JP2023061447A - Work monitoring device and work monitoring method - Google Patents
Work monitoring device and work monitoring method Download PDFInfo
- Publication number
- JP2023061447A JP2023061447A JP2021171329A JP2021171329A JP2023061447A JP 2023061447 A JP2023061447 A JP 2023061447A JP 2021171329 A JP2021171329 A JP 2021171329A JP 2021171329 A JP2021171329 A JP 2021171329A JP 2023061447 A JP2023061447 A JP 2023061447A
- Authority
- JP
- Japan
- Prior art keywords
- work
- robot
- monitoring device
- abnormality
- parameters
- 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
Landscapes
- Numerical Control (AREA)
- Manipulator (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本出願は、主として、ロボットが行う作業を監視する作業監視装置に関する。 The present application mainly relates to a work monitoring device that monitors work performed by a robot.
特許文献１は、産業用のロボットに溶接トーチを取り付けてワークを溶接する溶接方法を開示する。特許文献１の溶接方法では、溶接電流、溶接電圧、短絡回数、溶接ワイヤ供給速度等に基づいて、溶接不良モードを推定し、溶接箇所の外形の検査結果と照合して確認する。
特許文献１の溶接方法では、作業環境の計測結果と溶接トーチのパラメータに基づいて、発生している溶接不良モードの種類を推定する。しかし、溶接不良は様々な要因が複合的に合わさって発生するため、例えばロボットの動作の違いによっては、溶接不良モードの種類を的確に推定できない可能性がある。また、この種の課題は溶接に限られず、ロボットを用いて行う様々な作業に共通する課題である。
In the welding method of
本出願は以上の事情に鑑みてされたものであり、その主要な目的は、ロボットによる作業で発生する異常を精度良く推定する作業監視装置を提供することにある。 The present application has been made in view of the above circumstances, and its main object is to provide a work monitoring device that can accurately estimate anomalies that occur during work performed by a robot.
本出願の解決しようとする課題は以上の如くであり、次にこの課題を解決するための手段とその効果を説明する。 The problems to be solved by the present application are as described above. Next, the means for solving the problems and the effects thereof will be described.
本出願の第１の観点によれば、作業ツールを装着した産業用のロボットが行う作業を監視し、取得装置と、推定装置と、を備える作業監視装置が提供される。前記取得装置は、少なくとも、作業中の前記作業ツールに関するパラメータと、前記ロボットの動作に関するパラメータと、を取得する。前記推定装置は、前記取得装置が取得した複数の前記パラメータの組合せに基づいて、前記ロボットの作業中に、異常が発生しているか否かを推定する。 According to a first aspect of the present application, there is provided a work monitoring device that monitors work performed by an industrial robot equipped with a work tool and includes an acquisition device and an estimation device. The acquisition device acquires at least parameters relating to the work tool in operation and parameters relating to the motion of the robot. The estimation device estimates whether or not an abnormality has occurred during the work of the robot, based on the combination of the plurality of parameters acquired by the acquisition device.
本出願の第２の観点によれば、以下の作業監視方法が提供される。即ち、作業監視方法では、作業ツールを装着した産業用のロボットが行う作業を監視する。作業監視方法では、少なくとも、作業中の前記作業ツールに関するパラメータと、前記ロボットの動作に関するパラメータと、を取得する。作業監視方法では、取得した複数の前記パラメータの組合せに基づいて、前記ロボットの作業中に、異常が発生しているか否かを推定する。 According to a second aspect of the present application, the following work monitoring method is provided. That is, in the work monitoring method, work performed by an industrial robot equipped with a work tool is monitored. In the work monitoring method, at least parameters related to the work tool during work and parameters related to the motion of the robot are acquired. In the work monitoring method, it is estimated whether or not an abnormality has occurred during the work of the robot based on the combination of the acquired parameters.
本出願によれば、ロボットによる作業で発生する異常を精度良く推定できる。 According to the present application, it is possible to accurately estimate anomalies that occur during work performed by a robot.
次に、図面を参照して本出願の実施形態を説明する。初めに、図１を参照して、作業監視システム１の概要について説明する。
Next, embodiments of the present application will be described with reference to the drawings. First, an overview of the
作業監視システム１は、産業用のロボットが行う作業をリアルタイムで監視するシステムである。作業の監視とは、作業に関するデータを取得して、異常が発生したか否かを推定することである。
The
産業用のロボットとは、工場又は倉庫等の作業場で作業を行うロボットである。産業用のロボットは、ティーチングアンドプレイバック型である。ティーチングプレイバック型とは、事前に産業用のロボットの動作を教示し、教示された内容に沿って産業用のロボットが同じ動作を繰り返すことである。産業用のロボットは、例えば、垂直多関節又は水平多関節のアームロボットである。ただし、産業用のロボットは、アームロボット以外のロボット、例えばパラレルリンクロボット等であってもよい。産業用のロボットが行う作業は、例えば、組立て、溶接、塗装、機械加工、又は、運搬である。以下では、産業用のロボットを単に「ロボット」と称する。 Industrial robots are robots that work in workshops such as factories and warehouses. Industrial robots are of the teaching-and-playback type. The teaching playback type means that an industrial robot is instructed in advance to perform the same operation, and the industrial robot repeats the same operation according to the contents of the teaching. Industrial robots are, for example, vertically articulated or horizontally articulated arm robots. However, industrial robots may be robots other than arm robots, such as parallel link robots. The tasks performed by industrial robots are, for example, assembly, welding, painting, machining, or transportation. Below, industrial robots are simply referred to as "robots".
