JP6031202B1 - 製造機械の異常の原因を発見するセル制御装置 - Google Patents

製造機械の異常の原因を発見するセル制御装置 Download PDF

Info

Publication number
JP6031202B1
JP6031202B1 JP2016016575A JP2016016575A JP6031202B1 JP 6031202 B1 JP6031202 B1 JP 6031202B1 JP 2016016575 A JP2016016575 A JP 2016016575A JP 2016016575 A JP2016016575 A JP 2016016575A JP 6031202 B1 JP6031202 B1 JP 6031202B1
Authority
JP
Japan
Prior art keywords
manufacturing machine
abnormality
internal information
control device
cell control
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.)
Active
Application number
JP2016016575A
Other languages
English (en)
Other versions
JP2017134786A (ja
Inventor
広光 高橋
広光 高橋
俊道 青木
俊道 青木
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.)
FANUC Corp
Original Assignee
FANUC Corp
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 FANUC Corp filed Critical FANUC Corp
Priority to JP2016016575A priority Critical patent/JP6031202B1/ja
Application granted granted Critical
Publication of JP6031202B1 publication Critical patent/JP6031202B1/ja
Priority to US15/390,721 priority patent/US10203666B2/en
Priority to DE102017000536.2A priority patent/DE102017000536B4/de
Priority to CN201710056728.XA priority patent/CN107024917B/zh
Publication of JP2017134786A publication Critical patent/JP2017134786A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B2219/24065—Real time diagnostics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】製造機械の内部情報に起因する異常を効率よく発見するセル制御装置を提供する。【解決手段】セル制御装置１２は、複数の製造機械２５〜２８の内部情報を取得する内部情報取得部１４と、複数の製造機械２５〜２８から選出された第一製造機械及び第二製造機械について、それぞれ取得された第一内部情報及び第二内部情報を比較し差異を抽出する内部情報比較部１５と、を備える。さらに、セル制御装置１２は、内部情報比較部１５により抽出された前記第一内部情報と前記第二内部情報との差異に基づいて、前記第一製造機械または前記第二製造機械で発生している異常の原因を発見する異常原因発見部１６と、発見された異常の原因をセル制御装置１２外へ通知する異常原因通知部１７と、を備える。【選択図】図２

