DTW距离。第四DTW距离对应于第四非相似度,并且对应于第四评估量。
图18显示有第四评估量的推移。虽然不太明显,但可以发现在2020年3月~4月前后,第四次评估量的值异常地增加。
由于该第四评估量也为相对地强调比较用数据中包含的吱吱声等的噪音成分者,因此根据状况,存在能有效地捕捉故障的前兆的情形。
每当机器人状态评估部54求得第一DTW距离时,例如,如图10所示,在显示部55上显示对第一DTW距离绘制的图表。在该图表中一併显示有机器人状态评估部54求得的趋势线。与此同时,机器人状态评估部54,监视除了第一DTW距离以外的评估量(例如,图17所示的第三评估量)中是否出现异常值。在出现异常值的情况下,如图19所示,机器人状态评估部54在与图表相同的画面上显示警告信息(警报),提醒操作者注意。由此,操作者能够适宜地把握状况。
如以上说明,本实施方式的状态监视装置5,监视可再现预定的动作的产业用机器人的状态。状态监视装置5具备时间序列数据获取部51、存储部52、时间序列数据评估部53、以及机器人状态评估部54。时间序列数据获取部51,以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取状态信号的时间序列数据,该获取开始信号,是显示反映机器人1的状态的状态信号(具体而言,伺服电动机的电流值)的获取开始的信号,该获取结束信号,是显示状态信号的获取结束的信号。存储部52将通过时间序列数据获取部51获取的时间序列数据、与时期信息以及程序编号建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该程序编号用以确定获取该时间序列数据时的机器人1的再现动作。时间序列数据评估部53,求得作为基准数据与比较用数据的非相似度的DTW距离。基准数据是根据由至少一次的再现动作获取的时间序列数据的数据。比较用数据是根据较基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的时间序列数据的数据。机器人状态评估部54,使用通过时间序列数据评估部53计算的DTW距离,作为机器人1的状态评估用的评估量(第一评估量)。
由此,能够容易地把握机器人1产生故障的前兆,从而能够在故障前进行维护。
另外,在本实施方式的状态监视装置5中,时间序列数据评估部53进行下面的处理。即,能够考虑下面的情况:在横轴上按时间序列依序配置从基准数据中提取的m个电流值,在纵轴上按时间序列依序配置从比较用数据中提取的n个电流值,以由m×n个单格构成的矩阵表现各电流值的关联对应,且将建立对应的取样值之间的差异与各单格建立关联。将对应于配置在横轴上的基准数据的电流值中的与时间序列中最先的定时对应的电流值、与配置在纵轴上的比较用数据的电流值中的与时间序列中最先的定时对应的电流值的关联对应的单格作为起始点单格。且将对应于配置在横轴上的基准数据的电流值中的与时间序列中最后的定时对应的电流值、与配置在纵轴上的比较用数据的电流值中的与时间序列中最后的定时对应的电流值的关联对应的单格作为终止点单格。在所述前提条件下,时间序列数据评估部53,求得从起始点单格至终止点单格的路径中的与通过的单格对应的差异的加总最小的路径。时间序列数据评估部53,将与求得的路径所通过的每个单格对应的差异的加总(DTW距离)或平均值作为非相似度。
由此,能够一边敏感地捕捉比较用数据所包含的异常的前兆一边求得非相似度。
另外,在本实施方式的状态监视装置5中,也能够通过对多次获取的时间序列数据进行平均而求得基准数据。
在此情况下,能够抑制计测误差。
另外,在本实施方式的状态监视装置5中,也能够通过对时间序列数据进行滤波处理而获取基准数据。
在此情况下,可以相对地强调比较用数据包含的异常前兆中的适宜成分(例如,高频成分)的形式,求得非相似度。
另外,在本实施方式的状态监视装置5中,也能够通过对时间序列数据进行滤波处理,获取比较用数据。
在此情况下,可以相对地强调比较用数据包含的异常前兆中的适宜成分(例如,低频成分)的形式,求得非相似度。
另外,在本实施方式的状态监视装置5中,时间序列数据评估部53,也可以求得第一DTW距离以及第二DTW距离的方式构成。第一DTW距离,是未对时间序列数据进行滤波处理的基准数据、以及未对时间序列数据进行滤波处理的比较用数据之间的DTW距离。第二DTW距离,是对时间序列数据进行了滤波处理的基准数据、与对时间序列数据进行了滤波处理的比较用数据之间的DTW距离。时间序列数据评估部53输出第一DTW距离与第二DTW距离的差作为第二评估量。
另外,在本实施方式的状态监视装置5中,时间序列数据评估部53,也能够以求得第三DTW距离以及第二DTW距离的方式构成。第三DTW距离,是对时间序列数据进行了滤波处理的基准数据、与未对时间序列数据进行滤波处理的比较用数据之间的DTW距离。第二DTW距离,是由对时间序列数据进行了滤波处理的基准数据、与对时间序列数据进行了滤波处理的比较用数据之间的DTW距离。时间序列数据评估部53输出第三DTW距离与第二DTW距离的差作为第三评估量。