図１に示すように、本実施形態の作業監視システム１は、工場及びデータセンターに設けられた様々な装置によって実現される。工場とデータセンターはインターネット２を介して接続されている。これにより、工場に設けられた装置とデータセンターに設けられた装置との間でデータを送受信できる。なお、工場とデータセンターを接続するネットワークはインターネット以外のワイドエリアネットワークであってもよいし、ローカルエリアネットワークであってもよい。
As shown in FIG. 1, the
工場には、ロボットシステム１０と、センサ群２０と、管理装置３１と、通知装置３２と、が設けられている。また、ロボットシステム１０は、ロボット１１と、作業ツール１２と、制御装置１３と、を備える。
A factory is provided with a
本実施形態のロボット１１は、工場に設けられたアームロボットである。ロボット１１が行う作業はアーク溶接である。ロボット１１は、複数のアーム１１ａを備える。複数のアーム１１ａはモータ等のアクチュエータの動力により、それぞれ個別に動作する。
The
作業ツール１２は、ワークに対する作業を行う。本実施形態の作業ツール１２は、ワークを溶接する溶接トーチである。なお、例えばロボット１１が行う作業が組立て又は運搬である場合、作業ツール１２はワークを保持するハンドである。
The
制御装置１３は、ＣＰＵ等の処理装置と、ハードディスク、ＳＳＤ、又はフラッシュメモリ等の記憶装置と、を備える。処理装置は、記憶装置に記憶されたプログラムを実行することにより、ロボット１１及び作業ツール１２を制御して、ロボット１１及び作業ツール１２に作業を行わせる。具体的には、制御装置１３の記憶装置は、教示データを記憶する。制御装置１３は、教示データに基づいてアクチュエータに指令を送信することによりアーム１１ａを動作させ、教示データに基づいて作業ツール１２に指令を送信することにより作業ツール１２を動作させる。以下では、作業ツール１２を装着したロボット１１による作業を単に「ロボット１１の作業」等と称する。
The
センサ群２０は、ロボット１１の作業に関する様々な情報を検出する複数のセンサの総称である。センサ群２０には、時計２１と、電流計２２と、電圧計２３と、収音装置２４と、カメラ２５と、ワーク温度計２７と、エンコーダ２８と、が含まれる。センサ群２０に含まれるセンサは一例であり、ロボット１１の作業内容又は要求される推定の精度等に応じて、何れかのセンサを省略してもよいし、更に別のセンサが追加されてもよい。
The
時計２１は時刻を検出する。センサ群２０の各センサが検出する様々な情報は時刻と対応付けられる。電流計２２は、アーク溶接で用いる放電の電流を検出する。電圧計２３は、アーク溶接で用いる放電の電圧を検出する。収音装置２４は、アーク溶接中に発生した音の音量及び音質を検出する。音質とは、スペクトルデータであり、言い換えれば、音の周波数に応じた振幅の大きさに関するデータである。カメラ２５は、溶接箇所の画像を検出する。ワーク温度計２７は、アーク溶接が行われる対象のワーク、特に溶接箇所の温度を検出する。溶接箇所は、実際にワークが溶融する箇所だけでなく、その周囲も含む。エンコーダ２８は、アーム１１ａの関節毎に設けられており、各アーム１１ａの回転角度を検出する。
A
管理装置３１は、例えばＰＣであり、ＣＰＵ等の処理装置と、ハードディスク、ＳＳＤ、又はフラッシュメモリ等の記憶装置と、通信モジュール等の通信装置と、を備える。管理装置３１は、通信装置を介して、センサ群２０の各センサが検出した情報を取得する。管理装置３１は、取得した情報をインターネット２を介してデータセンターの作業監視装置４０へ送信する。更に、管理装置３１は、制御装置１３がロボット１１及び作業ツール１２に送信した指令を取得して、インターネット２を介してデータセンターの作業監視装置４０へ送信する。管理装置３１は、センサ群２０又は制御装置１３から取得した情報を加工せずに作業監視装置４０へ送信してもよいし、センサ群２０又は制御装置１３から取得した情報を加工して作業監視装置４０へ送信してもよい。加工とは、必要な情報の抽出、又は、データ形式の変更等である。
The
通知装置３２は、管理装置３１の指令に応じて工場の作業者に通知を行う。通知装置３２は、例えばディスプレイ、ランプ、又は携帯端末である。ディスプレイは、例えば、作業者待ちが発生しているロボット１１を特定する情報を表示する。作業者待ちとは、ロボット１１の作業に異常が発生し、作業の再開のためには、作業者の補助が必要な状態である。また、通知装置３２は、ランプであってもよい。ランプは、例えばロボット１１毎に設けられている。ランプは、対応するロボット１１で作業者待ちが発生した場合に点灯又は点滅する。なお、ランプは、エリア毎に設けられていてもよい。携帯端末は管理装置３１と通信可能であり、小型ディスプレイを備えている。携帯端末は、管理装置３１から受信した内容を小型ディスプレイに表示する。
The
データセンターには、作業監視装置４０が設けられている。作業監視装置４０は例えばサーバ装置であり、ＣＰＵ等の処理装置と、ハードディスク、ＳＳＤ、又はフラッシュメモリ等の記憶装置と、通信モジュール等の通信装置と、を備える。作業監視装置４０は、１台のハードウェアであってもよいし、複数台のハードウェアが連携した構成であってもよい。例えば、情報を集約して記憶するハードウェアと、管理装置３１から受信した情報に応じて処理を行うハードウェアと、が別であってもよい。作業監視装置４０は、クラウドコンピューティングサービスにより実現されてもよい。
A
作業監視装置４０は、取得装置４１と、推定装置４２と、を備える。取得装置４１は、作業監視装置４０が備える通信モジュールに相当する。取得装置４１は、センサ群２０の各センサが検出した情報、ロボット１１への指令、及び作業ツール１２への指令をインターネット２を介して取得する。推定装置４２は、作業監視装置４０が備える処理装置及び記憶装置に相当する。推定装置４２は、取得装置４１が取得した情報に基づいて、ロボット１１の作業で異常が発生したか否かを推定する。
The
次に、図２から図４を参照して、ロボット１１の作業で異常が発生したか否かを推定装置４２が推定する処理について詳細に説明する。
Next, with reference to FIGS. 2 to 4, a detailed description will be given of the process of estimating by the estimating
本実施形態でロボット１１が行う作業はアーク溶接である。また、推定装置４２が推定する異常は融合不良である。融合不良とは、溶接の境界面が十分に溶けていない状態で溶接が行われることにより、溶接金属と母材の結合が弱くなることである。融合不良はワークの内部、詳細には溶接金属と母材の境界に発生している。そのため、外観検査だけでは融合不良の発生は検出できない。
The work performed by the
なお、作業監視システム１は、融合不良以外の溶接不良を検出することもできる。例えば、アンダーカット又はブローホール等にも作業監視システム１を適用できる。また、作業監視システム１は、アーク溶接以外の溶接にも適用できる。更には、作業監視システム１は、溶接以外の上述した様々な作業にも適用できる。
The