Description

本発明は、製造セルを構築している複数の製造機械を制御するセル制御装置に関する。
製造工場においては、工作機械やロボット等の製造機械により、部品の加工や溶接等の作業が行われている。また、製品を製造するために、複数の製造機械によって製造ライン、例えば製造セルが構築されている。この場合、製造セルを構築している各製造機械はネットワーク通信を介してセル制御装置により制御されている。そして、セル制御装置は、上位コンピュータとしての生産管理装置からの指令に基づいて、各製造機械を駆動している。
このような製造セルにおいては、ロボット等の製造機械に異常が発生して製造機械が正常に動かなくなり、生産性が低下する場合がある。このため、製造機械の異常を早期に検出する方法が種々提案されている。
例えば、特許文献１（特開２００４−２０２６２４号公報）には、ネットワークに接続された複数のロボットから情報を収集する装置が開示されている。この装置は、所定のロボットが故障した時、予め登録されたロボットの情報と、リアルタイムに取得されたロボットの個別情報とを比較することにより、故障する可能性のあるロボットを予測する。さらに、特許文献１には、故障が予知されたロボットの情報を基に、該ロボットの故障時に必要となる部品の候補を抽出することが開示されている。
また、特許文献２（特許第４７３９５５６号公報）には、実ロボットと同一のモデルを用いてその実ロボットの動作及び状態を再現するシミュレータ部を有する異常判断装置が開示されている。この装置においては、動作指令に対する実ロボットの動作及び状態をシミュレータ部による再現結果と比較することにより、実ロボットの動作及び状態に異常が有るか無いかを判定している。
特開２００４−２０２６２４号公報 特許第４７３９５５６号公報
生産性を向上するためには、一般に、製造機械の異常が発生した場合に異常の原因を早期に究明し、その製造機械を素早く復旧させる必要がある。
しかしながら、発生した異常が、製造機械の設定ミスや操作ミス等に起因する異常である場合には、この異常の原因が分かるまでに時間がかかるという問題点がある。
つまり、設定ミスや操作ミス等に起因する異常は、正常に稼働している製造機械から得られる情報と、異常が発生した製造機械から得られる情報とを比較することによって発見されうる場合が多い。ところが、現状においては、各々の製造機械から内部情報を取出して内部情報同士を比較するという一連の作業を保全管理者や製造機械メーカのサポートエンジニアによって行う必要があるため、異常の原因が分かるまでに時間がかかる。
このため、上述のような設定ミスや操作ミス等といった製造機械の内部情報に起因して発生しうる異常を早期に発見する技術が望まれている。
なお、特許文献１に開示された装置は、ロボット等の製造機械における部品の故障を予知するものの、製造機械の設定ミスや操作ミス、すなわち製造機械の内部情報に起因する異常の発生を予測できないという問題点がある。この問題点は特許文献２に開示された装置にもある。さらに、特許文献２に開示された装置においては、動作指令に対する実ロボットの動作及び状態をシミュレータ部により再現したときにシミュレーション誤差があると、異常判定結果が正確ではなくなる、という問題点がある。
そこで本発明は、上述のような問題点に鑑み、製造機械の内部情報に起因する異常を効率よく発見するセル制御装置を提供することを目的とする。
本発明の第一態様によれば、製造セルを構築している複数の製造機械を制御するセル制御装置であって、
前記複数の製造機械の内部情報を取得する内部情報取得部と、
前記複数の製造機械のうちの第一製造機械に異常が発生したときに、前記第一製造機械及び、該第一製造機械と類似の構成要素を備えた正常に稼働している第二製造機械を前記複数の製造機械から選出する比較対象選出部と、
前記比較対象選出部により選出された前記第一製造機械及び前記第二製造機械について、前記内部情報取得部によりそれぞれ取得された前記第一製造機械の第一内部情報及び前記第二製造機械の第二内部情報を比較し差異を抽出する内部情報比較部と、
前記内部情報比較部により抽出された前記第一内部情報と前記第二内部情報との差異に基づいて、前記第一製造機械で発生している異常の原因、または今後発生しうる異常の原因を発見する異常原因発見部と、
前記異常原因発見部により発見された異常の原因を前記セル制御装置外へ通知する異常原因通知部と、
を備えたセル制御装置、が提供される。
本発明の第二態様によれば、上記第一態様のセル制御装置であって、各前記製造機械の内部情報は、製造機械の駆動に関連する駆動パラメータ、製造機械の機能に関連する機能パラメータ、製造機械が実行する作業プログラム、及び製造機械が所定の作業を行うために受付けた作業指令を時系列上に記録した作業指令ログのうちの少なくとも一つを含む、セル制御装置が提供される。
本発明の第三態様によれば、上記第二態様のセル制御装置であって、前記駆動パラメータ、前記機能パラメータ、及び前記作業プログラムのうちの少なくとも一つが前記異常の原因となっている場合に、該異常の箇所を是正する異常箇所是正部をさらに備えた、セル制御装置が提供される。
本発明の第四態様によれば、上記第二態様のセル制御装置であって、前記作業指令ログは、操作者による操作、作業プログラム実行処理、外部への信号の入力、または外部からの信号の入力によって発生する作業指令を時系列で記録した情報である、セル制御装置が提供される。
本発明の第五態様によれば、上記第二態様のセル制御装置であって、前記第一内部情報のうちの作業指令ログと前記第二内部情報のうちの作業指令ログのうちのどちらか一方に不足が在ることが前記異常の原因となっている場合に、その不足した作業指令の操作を、作業指令が不足している製造機械に対して補完する、作業指令補完部をさらに備えた、セル制御装置が提供される。
本発明の第六態様によれば、上記第一態様から第五態様のいずれかのセル制御装置であって、前記比較対象選出部は、各前記製造機械に関連付けられた製造機械の構成要素を示す装置構成情報を参照し、装置構成情報同士を比較することにより、前記第一製造機械及び前記第二製造機械を選出するようにした、セル制御装置が提供される。
本発明の第七態様によれば、上記第一態様から第五態様のいずれかのセル制御装置であって、前記比較対象選出部は、類似した前記第一製造機械及び前記第二製造機械を互いに対応付けて予め登録した登録情報を基に、前記第一製造機械及び前記第二製造機械を選出するようにした、セル制御装置が提供される。
本発明の第八態様によれば、上記第一態様から第七態様のいずれかのセル制御装置であって、前記内部情報取得部は、所定の周期で各前記製造機械の内部情報を取得するようにし、セル制御装置が提供される。
本発明の第九態様によれば、上記第一態様から第八態様のいずれかのセル制御装置であって、前記セル制御装置は、各前記製造機械において発生した異常の状態とその異常発生の原因とを関連付けて記憶するデータベースをさらに備え、前記異常原因発見部は、該データベースを参照することにより、前記第一製造機械で発生している異常の原因、または今後発生しうる異常の原因を発見するようにした、セル制御装置が提供される。
本発明の第十態様によれば、上記第九態様のセル制御装置であって、前記第一製造機械で発生した異常の状態と、該異常の原因となった、前記内部情報比較部により抽出された前記第一内部情報と前記第二内部情報との差異と、をそれぞれ前記データベースに反映するデータベース更新部をさらに備える、セル制御装置が提供される。
本発明の第十一態様によれば、上記第九態様のセル制御装置であって、前記セル制御装置は、複数の前記セル制御装置を含んでおり、前記セル制御装置とは別の前記セル制御装置と前記データベースを共有させるデータベース共有部をさらに備える、セル制御装置が提供される。
本発明の第十二態様によれば、上記第九態様のセル制御装置であって、前記データベース内に記憶された情報と、取得された各前記製造機械の内部情報と、各前記製造機械の構成要素を示す装置構成情報とを使って機械学習を行うことにより、前記データベース内に記憶されている情報を更新する学習器をさらに備える、セル制御装置が提供される。