另外,在本实施方式的状态监视装置5中,时间序列数据评估部53,也能够以求得第四DTW距离的方式构成。第四DTW距离,是对时间序列数据进行了滤波处理的比较用数据、与未对时间序列数据进行滤波处理的比较用数据之间的DTW距离。时间序列数据评估部53输出第四DTW距离作为第四评估量。
通过以上的评估量,能够容易地捕捉比较用数据所包含的异常的前兆。
另外,在本实施方式的状态监视装置5中,时间序列数据,是关于驱动机器人1的伺服电动机的电流值、电流指令值、扭矩值、扭矩指令值、旋转位置偏差、以及实际的旋转位置中的至少任一个的数据。
由此,能够容易地评估伺服电动机以及周边的构成的状态。
另外,在本实施方式的状态监视装置5中,机器人状态评估部54制作趋势线的数据,该趋势线显示通过时间序列数据评估部53求得的DTW距离伴随时间的经过而变化的趋势。机器人状态评估部54根据趋势线计算剩余寿命。
由此,操作者能够获取用以适宜地计划机器人1的维护时间的信息。
另外,本实施方式的状态监视装置5,具备能够显示趋势线的显示部55。如图19所示,在与DTW距离不同的评估量满足预先设定的条件的情况下,显示部55能够与趋势线同时显示警报。
由此,操作者能够尽早把握应留意的状况。
接著,对本发明的第二实施方式进行说明。再者,在本实施方式的说明中,对与所述实施方式相同或类似的构件,能够在图式中赋予相同的符号,并省略说明。
本实施方式的时间序列数据评估部53,能够代替DTW距离,而通过计算基准数据与比较用数据的欧基里德距离,求得2个数据的非相似度。
时间序列数据评估部53,于时间轴方向分多个阶段使基准数据的波形与比较用数据的波形中的一个波形移动,且在每个阶段计算获取欧基里德距离。
由于欧基里德距离已周知,因此简要说明如下。时间序列数据a与时间序列数据b之间的欧基里德距离D,是将时间序列数据的长度设为m,且以下式(1)显示。
[数式1]
图20显示有使比较用数据在时间轴的负方向上移动一阶段且在正方向上移动一阶段、总计移动2阶段的示例。欧基里德距离按包含无移动在内的3个阶段计算。每一阶段在时间轴方向上的移动量、以及移动的阶段数,皆能够任意设定。
在欧基里德距离的计算时,通过将基准数据中包含的m个电流值与比较用数据中包含的m个电流值的对应关系一律横移,能够在实质上实现该波形的移动。
时间序列数据评估部53,求得所述获得的多个欧基里德距离的最小值。时间序列数据评估部53输出该最小值作为基准数据与比较用数据的非相似度。
其中,第一实施方式中使用的DTW距离,即使在2个时间序列数据之间例如产生较大的时间延迟、或在时间轴方向产生较大的失真,仍实质上强制将此影响排除以评估非相似度。然而,评估时间序列数据在时间轴方向上的延迟以及失真,有时也能够有效地利用于捕捉异常的前兆。这点,在使用本实施方式的不规则的欧基里德距离的情况下,容许的时间延迟被限制于在时间轴方向上分阶段横移时间序列数据的最大范围内。因此,能够容许些微的时间延迟,并且能够获取适宜地反映时间序列数据在时间轴方向上的一定程度的较大的延迟以及失真的非相似度。换句话说,一方面能够忽略作为计测误差的相位偏差,另一方面能够适宜地检测显示伺服电动机等的劣化的较大相位偏差。
再者,如图20所示,在时间轴方向上相对横移时间序列数据的结果,会产生无对象的组合。若无组合对象的要素(电流值)大,则欧基里德距离伴随具有对象的要素数量的减少而减小。为了解决此问题,能够考虑将如上述求得的欧基里德距离除以具有对象的要素的数量,将获得的平均值作为非相似度用于评估。或者,也可以将与通过测定获得的起始点或终止点的值相等的值的要素作为对象追加在时间序列数据两端的无对象的要素上的方法等进行校正。
如以上说明,本实施方式的状态监视装置5,一边在时间轴方向分多个阶段使基准数据的波形以及比较用数据的波形中至少一个波形移动,一边分别计算2个波形间的欧基里德距离。将欧基里德距离的最小值作为非相似度。
由此,能够获得高精度地反映时间序列数据中的时间轴方向上的失真等的非相似度。
接著,说明本发明的第三实施方式。再者,在本实施方式的说明中,对与所述实施方式相同或类似的构件,在图式中赋予相同的符号并省略说明。
本实施方式的时间序列数据评估部53,分别求得基准数据所包含的m个电流值中的第i个电流值、与比较用数据所包含的m个电流值中的第i-p个至第i+p个的电流值的差。图21是显示p=2的情况的示意图,电流值的差以附带下线的数值显示。
接著,时间序列数据评估部53,调查从第i-p个至第i+p个的比较用数据的电流值中哪一个最接近基准数据的第i个电流值。在图21的例子中,在从第i-2个至第i+2个的比较用数据的电流值中相对于基准数据的第i个电流值的差的绝对值最小的是第i-1个,其差为-0.2。基准数据的第i个电流值对应于第一取样值,而比较用数据的第i-1个电流值对应于第二取样值。