本実施形態の推定装置４２は、ワークの状態が正常か、融合不良が発生したかを推定して出力する。なお、推定装置４２が出力する推定結果は正常又は融合不良の２段階に限られない。例えば、推定装置４２は、正常、低確率で融合不良発生、又は、高確率で融合不良発生のように３段階で推定結果を出力してもよい。あるいは、推定装置４２は、融合不良の発生率の具体的な数値を推定結果として出力してもよい。
The estimating
また、実質的に異常の発生の有無を意味するのであれば、推定装置４２は、異なる観点の推定結果を出力してもよい。例えば、作業成功／作業失敗、又は、修正不要／修正要の観点の推定結果を出力してもよい。上述した全てのケースは、「ロボット１１の作業で異常が発生したか否かの推定」に含まれる。
Moreover, the
推定装置４２は、機械学習により構築された作業検査モデルを用いて、ロボット１１の作業で融合不良が発生したか否かを推定する。図２に示すように、作業検査モデルは、検査履歴データを機械学習することで構築されるモデルである。検査履歴データは、複数回の検査に基づいて作成される。検査履歴データは、パラメータと、超音波探傷試験の結果と、を含む。なお、検査履歴データは、超音波探傷試験の結果に代えて、又は、加えて、放射線透過試験の結果を含んでいてもよい。例えば、作業監視システム１をブローホールに適用する場合には、放射線透過試験の結果を用いることで、推定装置４２は、溶接不良が発生したか否かを推定できる。
The estimating
パラメータとは、ロボット１１の作業に関する様々なデータである。パラメータは、例えば、ロボット１１又は作業ツール１２への指令に含まれる能動パラメータと、センサ群２０のセンサにより取得された受動パラメータと、に区分できる。言い換えれば、能動パラメータは、制御装置１３が直接指定できる値である。受動パラメータは、ロボット１１が行った作業及び環境に起因して生じる値である。
Parameters are various data relating to the work of the
本実施形態では、ツール姿勢、移動速度、及び溶接印加電圧が能動パラメータである。ツール姿勢は、溶接箇所を基準とした作業ツール１２の姿勢である。ツール姿勢は、溶接箇所を基準とした作業ツール１２の向きと言い換えることもできる。ツール姿勢は、作業ツール１２に関するパラメータである。移動速度は、溶接中においてロボット１１が作業ツール１２を移動させる速度である。移動速度は、ロボット１１に関するパラメータである。溶接印加電圧は、アーク溶接のために作業ツール１２に印加する電圧である。溶接印加電圧は、作業ツール１２に関するパラメータである。このように、本実施形態のパラメータには、ロボット１１に関するパラメータと、作業ツール１２に関するパラメータと、が含まれている。
In this embodiment, tool attitude, travel speed, and welding applied voltage are active parameters. The tool orientation is the orientation of the
また、溶接電流、溶接電圧、音量、音質、画像パラメータ、ワーク温度、及びツール使用時間が受動パラメータである。溶接電流は、電流計２２の検出値である。溶接電圧は電圧計２３の検出値である。音量及び音質は、収音装置２４の検出値である。溶接部歪みは溶接部の割れ具合等である。画像パラメータは、カメラ２５が検出した画像を解析することで作成されるパラメータであり、例えば、溶接部歪み、溶接線姿勢、アーク光、溶融池形状、及びワークの大きさ等がある。溶接線とは、溶接を行う箇所の軌跡である。溶接線姿勢とは、溶接線がどのように変化するか、例えば上りか下りか等に関する値である。なお、画像を解析してワークの大きさを算出することに代えて、ロボット１１の教示時に作成されたデータに基づいてワークの大きさを取得してもよい。この場合、ロボット１１の教示時に作成されたデータに基づいて、更に、ワークの材質に関する情報を取得してもよい。ツール使用時間は、作業ツール１２の連続使用時間又は累計使用時間である。ツール使用時間は、管理装置３１又は制御装置１３のログ等に基づいて特定される。画像パラメータ及びワーク温度は、ワークに関するパラメータである。それ以外のパラメータは、作業環境に関するパラメータである。
Welding current, welding voltage, sound volume, sound quality, image parameters, workpiece temperature, and tool usage time are passive parameters. A welding current is a value detected by the
なお、溶接中において、ワークが移動したり、ワークの向きが変化したりする場合は、ロボット１１に対する指令値に加え、カメラが検出した画像を用いて、ツール姿勢及び移動速度を算出してもよい。また、上述したパラメータは一例であり、少なくとも１つを省略してもよいし、別のパラメータを用いてもよい。例えば、融合不良以外の溶接不良に作業監視システム１を適用する場合、適用する溶接不良の発生を推定するために好適なパラメータが用いられる。別のパラメータとしては、例えば作業場の気温・湿度等の周辺環境の情報がある。作業場の気温・湿度は、母材に結露が生じる温度である露点温度に関連する。結露により濡れた箇所を溶接する場合は融合不良又はブローホール等が発生し易くなる。従って、気温・湿度等の周辺環境の情報は、溶接不良を推定するためのパラメータとして用いることができる。
If the workpiece moves or the orientation of the workpiece changes during welding, the tool posture and movement speed can be calculated using the image detected by the camera in addition to the command value for the
次に、図３を参照して、正常時と、融合不良が発生した異常時と、において、各種パラメータがどのように異なるかを簡単に説明する。図３には、正常時と異常時の作業ツール１２の位置、アーク光、溶融池がそれぞれ示されている。
Next, with reference to FIG. 3, a brief description will be given of how various parameters differ between the normal state and the abnormal state in which poor fusion has occurred. FIG. 3 shows the position of the
ツール姿勢、移動速度、及び溶接印加電圧は、アーク溶接に直接関係あるパラメータであり、これらのパラメータが融合不良の発生と関連があることは明らかである。 Tool posture, travel speed, and applied welding voltage are parameters that are directly related to arc welding, and it is clear that these parameters are related to the occurrence of fusion failure.