上記第一態様によれば、製造機械にて発生している異常の原因、または今後発生しうる異常の原因、特に製造機械の内部情報に起因する異常の原因を効率よく発見することができる。さらに、上記第二態様によれば、異常の原因を発見するための有力な情報を取得することができる。さらに、上記第三態様及び上記第四態様によれば、異常の原因を発見した場合に、異常の原因となっている箇所を自動的に是正することができる。
さらに、上記第五態様によれば、操作ログに関する異常の原因を発見した場合に、不足している操作を自動的に補完することができる。さらに、上記第六態様及び上記第七態様によれば、比較対象となる製造機械を簡単に選出することができる。
さらに、上記第八態様によれば、製造機械に重篤な異常が発生して、内部情報取得部が製造機械から情報を得られないような事態になっても、異常発生時から前の所定時間において取得された情報を使うことができる。
さらに、上記第九態様によれば、データベースの情報を参照することにより、異常の原因を発見するときの精度を向上させることができる。さらに、上記第十態様によれば、データベースを更新することにより、異常の原因を発見するときの精度がより向上する。また、上記第十一態様によれば、データベース内の情報を複数のセル制御装置間において共有することにより、異常の原因を発見するときの精度をさらに一層向上させることができる。さらに、上記第十二態様によれば、機械学習を用いた結果から得られる、製造機械の異常とその原因との対応関係をデータベースに反映させることにより、データベース内の情報の拡充を自発的に行うことができる。
添付図面に示される本発明の典型的な実施形態の詳細な説明から、本発明のこれらの目的、特徴および利点ならびに他の目的、特徴および利点がさらに明確になるであろう。
一実施形態のセル制御装置を備えた生産システムを簡略的に示したブロック図である。 図１に示された生産システムのセル制御装置をより具体的に示したブロック図である。 ニューロンのモデルを示す模式図である。 ３層のニューラルネットワークモデルを示す模式図である。
次に、本発明の実施形態について図面を参照して説明する。以下の図面において、同様の部材には同様の参照符号が付けられている。理解を容易にするために、これらの図面は縮尺を適宜変更している。また、図面に示される形態は本発明を実施するための一つの例であり、本発明は図示された形態に限定されるものではない。
図１は一実施形態のセル制御装置を備えた生産システムを簡略的に示したブロック図である。
図１を参照すると、生産システム１０は、少なくとも一つの製造セル１１と、製造セル１１を制御するセル制御装置１２と、生産管理装置１３と、を備える。
製造セル１１は、製品を製造する工場に配置されている。これに対して、セル制御装置１２及び生産管理装置１３は、工場とは異なる建屋に配置されている。例えば、セル制御装置１２は、製造セル１１が配置された工場の敷地にある別の建屋に配置されていてもよい。この場合には、製造セル１１とセル制御装置１２とは、通信装置３１、例えばイントラネットのネットワークを介して通信可能に相互接続されていることが好ましい。
生産管理装置１３は、例えば、工場から遠隔地にある事務所に配置されていてもよい。この場合には、セル制御装置１２と生産管理装置１３とは、通信装置３２、例えばインターネットのネットワークを介して通信可能に相互接続されていることが好ましい。なお、本実施形態の生産管理装置１３には、上記の事務所において複数の製造セル１１もしくは各製造機械の稼働状況を管理する上位コンピュータが使用されるのが好ましい。
製造セル１１は、製品を製造する複数の製造機械をフレキシブルに組合せた集合である。本実施形態の製造セル１１は、図１に示されるように工作機械Ｍ１、ロボットＲ１、工作機械Ｍ２、及びロボットＲ２といった複数の製造機械により構築されているが、製造セル１１における製造機械の数は限定されない。また、製造セル１１は、或るワークが複数の製造機械により順次に処理されることによって最終的な製品となる製造ラインでありうる。あるいは、製造セル１１は、二つ以上の製造機械の各々により処理された二つ以上のワーク（部品）を製造工程の途中で別の製造機械によって組合せることにより最終的な製品を完成させる製造ラインであってもよい。また、本願発明においては、二以上の製造セル１１により処理された二つ以上のワークを組合せることにより、最終的な製品を完成させてもよい。
また、本発明に用いられる各製造機械は、ＮＣ工作機械又は産業用ロボットに限定されない。各製造機械としては、例えば、ＰＬＣ、搬送機、計測器、試験装置、プレス機、圧入器、印刷機、ダイカストマシン、射出成型機、食品機械、包装機、溶接機、洗浄機、塗装機、組立装置、実装機、木工機械、シーリング装置、又は切断機、などであってもよい。
さらに、セル制御装置１２の構成について詳述する。図２は、図１に示された生産システム１０のセル制御装置１２をより具体的に示したブロック図である。
図２に示されるように、本実施形態のセル制御装置１２は、内部情報取得部１４、内部情報比較部１５、異常原因発見部１６、及び異常原因通知部１７を基本的な構成要素として具備する。
内部情報取得部１４は、製造セル１１を構築している複数の製造機械２５〜２８の内部情報をそれぞれ任意のタイミングで取得する。なお、図１に示された工作機械Ｍ１、ロボットＲ１、工作機械Ｍ２、及びロボットＲ２がそれぞれ製造機械２５〜２８に対応するものとする。
各製造機械２５〜２８の内部情報は、製造機械内のメモリに保存されている情報であって、駆動パラメータ、機能パラメータ、作業プログラム、及び作業指令ログのうちの少なくとも一つを含んでいる。但し、上記の内部情報を保存するメモリは、本実施形態のように製造機械内に存在する必要はなく、製造機械外に在ってもよいし、セル制御装置１２内に在ってもよい。
内部情報比較部１５は、複数の製造機械２５〜２８から選出された第一製造機械及び第二製造機械について、内部情報取得部１４によりそれぞれ取得された第一内部情報及び第二内部情報を比較して、それら内部情報の差異を抽出する。
異常原因発見部１６は、内部情報比較部１５により抽出された上記の第一内部情報と第二内部情報との差異に基づいて、第一製造機械または第二製造機械で発生している異常の原因、または今後発生しうる異常の原因を発見する。そして、異常原因通知部１７は、異常原因発見部１６により発見された異常の原因をセル制御装置１２外へ通知する。通知方法には、表示器や印刷装置などを用いて知らせる方法がある。
ここで、前述した製造機械の内部情報として取得される、駆動パラメータ、機能パラメータ、作業プログラム、及び作業指令ログには、以下のような情報が代表例として挙げられる。
駆動パラメータは、製造機械の駆動に直接関係するパラメータである。例えば、サーボモータを駆動源として動作する多関節ロボットの場合には、ロボットの各軸のマスタリング位置におけるパルスカウントや、サーボ制御パラメータなどが駆動パラメータに含まれる。また、ロボットの制御装置が、サーボモータにより駆動されるハンドや、スポット溶接ガンなどといった周辺機器を制御する場合があるので、これらの周辺機器の駆動に関係するパラメータも駆動パラメータに含まれる。
機能パラメータは、製造機械に搭載されている所定の機能を稼働させるのに設定すべきパラメータである。例えば、製造機械をセル制御装置及び周辺機器とフィールドネットワークを介して接続する際のネットワーク設定情報及び信号の割付け情報、ソフトウェア機能及び作業プログラムからアクセス可能なカウンタ、などである。さらに、製造機械に搭載された異常判定機能の判定閾値、例えば、サーボモータを駆動源として動作する多関節ロボットが過負荷を受けたことを判定するための、サーボモータのトルクの上限値なども機能パラメータに含まれる。