时间序列数据评估部53计算欧基里德距离作为非相似度。此时,基准数据的第i个电流值、与比较用数据的第i-2个至第i+2个电流值的中最接近基准数据的第i个电流值的电流值的差,被视作为基准数据的第i个电流值与比较用数据的第i个电流值的差的绝对值(所述式(1)中的|ai-bi|)。
以如此方式获得的非相似度,能够容许些微的时间延迟以及失真,并且能够适宜地反映时间序列数据在时间轴方向上的较大程度的延迟以及失真。换句话说,对作为计测误差的相位偏差进行校正,且对显示劣化的较大相位偏差进行检测。
如以上说明,状态监视装置5在分别获取多个取样值的基准数据的波形与比较用数据的波形之间,将一个波形的第i个电流值即第一电流值、与另一个波形的从第i-p个至第i+p个(其中,i以及p为1以上的整数)电流值中最接近第一电流值的第二电流值的差,视作为2个波形对应的取样值的差,而求得欧基里德距离。状态监视装置5将欧基里德距离作为非相似度。
由此,能够获得高精度地反映时间序列数据中的在时间轴方向上的失真等的非相似度。
以上,对本发明的优选实施方式进行了说明,但所述构成例如能够变更如下。
状态监视装置5,也能够不直接连接于机器人1,而是经由例如网路等的通信线路从机器人1的控制器90获取反映机器人1的状态的时间序列数据。在此情况下,控制器90在再现动作中实时地获取并保存电流值,且通过批量处理等将电流值的时间序列数据连同程序编号、电流值的获取日期以及时间、辨识伺服电动机的信息一起集中传送至状态监视装置5。
DTW距离也能够在不使用DP匹配方法下求得。
状态监视装置5,也能够不与控制器90分开设置,而内置于控制器90。另外,也能够不设置状态监视装置5的作为CPU、ROM、RAM、辅助存储装置等发挥功能的计算机,而使用机器人1的控制器90的计算机实现状态监视装置5。在此情况下,例如,显示部55能够作为机器人1的教示器的一部分而构成,且能够切换式地显示所述警告信息。
Claims (15)
1.一种状态监视装置,用于监视可再现预先确定的动作的产业用机器人的状态,其特征在于具备:
时间序列数据获取部,其以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号;
存储部,其将通过所述时间序列数据获取部获取的时间序列数据、与时期信息以及再现辨识信息建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该再现辨识信息是确定获取了该时间序列数据时的机器人的再现动作的信息;
非相似度计算部,其用以求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的再现动作获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的所述时间序列数据的数据;以及
机器人状态评估部,其使用通过所述非相似度计算部计算的所述非相似度作为用于机器人的状态评估的评估量。
2.根据权利要求1所述的状态监视装置,其中,所述非相似度计算部,
于在第一轴上按时间序列依序配置从所述基准数据中提取的m个取样值,在第二轴上按时间序列依序配置从所述比较用数据中提取的n个取样值,以由m×n个单格构成的矩阵表现各取样值的关联对应,且将建立对应的取样值之间的差异与各单格建立关联的情况下,
在从对应于配置在所述第一轴上的所述基准数据的取样值中的与时间序列中最先的定时对应的取样值、与配置在所述第二轴上的所述比较用数据的取样值中的与时间序列中最先的定时对应的取样值的关联对应的起始点单格,至对应于配置在所述第一轴上的所述基准数据的取样值中的与时间序列中最后的定时对应的取样值、与配置在所述第二轴上的所述比较用数据的取样值中的与时间序列中最后的定时对应的取样值的关联对应的终止点单格的路径中,
求得与通过的所述单格对应的差异的加总最小的路径,且
将与求得的路径所通过的每个所述单格对应的差异的加总或平均值作为所述非相似度。
3.根据权利要求1所述的状态监视装置,其中,所述非相似度计算部,
一边在时间轴方向分多个阶段使所述基准数据的波形以及所述比较用数据的波形中至少一个波形移动,一边分别计算2个波形间的欧基里德距离,且
将所述欧基里德距离的最小值作为所述非相似度。
4.根据权利要求1所述的状态监视装置,其中,所述非相似度计算部,
在分别获取多个取样值的所述基准数据的波形与所述比较用数据的波形之间,
将一个波形的第i个取样值即第一取样值、与另一个波形的从第i-p个至第i+p个(其中,i以及p为1以上的整数)取样值中最接近所述第一取样值的第二取样值的差,视作为2个波形对应的取样值的差,而求得欧基里德距离,且
将所述欧基里德距离作为所述非相似度。