次に、正常時と比較して異常時では、図３に示すようにアーク放電距離が長くなるため、溶接電流が低くなる傾向がある。一方で、正常時と比較して異常時では、溶接電圧が高くなる傾向がある。正常時と比較して異常時では、音量が小さくなり、音の周波数が低くなる傾向がある。溶接部歪みが発生していたり、溶接線姿勢が上りであれば融合不良が発生し易い傾向がある。正常時と異常時では、図３に示すように、アーク光の大きさ及び形状が異なり、更に、溶融池の大きさ及び形状が異なる。また、ワークが大きくなるにつれて、又は、ワークの熱伝導性が高くなるにつれて、溶接部から熱が逃げ易くなるため溶接金属の冷却速度が速くなるので融合不良が発生し易い傾向がある。異常時では、融合不良に起因して生じた隙間によって熱が伝わりにくくなるので、正常時と比較して温度上昇タイミングが遅れる傾向がある。ツール使用時間は溶接の品質に影響するので、融合不良の発生と関連がある。 Next, as shown in FIG. 3, the arc discharge distance is longer in the abnormal state than in the normal state, so the welding current tends to be lower. On the other hand, the welding voltage tends to be higher in the abnormal state than in the normal state. Compared to the normal state, in the abnormal state, the sound volume tends to be smaller and the sound frequency tends to be lower. If the welded portion is distorted or the weld line attitude is upward, there is a tendency for poor fusion to occur. As shown in FIG. 3, the size and shape of the arc light differ between the normal state and the abnormal state, and the size and shape of the molten pool also differ. In addition, as the size of the work increases or as the heat conductivity of the work increases, heat is more likely to escape from the welded portion and the cooling rate of the weld metal increases, which tends to cause poor fusion. In an abnormal state, heat is less likely to be conducted due to gaps caused by poor fusion, so the temperature rise timing tends to be delayed compared to normal times. Tool usage time affects weld quality and is associated with the occurrence of poor fusion.
このように、それぞれのパラメータは、融合不良の発生と関連がある。また、融合不良の発生を推定できる支配的なパラメータは存在しない。つまり、それぞれのパラメータは単独ではなく、複数のパラメータが相互に関連して、融合不良が発生するか否かが決まる。 Thus, each parameter is associated with the occurrence of fusion failure. Also, there is no dominant parameter that can estimate the occurrence of fusion failure. In other words, each parameter is not independent, but a plurality of parameters interrelate to determine whether or not fusion failure occurs.
作業検査モデルを作成するための検査履歴データの作成時では、これらのパラメータと、超音波探傷試験の結果と、が対応付けて記憶される。超音波探傷試験の結果とは、超音波探傷試験を行って融合不良が発生したか否かを検査した結果である。作業検査モデルは、検査履歴データを機械学習することにより構築されるモデルである。検査履歴データには超音波探傷試験の結果が含まれているので、この機械学習は教師あり学習である。 At the time of creating inspection history data for creating a work inspection model, these parameters are stored in association with the results of ultrasonic testing. The result of the ultrasonic flaw detection test is the result of conducting an ultrasonic flaw detection test to check whether or not fusion failure has occurred. A work inspection model is a model constructed by machine-learning inspection history data. This machine learning is supervised learning because the inspection history data includes the results of ultrasonic testing.
作業検査モデルは、複数のパラメータの値が入力されたときに、融合不良が発生するか否かを推定するモデルである。図４は、単純化のためにパラメータを３つにしたときの作業検査モデルを概念的に示す図である。図４は、３つのパラメータを座標軸とした仮想空間であり、正常領域と異常領域が規定されている。３つのパラメータに基づいて定まる仮想空間上の１点が正常領域にあれば、融合不良は発生しておらず正常と推定される。３つのパラメータに基づいて定まる仮想空間上の１点が異常領域にあれば、融合不良が発生しており異常と推定される。 The work inspection model is a model for estimating whether or not fusion failure will occur when a plurality of parameter values are input. FIG. 4 is a diagram conceptually showing a work inspection model with three parameters for simplification. FIG. 4 shows a virtual space with three parameters as coordinate axes, in which a normal region and an abnormal region are defined. If one point in the virtual space determined based on the three parameters is in the normal region, it is estimated that the fusion is normal without occurrence of poor fusion. If one point in the virtual space determined based on the three parameters is in the abnormal area, it is estimated that the fusion failure has occurred and is abnormal.
例えば融合不良に関する検査基準が、「単位長さあたりの融合不良の長さが閾値以下」と定められている場合、融合不良が僅かに発生してもいても閾値以下であれば検査基準を満たす。従って、融合不良が発生している場合でもあっても、作業条件を即座に変更して正常に戻すことにより、検査基準を満たすことができる。一方、融合不良の検査基準の閾値が非常に小さい場合は、融合不良が発生した時点で検査条件を満たすことが困難になる。この場合は、正常領域の範囲を狭めるか、異常領域の範囲を拡張してもよい。これにより、異常領域に進入した直後では、融合不良は発生していない可能性が高いので、即座に修正することにより、融合不良の発生をより一層抑制できる。本明細書において、異常領域とは、異常が発生したと推定される領域だけでなく、異常の疑いがある領域、又は、異常の発生に繋がる領域等も含むものとする。 For example, if the inspection standard for poor fusion is defined as "the length of poor fusion per unit length is less than the threshold", the inspection standard is satisfied if the poor fusion is less than the threshold even if there is a slight occurrence of poor fusion. . Therefore, even if fusion failure occurs, the inspection standard can be satisfied by immediately changing the working conditions to return to normal. On the other hand, if the threshold value of the inspection criteria for defective fusion is extremely small, it becomes difficult to satisfy the inspection conditions when defective fusion occurs. In this case, the range of the normal region may be narrowed, or the range of the abnormal region may be expanded. As a result, since there is a high possibility that poor fusion has not occurred immediately after entering the abnormal region, it is possible to further suppress the occurrence of poor fusion by immediately correcting it. In this specification, the term "abnormal area" includes not only an area in which an abnormality is presumed to occur, but also an area suspected of having an abnormality, an area leading to the occurrence of an abnormality, and the like.