作業プログラムは、製造機械が所定の作業を行うためのコマンド処理をプログラミングした情報である。例えば、多関節ロボットの場合には、アーム部を作業位置に移動させるための動作コマンドや、任意の信号を外部に通知するコマンド、任意の信号の状態を読取るコマンド、などの情報が作業プログラムに含まれている。また、作業プログラムには、作業位置の位置情報や、操作する信号の番号も含まれる。勿論、プログラム上に登録可能なコマンドであれば何でもよい。つまり、ここに例示したプログラミング情報に本発明は限定されない。
作業指令ログ（操作ログとも呼ぶ。）は、操作者が製造機械を操作した、または製造機械自らが任意の作業を実行した際に受付けたキーイベントを時系列ごとに記録した情報である。例えば、操作者が、製造機械の操作盤により入力したキー操作のログ情報や、表示器に表示させた画面情報などである。また、作業プログラムを実行した際に実施されるコマンド処理を時系列に並べて整理した情報でもよい。
以上、本実施形態のセル制御装置１２の基本的な構成要素について説明したが、本発明は、以下のような各種の構成要素をさらに備えるのが好ましい。すなわち、図２に示されるように、異常箇所是正部１８、作業指令補完部１９、比較対象選出部２０、異常検出部２１、データベース２２、データベース更新部２３、及び学習器２４がセル制御装置１２内にさらに備えられているのが好ましい。以下、これら構成要素の機能を順次説明する。
異常箇所是正部１８は、前述した駆動パラメータ、機能パラメータ、及び作業プログラムのうちの少なくとも一つが異常の原因となっている場合には、その異常箇所を是正するようになっている。また、作業指令補完部１９は、製造機械への作業指令に不足が在ることが異常の原因となっている場合に、その不足している作業指令を補完するようになっている。例えば、上述した第一内部情報のうちの作業指令ログと、上述した第二内部情報のうちの作業指令ログとの差異から、どちらか一方に作業指令の不足が発生した場合に、作業指令補完部１９は、その不足している作業指令を補完する。
比較対象選出部２０は、内部情報比較部１５にて比較すべき第一製造機械及び第二製造機械を複数の製造機械２５〜２８から選出するようになっている。例えば、比較対象選出部２０は、各々の製造機械に関連付けられた、製造機械の構成要素を示す装置構成情報を参照し、装置構成情報同士を比較する。それにより、比較対象選出部２０は、異常が発生した第一製造機械とこれに類似の構成要素を備えた第二製造機械とを選出するようにしている。あるいは、比較対象選出部２０は、類似した第一製造機械及び第二製造機械を互いに対応付けて予め登録した登録情報を基に、比較すべき第一製造機械及び第二製造機械を選出してもよい。
異常検出部２１は、複数の製造機械２５〜２８の各々の状態を監視しつつ異常の発生を検出する。さらに、異常検出部２１は、どの製造機械に異常が発生したのかを比較対象選出部２０に通知する。このような異常の発生を検出する機能は異常検出部２１として単独で設けられることなく、比較対象選出部２０の機能に含まれていてもよい。なお、製造機械２５〜２８の各々における様々な状態を検出できるように製造機械毎に複数のセンサ（図示せず）が設けられていることが好ましい。
データベース２２は、各製造機械において発生した異常の状態とその異常発生の原因とを関連付けて記憶する。これにより、異常原因発見部１６は、異常原因管理データベースを参照して、第一製造機械または第二製造機械のいずれか一方で発生している異常の原因、または今後発生しうる異常の原因を発見することができる。
データベース更新部２３は、前述のデータベース２２内に記憶された情報を更新するようになっている。データベース更新部２３は、第一製造機械または第二製造機械のいずれか一方で発生した異常状態と、その時の原因となった、内部情報比較部１５により得られた第一内部情報と第二内部情報との差異とをデータベース２２に入力する。なお、本実施形態の生産システム１０が複数のセル制御装置１２を備える場合には、或るセル制御装置１２とは別のセル制御装置１２とデータベース２２を共有させるデータベース共有部（図示せず）、例えばサーバが設けられるのが好ましい。
学習器２４は、データベース更新部２３に設けられている。そして、学習器２４は、データベース２２内に記憶すべき、各製造機械において発生した異常の状態とその異常発生の原因との組合せを学習する。
但し、前述したような異常箇所是正部１８、作業指令補完部１９、比較対象選出部２０、異常検出部２１、データベース２２、データベース更新部２３、及び学習器２４は、本願発明のセル制御装置においては必ずしも備えていなくてもよい。
次に、図２を参照しながら、本実施形態のセル制御装置１２の動作を説明する。
複数の製造機械２５〜２８のうちの製造機械２６（すなわち図１に示されるロボットＲ１）に異常が発生したとする。この異常発生の検出は、異常検出部２１より行われる。これにより、比較対象選出部２０は、製造機械２６に類似する構成要素を備えた製造機械２８（すなわち図１に示されるロボットＲ２）が複数の製造機械２５〜２８の中から選出される。
特に、製造機械２６と類似する製造機械を選出するとき、比較対象選出部２０は、各製造機械内に登録されている識別情報、例えば装置のモデル名称を使って、製造機械の類似を判別する。例えば、ロボットＲ１のモデル名称とロボットＲ２のモデル名称とが同じであるかを確認する。あるいは、製造機械２６と製造機械２８とは類似の構成であるという情報をセル制御装置１２内に予め記憶させておき、その記憶情報に基づいて製造機械の類似の判別が行われてもよい。例えば、ロボットＲ１とロボットＲ２は類似構成であることが比較対象選出部２０に予め登録される。
続いて、セル制御装置１２の内部情報比較部１５は、製造機械２６から取得した第一内部情報Ａと、製造機械２８から取得した第二内部情報Ｂとについて同じ種類の情報同士を比較し、その差異を抽出する。なお、製造機械２６及び製造機械２８の各々の内部情報は、内部情報取得部１４により予め取得されている。
内部情報の取得タイミングについては、異常の発生時でもよいが、異常が発生していないときの内部情報を所定の周期で取得するのが好ましい。これは製造機械のシステムに重度の異常が発生し、異常発生時には内部情報の取得が困難になっているような状態において有効である。また、製造機械の内部情報を所定の周期で取得する場合には、内部情報比較部１５は、異常発生時から前の所定時間において取得された内部情報を使うことが好ましい。
続いて、セル制御装置１２の異常原因発見部１６は、内部情報比較部１５により抽出された前述の第一内部情報Ａと第二内部情報Ｂとの差異を分析して、異常の原因の候補を決定する。このとき、以下のような例によって比較されうる情報を基に、異常の原因の候補を決定するのが好ましい。
例えば、製造機械２６としてのロボットＲ１が、本来の作業位置とは異なる位置に移動する異常動作を起こしたとする。この場合、製造機械２６、すなわちロボットＲ１から取得した第一内部情報Ａのうちの作業プログラムと、製造機械２８、すなわちロボットＲ２から取得した第二内部情報Ｂとしての作業プログラムとが比較される。この結果、作業プログラム内に登録されている作業位置が異なれば、この作業位置の相違が異常動作の原因であるとする。
また、第一内部情報Ａのうちの作業指令ログに残された作業プログラムの実行順番が、実行開始から作業プログラムＮｏ．１、作業プログラムＮｏ．２、及び作業プログラムＮｏ．３の順番であるとする。一方、第二内部情報Ｂのうちの操作ログに残された作業プログラムの実行順番が、指令開始から作業プログラムＮｏ．２、作業プログラムＮｏ．１、及び作業プログラムＮｏ．３の順番であったとする。この場合には、作業プログラムの実行順番の相違が、異常動作の原因であるとする。
その他にも、比較すべき作業指令ログの内容については、どの製造機械の操作盤の操作の内容、外部からの信号の出力など、製造機械の状態に何らかの変化を起こさせる内容であれば、何でもよい。