5.根据权利要求1至4中任一项的状态监视装置,其中,所述基准数据通过对多次获取的所述时间序列数据进行平均而求得。
6.根据权利要求1至5中任一项的状态监视装置,其中,所述基准数据通过对所述时间序列数据进行滤波处理而获取。
7.根据权利要求1至6中任一项的状态监视装置,其中,所述比较用数据通过对所述时间序列数据进行滤波处理而获取。
8.根据权利要求1至5中任一项的状态监视装置,其中,所述非相似度计算部,求得第一非相似度以及第二非相似度,且
输出所述第一非相似度与所述第二非相似度的差作为第二评估量,
该第一非相似度是对所述时间序列数据进行滤波处理的所述基准数据、以及未对所述时间序列数据进行滤波处理的所述比较用数据之间的所述非相似度,
该第二非相似度是对所述时间序列数据进行了滤波处理的所述基准数据、以及对所述时间序列数据进行了滤波处理的所述比较用数据之间的所述非相似度。
9.根据权利要求1至5中任一项的状态监视装置,其中,所述非相似度计算部求得第三非相似度以及第二非相似度,且输出所述第三非相似度与所述第二非相似度的差作为第三评估量,
该第三非相似度是对所述时间序列数据进行了滤波处理的所述基准数据、以及未对所述时间序列数据进行滤波处理的所述比较用数据之间的所述非相似度,
该第二非相似度是对所述时间序列数据进行了滤波处理的所述基准数据、以及对所述时间序列数据进行了滤波处理的所述比较用数据之间的所述非相似度。
10.根据权利要求1至5中任一项的状态监视装置,其中,所述非相似度计算部求得第四非相似度,且输出所述第四非相似度作为第四评估量,
该第四非相似度是对所述时间序列数据进行了滤波处理的所述比较用数据、以及未对所述时间序列数据进行滤波处理的所述比较用数据之间的所述非相似度。
11.根据权利要求1至10中任一项的状态监视装置,其中,所述时间序列数据,是关于驱动所述机器人的马达的电流值、电流指令值、扭矩值、扭矩指令值、旋转位置偏差、以及实际的旋转位置中的至少任一个的数据。
12.根据权利要求1至11中任一项的状态监视装置,其中,所述机器人状态评估部制作趋势线的数据,该趋势线显示通过所述非相似度计算部求得的所述非相似度伴随时间的经过而变化的趋势,
所述机器人状态评估部根据所述趋势线计算剩余寿命。
13.根据权利要求12的状态监视装置,其中,具备能够显示所述趋势线的显示部,
在与所述非相似度不同的评估量满足预先设定的条件的情况下,所述显示部能够与所述趋势线同时显示警报。
14.一种状态监视方法,用于监视可再现预先确定的动作的产业用机器人的状态,其特征在于包含:
时间序列数据获取工序,其以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号;
存储工序,其将在所述时间序列数据获取工序中获取的时间序列数据、与时期信息以及再现辨识信息建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该再现辨识信息是确定获取了该时间序列数据时的机器人的再现动作的信息;
非相似度计算工序,其求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的再现动作获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的所述时间序列数据的数据;以及
机器人状态评估工序,其使用在所述非相似度计算工序中计算的所述非相似度作为评估量,评估机器人的状态。
15.一种状态监视程序,用于监视可再现预先确定的动作的产业用机器人的状态,其特征在于:
使计算机执行时间序列数据获取步骤、存储步骤、非相似度计算步骤、以及机器人状态评估步骤,
在所述时间序列数据获取步骤中,以从获取开始信号的定时算起至获取结束信号的定时为止的期间作为对象,获取所述状态信号的时间序列数据,该获取开始信号是显示反映机器人的状态的状态信号的获取开始的信号,该获取结束信号是显示所述状态信号的获取结束的信号;
在所述存储步骤中,将在所述时间序列数据获取步骤中获取的时间序列数据、与时期信息以及再现辨识信息建立关联进行存储,该时期信息是显示所述时间序列数据的获取时期的信息,该再现辨识信息是确定获取了该时间序列数据时的机器人的再现动作的信息;
在所述非相似度计算步骤中,求得基准数据与比较用数据的非相似度,该基准数据是根据由至少一次的再现动作获取的所述时间序列数据的数据,该比较用数据是根据较所述基准数据的时间序列数据的获取时靠后进行的由同一再现动作获取的所述时间序列数据的数据;以及
在所述机器人状态评估步骤中,使用在所述非相似度计算步骤中计算的所述非相似度作为评估量,评估机器人的状态。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020127513 | 2020-07-28 | ||
JP2020-127513 | 2020-07-28 | ||