なお、検査履歴データをモデル化せずに、融合不良が発生したか否かを推定してもよい。例えば、パラメータが３つの場合、多数の検査データを図４に示す仮想空間にプロットする。次に、融合不良が発生した点の集合と、融合不良が発生しなかった点の集合と、が区分されるように境界を作成する。これにより、正常領域及び異常領域を作成できる。なお、この処理はパラメータの数に関係なく行うことができる。 It should be noted that it is also possible to estimate whether or not fusion failure has occurred without modeling the inspection history data. For example, when there are three parameters, a large number of test data are plotted in the virtual space shown in FIG. Next, a boundary is created so as to separate a set of points where fusion failure occurred and a set of points where fusion failure did not occur. Thereby, a normal region and an abnormal region can be created. Note that this process can be performed regardless of the number of parameters.
次に、図５を参照して、作業監視システム１により、ロボット１１の作業を監視及び修正する処理を説明する。
Next, the process of monitoring and correcting the work of the
初めに、管理装置３１の指示に基づいて、ロボット１１の作業が開始する（Ｓ１０１）。具体的には、管理装置３１は、ロボット１１の作業の開始を制御装置１３に指示する。制御装置１３は、教示データに基づいて、ロボット１１及び作業ツール１２に指令を送信する。これにより、ロボット１１及び作業ツール１２は、ワークに対して溶接を行う。
First, based on an instruction from the
次に、管理装置３１は作業が終了したか否かを判定する（Ｓ１０２）。作業が終了していない場合、作業監視装置４０の取得装置４１は、パラメータをリアルタイムで取得する（Ｓ１０３）。具体的には、作業の進行中において、管理装置３１は、センサ群２０の各センサが検出した情報、及び、制御装置１３がロボット１１及び作業ツール１２に送信した指令を受信し、必要に応じて加工して送信する。取得装置４１は、管理装置３１が送信した情報、即ちパラメータを受信する。
Next, the
次に、作業監視装置４０の推定装置４２は、取得装置４１が取得した複数のパラメータに基づいて、異常が発生したか否かを推定する（Ｓ１０４）。具体的には、推定装置４２は、取得装置４１が取得した複数のパラメータを作業検査モデルに入力する。これにより、現在の状態が正常領域にあるか、異常領域かの推定結果が得られる。現在の状態が正常状態の場合、異常が発生していないため、再びステップＳ１０２の処理を行う。
Next, the
現在の状態が異常状態の場合、推定装置４２は、自動修正が許可されているか否かを判定する（Ｓ１０６）。修正とは、図４に示すように、作業条件を修正することにより、異常領域から正常領域に移行させることである。本実施形態の作業監視システム１は、作業監視システム１が作業条件を修正する自動修正と、工場の作業者が手動で作業条件を修正する手動修正と、を実行可能である。
If the current state is an abnormal state, the estimating
自動修正が許可されている場合、推定装置４２は、ロボット１１及び作業ツール１２の少なくとも一方の指令を修正するように、管理装置３１を介して制御装置１３に指示する。これにより、ツール姿勢、移動速度、及び溶接印加電圧の少なくとも何れかが変化する。
When automatic correction is permitted, the
次に、取得装置４１は再びステップＳ１０３の処理を行って、新たなパラメータを取得する。推定装置４２は、再びステップＳ１０４の処理を行って、異常が発生したか否かを推定する。再度の推定では、前回と比較してパラメータが変化しているので、異常状態から正常状態に戻っている可能性がある。作業監視システム１は、正常であると推定装置４２が推定するまで、パラメータを変更する処理を繰り返し行う。
Next, the
また、本実施形態では、以下のルールに従って、指令を修正する。上述したように、制御装置１３が変更できるパラメータは、ツール姿勢、移動速度、及び溶接印加電圧である。アーク溶接の溶接品質への影響が最も小さい第１パラメータはツール姿勢であり、次に影響が小さい第２パラメータは移動速度であり、影響が最も大きい第３パラメータは溶接印加電圧である。本実施形態では、第１パラメータ、第２パラメータ、第３パラメータの順で変化の優先度が高い。具体的には、初めに第１パラメータが変化するように、かつ、それ以外のパラメータが変化しないように指令を修正する。そして、第１パラメータの変化だけでは推定結果が正常にならない場合に、次に第２パラメータの変化が許可され、最後に第３パラメータの変化が許可される。
Also, in this embodiment, the command is modified according to the following rules. As noted above, the parameters that
なお、第１パラメータの変更時に第２パラメータ及び第３パラメータを完全に固定することに代えて、第２パラメータ及び第３パラメータの変化量が閾値以内という条件にしてもよい。つまり、第１パラメータ、第２パラメータ、及び第３パラメータの順で優先度が規定されているのであれば、どのようなルールが規定されていてもよい。 Instead of completely fixing the second parameter and the third parameter when changing the first parameter, a condition may be set such that the amount of change in the second parameter and the third parameter is within a threshold value. In other words, any rule may be defined as long as the priority is defined in the order of the first parameter, the second parameter, and the third parameter.