また、前述の第一内部情報Ａのうちの駆動パラメータと、前述の第二内部情報Ｂのうちの駆動パラメータとが比較され、この結果、ある軸の駆動パラメータの一つであるサーボ制御パラメータが異なっていたとする。この場合には、この制御パラメータの相違が異常動作の原因であるとする。なお、駆動パラメータとは、例えば多関節ロボットの各関節軸のモータの制御ゲイン、マスタリングカウント、加減速時定数などである
なお、異常原因発見部１６は、以上のように異常の原因の候補を決定する際に、各製造機械２５〜２８において発生した異常の状態とその異常発生の原因とを関連付けて記憶するデータベース２２を参照してもよい。このデータベース２２は、単一のセル制御装置１２だけでなく、複数のセル制御装置１２の各々のデータベース２２とネットワークを介して共有されているのが好ましい。
続いて、セル制御装置１２の異常原因通知部１７は、異常原因発見部１６により発見された異常の原因をセル制御装置１２外へ通知する。このとき、セル制御装置１２に接続された表示器や印刷装置などの出力部（図示せず）に異常の原因が通知される。また、セル制御装置１２に通信装置３１を介して接続された製造機械２５〜２８の各々や、セル制御装置１２に通信装置３２を介して接続された生産管理装置１３、などに異常の原因が通知される。
操作者は、異常原因通知部１７から通知された異常原因の情報に基づいて、異常が発生している製造機械２６を復旧させる。
この製造機械２６の復旧に際しては、操作者ではなく、セル制御装置１２の異常箇所是正部１８が製造機械２６にアクセスして、異常の原因となったパラメータ等を是正してもよい。あるいは、製造機械２６の操作手順に不備がある場合には、セル制御装置１２の作業指令補完部１９は、その操作を自動的に補完してもよい。
例えば、二つの類似するロボットＲ１、Ｒ２において定期的にメンテナンスプログラムを起動させる必要があるとする。この場合、一方のロボットＲ１に対してはメンテナンスプログラムが起動されたにも関わらず、もう一方のロボットＲ２がメンテナンスプログラムを起動せずに、そのまま生産を続けてしまうことがある。このとき、本実施形態の内部情報比較部１５及び異常原因発見部１６は、そのようなロボットＲ２の生産続行前に両方のロボットＲ１、Ｒ２の操作ログを比較して、メンテナンスプログラムの起動忘れを発見する。そして、ロボットＲ２の生産続行前に、作業指令補完部１９がロボットＲ２のメンテナンスプログラムを自動的に起動させる。
なお、前述の製造機械２６の復旧に関連した作業として、製造機械２６にて今回発生した異常の状態と、該異常の原因となった前述の第一内部情報Ａと第二内部情報Ｂとの差異と、をそれぞれデータベース２２に反映させるのが好ましい。このようなデータベース２２の情報更新は、操作者の入力により行われてもよいし、データベース更新部２３により自動的に行われてもよい。
さらに、データベース２２内の情報をデータベース更新部２３により自動更新する際、学習器２４により機械学習が行われるのが好ましい。学習器２４は、データベース２２内に蓄積された情報や、内部情報取得部１４により取得された内部情報や、製造機械の構成要素を示す装置構成情報を使って機械学習、例えば教師なし学習を行う。そして、この学習結果に基づいて、データベース更新部２３は、データベース２２に登録されていない未発生の異常とその原因との対応関係を新たに生成して、データベース２２を更新する。
例えば、過去に、６軸多関節ロボットであるロボットＲ１の第一軸が正常に動作しないという異常事態が発生して、ロボットＲ１とこれと同様の構成要素を備えたロボットＲ２とを比較していたとする。その時の比較結果として第一軸のサーボ制御パラメータに差異があり、この差異が異常の原因であったとする。学習器２４は、そのような差異の情報と、製造機械が６軸多関節ロボットであるという装置構成情報とから、同様の異常事態は第一軸以外でも発生しうるという学習結果を得たとする。この学習結果に基づいて、データベース更新部２３は、第二軸が正常に動作しないという異常事態に対する原因は第二軸のサーボ制御パラメータにあるという情報を新たにデータベース２２に登録する。
さらに、ロボットＲ１の内部情報のうちの作業指令ログも含めて機械学習を行い、過去に、前述の第一軸のサーボ制御パラメータを操作者が書換えた操作を行った形跡があったとする。この場合には、異常動作の直接の原因がサーボ制御パラメータだけでなく、異常動作の根本原因が操作者の誤操作にある、という学習結果を得ることも可能である。したがって、データベース更新部２３は、この誤操作の情報を新たにデータベース２２に登録する。以上のように、機械学習によって、複数の情報を多角的に分析することにより、データベース２２内の情報を拡充させることができる。
以上に説明したように、本実施形態のセル制御装置１２は、複数の製造機械２５〜２８とネットワーク通信を行うことにより、製造機械のパラメータや操作ログなどといった製造機械の各種の内部情報を取得している。そして、異常が発生した製造機械２６と、これに類似する正常に稼働している製造機械２８とについて各種の内部情報同士を比較して、その差異を分析する。さらに、その分析結果から異常の原因を早期に発見し、異常が発生した製造機械２６を素早く復旧させるための支援、例えば外部への通知、異常箇所の是正、作業指令の補完などを行う。このような方法により、製造機械にて発生している異常の原因、または今後発生しうる異常の原因、特に製造機械の内部情報に起因する異常の原因を効率よく発見することができる。
特に、内部情報取得部１４が、異常が発生していないときの製造機械２５〜２８の内部情報を所定の周期で取得し、さらに内部情報比較部１５が、類似する二つの製造機械２６、２８の定期的に取得された内部情報同士を逐次比較している。そして、異常が未だ発生していなくても、今後異常が発生する可能性が高い相違点が内部情報比較部１５によって発見された場合には、その相違点をセル制御装置１２外へ通知するようにしている。これにより、製造機械の内部情報に起因する異常の発生を未発に防ぐことができる。
ここで、上述した学習器２４（以下、機械学習装置と呼ぶ）について詳細に説明する。機械学習装置は、装置に入力されるデータの集合から、その中にある有用な規則や知識表現、判断基準などを解析により抽出し、その判断結果を出力するとともに、知識の学習を行う機能を有する。その手法は様々であるが、大別すれば「教師あり学習」、「教師なし学習」、「強化学習」に分けられる。さらに、これらの手法を実現するうえで、特徴量そのものの抽出を学習する、「深層学習」と呼ばれる手法がある。
「教師あり学習」とは、ある入力と結果（ラベル）のデータの組を大量に機械学習装置に与えることにより、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、即ち、その関係性を帰納的に獲得することができる。これは後述のニューラルネットワークなどのアルゴリズムを用いて実現することができる。
「教師なし学習」とは、入力データのみを大量に機械学習装置に与えることにより、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行う装置を学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすることなどができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することできる。また「教師なし学習」と「教師あり学習」との中間的な問題設定として、「半教師あり学習」と呼ばれるものもあり、これは一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。
強化学習の問題を以下のように設定する。
・機械学習装置は環境の状態を観測し、行動を決定する。
・環境は何らかの規則に従って変化し、さらに自分の行動が、環境に変化を与えることもある。
・行動するたびに報酬信号が帰ってくる。
・最大化したいのは将来にわたっての（割引）報酬の合計である。
・行動が引き起こす結果を全く知らない、または不完全にしか知らない状態から学習はスタートする。機械学習装置は実際に動作して初めて、その結果をデータとして得ることが出来る。つまり、試行錯誤しながら最適な行動を探索する必要がある。