PCT/JP2021/027426 WO2022024946A1 (ja) | 2020-07-28 | 2021-07-21 | 状態監視装置、状態異常判別方法及び状態異常判別プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116018245A true CN116018245A (zh) | 2023-04-25 |
Family
ID=80035559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180049981.7A Pending CN116018245A (zh) | 2020-07-28 | 2021-07-21 | 状态监视装置、状态异常判别方法以及状态异常判别程序 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230264355A1 (zh) |
EP (1) | EP4190518A1 (zh) |
JP (1) | JP7466652B2 (zh) |
KR (1) | KR20230058060A (zh) |
CN (1) | CN116018245A (zh) |
TW (1) | TWI790696B (zh) |
WO (1) | WO2022024946A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821713A (zh) * | 2023-08-31 | 2023-09-29 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及*** |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107280B (zh) * | 2023-04-12 | 2023-07-04 | 南京强思数字科技有限公司 | 一种用于多维可视化管理的数字孪生工厂控制*** |
CN117786584B (zh) * | 2024-02-27 | 2024-04-30 | 西安中创博远网络科技有限公司 | 基于大数据分析的畜牧业水源污染监测预警方法及*** |
CN117952726A (zh) * | 2024-03-27 | 2024-04-30 | 摘星社信息科技(浙江)股份有限公司 | 一种基于运营商数据分析的个性化权益包推荐*** |
CN117975742B (zh) * | 2024-03-29 | 2024-06-18 | 大连禾圣科技有限公司 | 基于大数据的智慧城市交通管理***及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3217254B2 (ja) * | 1995-11-15 | 2001-10-09 | トヨタ自動車株式会社 | 産業用ロボットの寿命推定方法及び寿命推定装置 |
EP1955830B1 (en) * | 2007-02-06 | 2014-04-09 | Abb Research Ltd. | A method and a control system for monitoring the condition of an industrial robot |
JP5363927B2 (ja) * | 2009-09-07 | 2013-12-11 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
WO2013051101A1 (ja) * | 2011-10-04 | 2013-04-11 | 株式会社日立製作所 | 時系列データ管理システム,および方法 |
JP6664893B2 (ja) | 2014-12-19 | 2020-03-13 | 川崎重工業株式会社 | ロボット保守支援装置および方法 |
JP7107830B2 (ja) * | 2018-12-21 | 2022-07-27 | ファナック株式会社 | 学習用データ確認支援装置、機械学習装置、故障予知装置 |
-
2021
- 2021-07-21 US US18/006,884 patent/US20230264355A1/en active Pending
- 2021-07-21 KR KR1020237006537A patent/KR20230058060A/ko unknown
- 2021-07-21 CN CN202180049981.7A patent/CN116018245A/zh active Pending
- 2021-07-21 JP JP2022540261A patent/JP7466652B2/ja active Active