ステップＳ１０６の判定において、自動修正が許可されていない、即ち手動修正が許可されている場合、推定装置４２は、管理装置３１を介して通知装置３２を動作させて工場の作業者に修正を要求する（Ｓ１０８）。作業者は、例えば管理装置３１又は制御装置１３を操作することにより、指令を修正する。手動修正の場合であっても、適宜のタイミングで推定装置４２は、再びステップＳ１０４の処理を行って、異常が発生したか否かを推定する。つまり、手動修正の場合であっても、正常であると推定装置４２が推定するまで、作業者は、パラメータを変更する処理を繰り返し行う。
If it is determined in step S106 that automatic correction is not permitted, that is, manual correction is permitted, the
これらの処理を行うことにより、仮に異常が発生した場合であっても、即座に正常に戻すことができる。これにより、融合不良の発生を未然に抑制、又は、融合不良の発生を最小限にすることができる。 By performing these processes, even if an abnormality occurs, it is possible to return to normal immediately. As a result, it is possible to prevent the occurrence of poor fusion or minimize the occurrence of poor fusion.
次に、図６を参照して、上記実施形態の変形例について説明する。なお、本変形例の説明においては、上記実施形態と同一又は類似の部材には図面に同一の符号を付し、説明を省略する場合がある。 Next, a modification of the above embodiment will be described with reference to FIG. In the description of this modified example, the same or similar members as those of the above-described embodiment may be denoted by the same reference numerals in the drawings, and the description thereof may be omitted.
上記実施形態では、作業監視装置４０がデータセンター、言い換えればクラウド上に設けられている。これに代えて、本変形例では、作業監視装置４０が工場内に設けられている。この場合、作業監視装置４０が管理装置３１の機能を兼ねていてもよい。このように、作業監視システム１は工場内で完結する構成とすることもできる。
In the above embodiment, the
以上に説明したように、本実施形態の作業監視装置４０は、作業ツール１２を装着した産業用のロボット１１が行う作業を監視する作業監視方法を行う。作業監視装置４０は、取得装置４１と、推定装置４２と、を備える。取得装置４１は、少なくとも、作業中の作業ツール１２に関するパラメータと、ロボット１１の動作に関するパラメータと、を取得する。推定装置４２は、取得装置４１が取得した複数のパラメータの組合せに基づいて、ロボット１１の作業中に、異常が発生しているか否かを推定する。
As described above, the
複数種類のパラメータに基づいてロボット１１の作業の異常推定を行うため、異常の発生を精度良く推定できる。また、異常推定を作業中に行うことにより、異常の発生又はそれに近い状況になった場合に、早期に把握又は対処できる。
Since the work abnormality estimation of the
本実施形態の作業監視装置４０において、取得装置４１は、更に、作業対象であるワークに関するパラメータを取得する。
In the
これにより、推定に用いるパラメータの種類が多くなるため、精度良く異常推定を行うことができる。 Since this increases the number of types of parameters used for estimation, it is possible to perform anomaly estimation with high accuracy.
本実施形態の作業監視装置４０において、取得装置４１が取得するパラメータは、ロボット１１又は作業ツール１２への指令に含まれる能動パラメータと、センサにより取得された受動パラメータと、を含む。
In the
これにより、能動的な観点と受動的な観点とで推定を行うため、精度良く異常推定を行うことができる。 As a result, since estimation is performed from an active viewpoint and a passive viewpoint, anomaly estimation can be performed with high accuracy.
本実施形態の作業監視装置４０において、推定装置４２は、異常が発生したことを通知する通知装置３２と通信可能である。推定装置４２は、異常が発生したと推定した場合、通知装置３２に対して、異常の発生の通知を指示する。
In the
これにより、異常の発生の可能性があることをユーザに知らせることができる。 Thereby, it is possible to inform the user that there is a possibility of occurrence of an abnormality.
本実施形態の作業監視装置４０において、推定装置４２は、作業ツール１２及びロボット１１の少なくとも何れかを制御する制御装置１３と通信可能である。推定装置４２は、異常が発生したと推定した場合、制御装置１３に対して、作業ツール１２及びロボット１１の少なくとも何れかに対する指令の修正を指示する。
In the
これにより、異常の発生の可能性がある状況を変化させることができるので、ロボット１１の作業の失敗を未然に防止できる。
As a result, it is possible to change the situation in which there is a possibility of occurrence of an abnormality, so that the
本実施形態の作業監視装置４０において、推定装置４２は、指令の修正後に異常が発生しているか否かを繰り返し推定する。推定装置４２は、異常が発生していないと推定するまで、指令の修正を繰返し指示する。
In the
これにより、１回の修正で失敗を防止できない場合でも複数回の修正を行うため、ロボット１１の作業の失敗を未然に防止できる確率を上げることができる。
As a result, even if a single correction cannot prevent a failure, a plurality of corrections are performed, so that the probability of preventing a failure in the work of the
本実施形態の作業監視装置４０において、パラメータは、第１パラメータと、第２パラメータと、を含む。第２パラメータよりも第１パラメータが優先的に変化するように指令が修正される。
In the
これにより、第２パラメータの変化量を抑制できる。そのため、例えば、作業品質又はその他の事項に影響が出るパラメータを第２パラメータにすることにより、指令の修正の影響を軽減できる。 Thereby, the amount of change in the second parameter can be suppressed. Therefore, for example, by setting a parameter that affects work quality or other matters as the second parameter, the influence of modification of the command can be reduced.
本実施形態の作業監視装置４０において、ロボット１１が行う作業は、溶接である。第１パラメータは、作業ツール１２の姿勢に関するパラメータである。第２パラメータは、ロボット１１が作業ツール１２を移動させるロボット１１に関するパラメータである。
In the
作業ツール１２の移動速度は溶接品質に影響し易いので、作業ツール１２の移動速度を第２パラメータに設定することにより、作業ツール１２の移動速度の修正頻度を減らすことができる。
Since the moving speed of the
本実施形態の作業監視装置４０において、推定装置４２は、複数のパラメータと、パラメータの組合せで異常が発生したか否かを示す結果と、を機械学習して構築された作業検査モデルを利用して、ロボット１１の作業中に異常が発生しているか否かを推定する。
In the
これにより、複数のパラメータが互いに関与して作業の成否に影響する状況においても、精度良く異常推定を行うことができる。 As a result, even in a situation where a plurality of parameters interact with each other and affect the success or failure of the work, it is possible to accurately estimate the abnormality.