・人間の動作を真似るように事前学習（前述の教師あり学習や、逆強化学習といった手法）した状態を初期状態として、良いスタート地点から学習をスタートさせることもできる。
「強化学習」とは、判定や分類だけではなく、行動を学習することにより、環境に行動が与える相互作用を踏まえて適切な行動を学習、即ち、将来的に得られる報酬を最大にするための学習する方法である。このことは、本実施形態において、未来に影響を及ぼすような行動を獲得できることを表している。例えばＱ学習の場合で説明を続けるが、それに限るものではない。
Ｑ学習は、或る環境状態ｓの下で、行動ａを選択する価値Ｑ（ｓ，ａ）を学習する方法である。つまり、或る状態ｓのとき、価値Ｑ（ｓ，ａ）の最も高い行動ａを最適な行動として選択すればよい。しかし、最初は状態ｓと行動ａとの組合せについて、価値Ｑ（ｓ，ａ）の正しい値は全く分かっていない。そこで、エージェント（行動主体）は、或る状態ｓの下で様々な行動ａを選択し、その時の行動ａに対して報酬が与えられる。それにより、エージェントはより良い行動の選択、すなわち正しい価値Ｑ（ｓ，ａ）を学習していく。
行動の結果、将来にわたって得られる報酬の合計を最大化したいので、最終的にＱ（ｓ，ａ）＝Ｅ［Σγtｒt］となるようにすることを目指す（期待値は最適な行動に従って状態変化したときについてとる。もちろん、それは分かっていないので、探索しながら学習しなければならない）。そのような価値Ｑ（ｓ，ａ）の更新式は、例えば次式により表すことができる。
Figure 0006031202
ここで、ｓtは時刻ｔにおける環境の状態を表し、ａtは時刻ｔにおける行動を表す。行動ａtにより、状態はｓt+1に変化する。ｒt+1は、その状態の変化により貰える報酬を表している。また、ｍａｘの付いた項は、状態ｓt+1の下で、その時に分かっている最もＱ値の高い行動ａを選択した場合のＱ値にγを乗じたものになる。γは、０＜γ≦１のパラメータで、割引率と呼ばれる。αは学習係数で、０＜α≦１の範囲とする。
この式は、試行ａtの結果帰ってきた報酬ｒt+1を元に、状態ｓtにおける行動ａtの評価値Ｑ（ｓt，ａt）を更新する方法を表している。状態ｓにおける行動ａの評価値Ｑ（ｓt，ａt）よりも、報酬ｒt+1＋行動ａによる次の状態における最良の行動ｍａｘ ａの評価値Ｑ（ｓt+1，ｍａｘ ａt+1）の方が大きければ、Ｑ（ｓt，ａt）を大きくするし、反対に小さければ、Ｑ（ｓt，ａt）も小さくする事を示している。つまり、或る状態における或る行動の価値を、結果として即時帰ってくる報酬と、その行動による次の状態における最良の行動の価値に近付けるようにしている。
Ｑ（ｓ，ａ）の計算機上での表現方法は、すべての状態行動ペア（ｓ，ａ）に対して、その値をテーブル（行動価値テーブル）として保持しておく方法と、Ｑ（ｓ，ａ）を近似するような関数を用意する方法がある。後者の方法では、前述の更新式は、確率勾配降下法などの手法で近似関数のパラメータを調整していくことで実現することが出来る。近似関数としては、後述のニューラルネットワークを用いることが出来る。
教師あり学習、教師なし学習、及び強化学習での価値関数の近似アルゴリズムとして、ニューラルネットワークを用いることができる。ニューラルネットワークは、たとえば図３に示すようなニューロンのモデルを模したニューラルネットワークを実現する演算装置及びメモリ等で構成される。図３は、ニューロンのモデルを示す模式図である。
図３に示すように、ニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する出力ｙを出力するものである。各入力ｘ1〜ｘ3には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられる。これにより、ニューロンは、次の式により表現される出力ｙを出力する。なお、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。
Figure 0006031202
 ここで、θはバイアスであり、ｆkは活性化関数である。
次に、上述したニューロンを組み合わせた３層の重みを有するニューラルネットワークについて、図４を参照して説明する。図４は、Ｄ１〜Ｄ３の３層の重みを有するニューラルネットワークを示す模式図である。
図４に示すように、ニューラルネットワークの左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。
具体的には、入力ｘ１〜入力ｘ３は、３つのニューロンＮ１１〜Ｎ１３の各々に対して対応する重みが掛けられて入力される。これらの入力に掛けられる重みはまとめてｗ１と標記されている。
ニューロンＮ１１〜Ｎ１３は、それぞれ、ｚ１１〜ｚ１３を出力する。これらのｚ１１〜ｚ１３はまとめて特徴ベクトルｚ１と標記され、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。この特徴ベクトルｚ１は、重みｗ１と重みｗ２との間の特徴ベクトルである。
ｚ１１〜ｚ１３は、２つのニューロンＮ２１、Ｎ２２の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてｗ２と標記されている。
ニューロンＮ２１、Ｎ２２は、それぞれ、ｚ２１、ｚ２２を出力する。これらは、まとめて特徴ベクトルｚ２と標記されている。この特徴ベクトルｚ２は、重みｗ２と重みｗ３との間の特徴ベクトルである。
特徴ベクトルｚ２１、ｚ２２は、３つのニューロンＮ３１〜Ｎ３３の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてｗ３と標記されている。
最後に、ニューロンＮ３１〜Ｎ３３は、それぞれ、結果ｙ１〜結果ｙ３を出力する。
ニューラルネットワークの動作には、学習モードと価値予測モードとがあり、学習モードにおいて学習データセットを用いて重みｗを学習し、そのパラメータを用いて予測モードにおいて加工機の行動判断を行う（便宜上、予測と書いたが、検出、分類、推論など多様なタスクが可能である）。
予測モードで実際に加工機を動かして得られたデータを即時学習し、次の行動に反映させる（オンライン学習）ことも、あらかじめ収集しておいたデータ群を用いてまとめた学習を行い、以降はずっとそのパラメータで検知モードを行う（バッチ学習）こともできる。その中間的な、ある程度データが溜まるたびに学習モードを挟むということも可能である。
重みｗ１〜ｗ３は、誤差逆伝搬法（バックプロパゲーション）により学習可能なものである。誤差の情報は、右側から入り左側に流れる。誤差逆伝搬法は、各ニューロンについて、入力ｘが入力されたときの出力ｙと真の出力ｙ（教師）との差分を小さくするように、それぞれの重みを調整（学習）する手法である。
このようなニューラルネットワークは、３層以上にさらに層を増やすことも可能である（深層学習と称される）。入力の特徴抽出を段階的に行い、結果を回帰する演算装置を、教師データのみから自動的に獲得することが可能である。
なお、図２に示された学習器２４には、機械学習方法の一種である、教師なし学習が採用されている。勿論、学習器２４に適用可能な機械学習方法は、教師なし学習に限定されるものではない。例えば教師あり学習を学習器２４に適用する場合には、前述の価値関数は学習モデル、報酬は誤差に対応する。
以上、典型的な実施形態を用いて本発明を説明したが、当業者であれば、本発明の範囲から逸脱することなしに、上述の実施形態に変更及び種々の他の変更、省略、追加を行うことができるのを理解できるであろう。
１０ 生産システム
１１ 製造セル
１２ セル制御装置
１３ 生産管理装置
１４ 内部情報取得部
１５ 内部情報比較部
１６ 異常原因発見部
１７ 異常原因通知部
１８ 異常箇所是正部
１９ 作業指令補完部
２０ 比較対象選出部
２１ 異常検出部
２２ データベース
２３ データベース更新部
２４ 学習器
２５〜２８ 製造機械