- 2021-07-21 EP EP21850375.3A patent/EP4190518A1/en active Pending
- 2021-07-21 WO PCT/JP2021/027426 patent/WO2022024946A1/ja active Application Filing
- 2021-07-28 TW TW110127633A patent/TWI790696B/zh active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821713A (zh) * | 2023-08-31 | 2023-09-29 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及*** |
CN116821713B (zh) * | 2023-08-31 | 2023-11-24 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
TWI790696B (zh) | 2023-01-21 |
TW202222520A (zh) | 2022-06-16 |
WO2022024946A1 (ja) | 2022-02-03 |
KR20230058060A (ko) | 2023-05-02 |
EP4190518A1 (en) | 2023-06-07 |
US20230264355A1 (en) | 2023-08-24 |
JP7466652B2 (ja) | 2024-04-12 |
JPWO2022024946A1 (zh) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116018245A (zh) | 状态监视装置、状态异常判别方法以及状态异常判别程序 | |
US7600435B2 (en) | Method of determining deterioration of pressurizing performance of spot welding gun | |
CN108638128B (zh) | 一种工业机器人的实时异常监测方法及其*** | |
US20180164781A1 (en) | Numerical controller and machine learning device | |
US11531319B2 (en) | Failure prediction device and machine learning device | |
CA2986554C (en) | Failure diagnostic device and failure diagnostic method | |
JP5991042B2 (ja) | 異常監視システムおよび異常監視方法 | |
JP2008097363A (ja) | 異常診断方法及びその装置 | |
CN111148609B (zh) | 异常产生的部位的推定方法和记录执行异常产生的部位的推定的程序的记录介质 | |
WO2016189608A1 (ja) | 故障診断装置及び故障診断方法 | |
JPWO2016194029A1 (ja) | 故障診断装置及び故障診断方法 | |
JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN107783495B (zh) | 单元控制*** | |
KR20230159880A (ko) | 로봇 고장 전조 검출 장치 및 로봇 고장 전조 검출 방법 | |
JP2019148971A (ja) | 異常要因特定装置 | |
JP5312475B2 (ja) | 機械装置のエネルギ消費量の分析方法および機械装置 | |
JP6792131B2 (ja) | モータ制御システム | |
JP2011506987A5 (zh) | ||
WO2020204043A1 (ja) | 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法 | |
CN118201746A (zh) | 状态监视装置以及状态监视方法 | |
JPH1094943A (ja) | 自動加工装置 | |
JP7471983B2 (ja) | 状態監視装置および状態監視方法 | |
JP3257214B2 (ja) | 生産管理装置 | |
JP2021128448A (ja) | 異常診断方法、診断モデルの生成方法及び設備診断装置 | |
CN118265892A (zh) | 生产节拍分割数据收集***以及异常检测*** |
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 |