本実施形態の作業監視装置４０において、推定装置４２は、ロボット１１の作業対象であるワークの内部に生じる異常の有無を推定する。
In the
外観に現れない異常を的確に推定することは困難であるため、本実施形態の効果を有効に活用できる。 Since it is difficult to accurately estimate an abnormality that does not appear in appearance, the effect of this embodiment can be effectively utilized.
以上に本出願の好適な実施の形態及び変形例を説明したが、上記の構成は例えば以下のように変更することができる。 Although the preferred embodiments and modifications of the present application have been described above, the above configuration can be modified, for example, as follows.
上記実施形態で示したフローチャートは一例であり、一部の処理を省略したり、一部の処理の内容を変更したり、新たな処理を追加したりしてもよい。 The flowcharts shown in the above embodiments are examples, and some of the processes may be omitted, the contents of some of the processes may be changed, or new processes may be added.
例えば、推定装置４２が異常と推定した場合に修正する処理を省略してもよい。この場合、推定装置４２が異常と推定した時点で、作業を停止又はやり直してもよい。
For example, the correction process may be omitted when the
あるいは、推定装置４２が異常と推定した場合に、修正が可能か否かを判定してもよい。そして、推定装置４２は、修正が可能と判定した場合は修正を指示し、修正が不可能な場合は作業を停止又はやり直しを指示してもよい。推定装置４２は、例えば、僅かな融合不良ですら許容されない溶接箇所で異常が発生したと推定した場合、修正が不可能と判定する。一方、推定装置４２は、一定程度の融合不良であれば許容される溶接箇所で異常が発生したと推定した場合、修正が可能と判定する。
Alternatively, if the estimating
上記実施形態では、１種類の異常の有無のみを推定する。これに代えて、作業監視システム１は、複数種類の異常の有無を推定してもよい。この場合、異常の種類毎にモデルを作成してもよい。あるいは、異常の種類を推定できるモデルを機械学習により構築してもよい。
In the above embodiment, only the presence or absence of one type of abnormality is estimated. Alternatively, the
本明細書で開示する要素の機能は、開示された機能を実行するように構成又はプログラムされた汎用プロセッサ、専用プロセッサ、集積回路、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、従来の回路、及び/又は、それらの組み合わせ、を含む回路又は処理回路を使用して実行できる。プロセッサは、トランジスタやその他の回路を含むため、処理回路又は回路と見なされる。本開示において、回路、ユニット、又は手段は、列挙された機能を実行するハードウェアであるか、又は、列挙された機能を実行するようにプログラムされたハードウェアである。ハードウェアは、本明細書に開示されているハードウェアであってもよいし、あるいは、列挙された機能を実行するようにプログラム又は構成されているその他の既知のハードウェアであってもよい。ハードウェアが回路の一種と考えられるプロセッサである場合、回路、手段、又はユニットはハードウェアとソフトウェアの組み合わせであり、ソフトウェアはハードウェア及び/又はプロセッサの構成に使用される。 The functionality of the elements disclosed herein may be implemented by general purpose processors, special purpose processors, integrated circuits, Application Specific Integrated Circuits (ASICs), conventional circuits, and/or configured or programmed to perform the disclosed functions. Any combination of these may be implemented using circuitry or processing circuitry including. A processor is considered a processing circuit or circuit because it includes transistors and other circuits. In this disclosure, a circuit, unit, or means is hardware that performs or is programmed to perform the recited functions. The hardware may be the hardware disclosed herein, or other known hardware programmed or configured to perform the recited functions. A circuit, means or unit is a combination of hardware and software, where the hardware is a processor which is considered a type of circuit, the software being used to configure the hardware and/or the processor.
１ 作業監視システム
１０ ロボットシステム
１１ ロボット
１２ 作業ツール
４０ 作業監視装置
４１ 取得装置
４２ 推定装置
1 work
Claims (12)
少なくとも、作業中の前記作業ツールに関するパラメータと、前記ロボットの動作に関するパラメータと、を取得する取得装置と、
前記取得装置が取得した複数の前記パラメータの組合せに基づいて、前記ロボットの作業中に、異常が発生しているか否かを推定する推定装置と、
を備える、作業監視装置。 A work monitoring device for monitoring work performed by an industrial robot equipped with a work tool,
an acquisition device for acquiring at least parameters relating to the work tool in operation and parameters relating to the motion of the robot;
an estimation device for estimating whether or not an abnormality has occurred during the work of the robot based on the combination of the plurality of parameters acquired by the acquisition device;
A work monitoring device.
前記取得装置は、更に、作業対象であるワークに関するパラメータを取得する、作業監視装置。 The work monitoring device according to claim 1,
The work monitoring device, wherein the acquisition device further acquires parameters related to a work to be worked.
前記取得装置が取得する前記パラメータは、前記ロボット又は前記作業ツールへの指令に含まれる能動パラメータと、センサにより取得された受動パラメータと、を含む、作業監視装置。 The work monitoring device according to claim 1 or 2,
The work monitoring device, wherein the parameters acquired by the acquisition device include active parameters included in commands to the robot or the work tool and passive parameters acquired by sensors.
前記推定装置は、異常が発生したことを通知する通知装置と通信可能であり、
前記推定装置は、異常が発生したと推定した場合、前記通知装置に対して、異常の発生の通知を指示する、作業監視装置。 The work monitoring device according to any one of claims 1 to 3,
The estimating device is capable of communicating with a notification device that notifies that an abnormality has occurred,
The work monitoring device, wherein the estimating device, when estimating that an abnormality has occurred, instructs the notification device to notify the occurrence of the abnormality.