Claims (12)

  1. 製造セル（１１）を構築している複数の製造機械（２５〜２８）を制御するセル制御装置（１２）であって、
    前記複数の製造機械（２５〜２８）の内部情報を取得する内部情報取得部（１４）と、
    前記複数の製造機械（２５〜２８）のうちの第一製造機械に異常が発生したときに、前記第一製造機械及び、該第一製造機械と類似の構成要素を備えた正常に稼働している第二製造機械を前記複数の製造機械（２５〜２８）から選出する比較対象選出部（２０）と、
    前記比較対象選出部（２０）により選出された前記第一製造機械及び前記第二製造機械について、前記内部情報取得部（１４）によりそれぞれ取得された前記第一製造機械の第一内部情報及び前記第二製造機械の第二内部情報を比較し差異を抽出する内部情報比較部（１５）と、
    前記内部情報比較部（１５）により抽出された前記第一内部情報と前記第二内部情報との差異に基づいて、前記第一製造機械で発生している異常の原因、または今後発生しうる異常の原因を発見する異常原因発見部（１６）と、
    前記異常原因発見部（１６）により発見された異常の原因を前記セル制御装置（１２）外へ通知する異常原因通知部（１７）と、
    を備えたセル制御装置（１２）。
  2. 各前記製造機械（２５〜２８）の内部情報は、製造機械の駆動に関連する駆動パラメータ、製造機械の機能に関連する機能パラメータ、製造機械が実行する作業プログラム、及び製造機械が所定の作業を行うために受付けた作業指令を時系列に記録した作業指令ログのうちの少なくとも一つを含む、請求項１に記載のセル制御装置（１２）。
  3. 前記駆動パラメータ、前記機能パラメータ、及び前記作業プログラムのうちの少なくとも一つが前記異常の原因となっている場合に、該異常の箇所を是正する異常箇所是正部（１８）をさらに備えた、請求項２に記載のセル制御装置（１２）。
  4. 前記作業指令ログは、操作者による操作、作業プログラム実行処理、外部への信号の入力、または外部からの信号の入力によって発生する作業指令を時系列で記録した情報である、請求項２に記載のセル制御装置（１２）。
  5. 前記第一内部情報のうちの作業指令ログと前記第二内部情報のうちの作業指令ログのうちのどちらか一方に不足が在ることが前記異常の原因となっている場合に、その不足した作業指令の操作を、作業指令が不足している製造機械に対して補完する、作業指令補完部（１９）をさらに備えた、請求項２に記載のセル制御装置（１２）。
  6. 前記比較対象選出部（２０）は、各前記製造機械（２５〜２８）に関連付けられた製造機械の構成要素を示す装置構成情報を参照し、装置構成情報同士を比較することにより、前記第一製造機械及び前記第二製造機械を選出するようにした、請求項１から５のいずれか一項に記載のセル制御装置（１２）。
  7. 前記比較対象選出部（２０）は、類似した前記第一製造機械及び前記第二製造機械を互いに対応付けて予め登録した登録情報を基に、前記第一製造機械及び前記第二製造機械を選出するようにした、請求項１から５のいずれか一項に記載のセル制御装置（１２）。
  8. 前記内部情報取得部（１４）は、所定の周期で各前記製造機械（２５〜２８）の内部情報を取得するようにした、請求項１から７のいずれか一項に記載のセル制御装置（１２）。
  9. 前記セル制御装置（１２）は、各前記製造機械（２５〜２８）において発生した異常の状態とその異常発生の原因とを関連付けて記憶するデータベース（２２）をさらに備え、
    前記異常原因発見部（１６）は、該データベース（２２）を参照することにより、前記第一製造機械で発生している異常の原因、または今後発生しうる異常の原因を発見するようにした、請求項１から８のいずれか一項に記載のセル制御装置（１２）。
  10. 前記第一製造機械で発生した異常の状態と、該異常の原因となった、前記内部情報比較部により抽出された前記第一内部情報と前記第二内部情報との差異と、をそれぞれ前記データベース（２２）に反映するデータベース更新部（２３）をさらに備える、請求項９に記載のセル制御装置（１２）。
  11. 前記セル制御装置（１２）は、複数の前記セル制御装置（１２）を含んでおり、
    前記セル制御装置（１２）とは別の前記セル制御装置（１２）と前記データベース（２２）を共有させるデータベース共有部をさらに備える、請求項９に記載のセル制御装置（１２）。
  12. 前記データベース（２２）内に記憶された情報と、取得された各前記製造機械（２５〜２８）の内部情報と、各前記製造機械（２５〜２８）の構成要素を示す装置構成情報とを使って機械学習を行うことにより、前記データベース（２２）内に記憶されている情報を更新する学習器（２４）をさらに備える、請求項９に記載のセル制御装置（１２）。
JP2016016575A 2016-01-29 2016-01-29 製造機械の異常の原因を発見するセル制御装置 Active JP6031202B1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016016575A JP6031202B1 (ja) 2016-01-29 2016-01-29 製造機械の異常の原因を発見するセル制御装置
US15/390,721 US10203666B2 (en) 2016-01-29 2016-12-27 Cell controller for finding cause of abnormality in manufacturing machine
DE102017000536.2A DE102017000536B4 (de) 2016-01-29 2017-01-20 Zellsteuereinheit zum Feststellen einer Ursache einer Anomalie bei einer Fertigungsmaschine
CN201710056728.XA CN107024917B (zh) 2016-01-29 2017-01-25 发现制造机械的异常的原因的单元控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016016575A JP6031202B1 (ja) 2016-01-29 2016-01-29 製造機械の異常の原因を発見するセル制御装置