前記推定装置は、前記作業ツール及び前記ロボットの少なくとも何れかを制御する制御装置と通信可能であり、
前記推定装置は、異常が発生したと推定した場合、前記制御装置に対して、前記作業ツール及び前記ロボットの少なくとも何れかに対する指令の修正を指示する、作業監視装置。 The work monitoring device according to any one of claims 1 to 3,
the estimating device is communicable with a control device that controls at least one of the work tool and the robot;
The work monitoring device, wherein the estimating device, when estimating that an abnormality has occurred, instructs the control device to correct a command for at least one of the work tool and the robot.
前記推定装置は、前記指令の修正後に異常が発生しているか否かを繰り返し推定し、
前記推定装置は、異常が発生していないと推定するまで、前記指令の修正を繰返し指示する、作業監視装置。 The work monitoring device according to claim 5,
The estimating device repeatedly estimates whether or not an abnormality has occurred after the correction of the command,
The work monitoring device, wherein the estimating device repeatedly instructs correction of the command until it is estimated that no abnormality has occurred.
前記パラメータは、第１パラメータと、第２パラメータと、を含み、
前記第２パラメータよりも前記第１パラメータが優先的に変化するように前記指令が修正される、作業監視装置。 The work monitoring device according to claim 6,
The parameters include a first parameter and a second parameter,
A work monitoring device, wherein the command is modified such that the first parameter is preferentially changed over the second parameter.
前記ロボットが行う作業は、溶接であり、
前記第１パラメータは、前記作業ツールの姿勢に関するパラメータであり、
前記第２パラメータは、前記ロボットが前記作業ツールを移動させる速度に関するパラメータである、作業監視装置。 The work monitoring device according to claim 7,
The work performed by the robot is welding,
the first parameter is a parameter relating to the posture of the work tool;
The work monitoring device, wherein the second parameter is a parameter relating to the speed at which the robot moves the work tool.
前記推定装置は、複数の前記パラメータと、当該パラメータの組合せで異常が発生したか否かを示す結果と、を機械学習して構築された作業検査モデルを利用して、前記ロボットの作業中に異常が発生しているか否かを推定する、作業監視装置。 The work monitoring device according to any one of claims 1 to 8,
The estimating device utilizes a work inspection model constructed by machine learning a plurality of the parameters and a result indicating whether or not an abnormality has occurred in a combination of the parameters, during the work of the robot A work monitoring device that estimates whether or not an abnormality has occurred.
前記推定装置は、前記ロボットの作業対象であるワークの内部に生じる異常の有無を推定する、作業監視装置。 The work monitoring device according to any one of claims 1 to 9,
The estimating device is a work monitoring device that estimates the presence or absence of an abnormality occurring inside a work that is a work target of the robot.
前記推定装置は、前記ロボットが行う溶接について異常が発生しているか否かを推定する、作業監視装置。 The work monitoring device according to any one of claims 1 to 10,
The estimating device is a work monitoring device that estimates whether or not an abnormality has occurred in welding performed by the robot.
少なくとも、作業中の前記作業ツールに関するパラメータと、前記ロボットの動作に関するパラメータと、を取得し、
取得した複数の前記パラメータの組合せに基づいて、前記ロボットの作業中に、異常が発生しているか否かを推定する作業監視方法。 In a work monitoring method for monitoring work performed by an industrial robot equipped with a work tool,
Acquiring at least parameters relating to the work tool in operation and parameters relating to the motion of the robot;
A work monitoring method for estimating whether or not an abnormality has occurred during the work of the robot based on a combination of the acquired parameters.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021171329A JP2023061447A (en) | 2021-10-20 | 2021-10-20 | Work monitoring device and work monitoring method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021171329A JP2023061447A (en) | 2021-10-20 | 2021-10-20 | Work monitoring device and work monitoring method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023061447A true JP2023061447A (en) | 2023-05-02 |
Family
ID=86249611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021171329A Pending JP2023061447A (en) | 2021-10-20 | 2021-10-20 | Work monitoring device and work monitoring method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2023061447A (en) |
-
2021
- 2021-10-20 JP JP2021171329A patent/JP2023061447A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10682729B2 (en) | System for automated in-process inspection of welds | |
| US7590468B2 (en) | Robot system | |
| US20160195390A1 (en) | Inspecting components using mobile robotic inspection systems | |
| JP2017144532A (en) | Failure diagnosis device of robot system for determining failure by camera image | |
| JP2011218371A (en) | Spot welding system and dressing determination method | |
| JP2010253538A (en) | Welding method and welding equipment | |
| KR101609160B1 (en) | Apparatus for automatic welding using robot | |
| KR101487169B1 (en) | Robot Working Quality Monitoring System | |
| JP7386461B2 (en) | Repair welding inspection equipment and repair welding inspection method | |
| US20190099902A1 (en) | Robot system | |
| WO2020262049A1 (en) | Repair welding control device and repair welding control method | |
| JP2006247663A (en) | Welding method and welding apparatus | |
| JP2012187641A (en) | Robot monitoring system and method of determining fault of the robot monitoring system | |
| JP7369982B2 (en) | Repair welding equipment and repair welding method | |
| JP7289087B2 (en) | Repair welding equipment and repair welding method | |
| JP2023061447A (en) | Work monitoring device and work monitoring method | |
| CN114080291A (en) | Repair welding system, repair welding method, inspection device, and robot control device | |
| JP7336711B2 (en) | repair welding system | |
| JP2020203294A (en) | Automatic repair welding system and automatic repair welding method | |
| JP7220383B2 (en) | REPAIR WELDING CONTROL DEVICE AND REPAIR WELDING CONTROL METHOD | |
| US10955829B2 (en) | System and a method to enable zero defect production | |
| JP7228794B2 (en) | Repair welding system, repair welding method, inspection device and robot controller | |
| JP2017041045A (en) | Monitoring storage, monitoring information storage apparatus, monitoring storage system, monitoring storage method, and monitoring storage program | |
| JP2024047171A (en) | Factor analysis device and factor analysis method | |
| WO2022269706A1 (en) | Abnormality processing appratus, network system, and method for providing procedure with respect to abnormality having occurred in robot system |