Publications (2)

Publication Number Publication Date
JP6031202B1 true JP6031202B1 (ja) 2016-11-24
JP2017134786A JP2017134786A (ja) 2017-08-03

Family

ID=57358832

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016016575A Active JP6031202B1 (ja) 2016-01-29 2016-01-29 製造機械の異常の原因を発見するセル制御装置

Country Status (4)

Country Link
US (1) US10203666B2 (ja)
JP (1) JP6031202B1 (ja)
CN (1) CN107024917B (ja)
DE (1) DE102017000536B4 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018088179A (ja) * 2016-11-29 2018-06-07 ファナック株式会社 ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法
JP2018097524A (ja) * 2016-12-12 2018-06-21 ファナック株式会社 操作者識別システム
WO2018138793A1 (ja) * 2017-01-25 2018-08-02 三菱電機株式会社 攻撃・異常検知装置、攻撃・異常検知方法、および攻撃・異常検知プログラム
CN110088699A (zh) * 2016-12-09 2019-08-02 德马吉森精机株式会社 信息处理方法、信息处理***以及信息处理装置
CN111098464A (zh) * 2018-10-25 2020-05-05 发那科株式会社 状态判定装置和方法
DE102017011754B4 (de) * 2016-12-26 2021-03-04 Fanuc Corporation Maschinenlerneinrichtung zum Lernen eines Montagevorgangs und Komponentenmontagesystem
US11803178B2 (en) 2019-10-18 2023-10-31 Kabushiki Kaisha Yaskawa Denki Event estimation system and event estimation method
DE102018204740B4 (de) 2017-03-31 2023-11-02 Fanuc Corporation Aktionsinformationslernvorrichtung, Robotersteuersystem und Aktionsinformationslernverfahren

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
JP6890382B2 (ja) * 2016-05-23 2021-06-18 ルネサスエレクトロニクス株式会社 生産システム
JP6346251B2 (ja) 2016-11-25 2018-06-20 ファナック株式会社 油漏れ検出装置
JP6457563B2 (ja) * 2017-01-24 2019-01-23 ファナック株式会社 数値制御装置及び機械学習装置
WO2018179191A1 (ja) * 2017-03-29 2018-10-04 株式会社日立製作所 制御装置及び制御システム
US10783290B2 (en) 2017-09-28 2020-09-22 Taiwan Semiconductor Manufacturing Company, Ltd. IC manufacturing recipe similarity evaluation methods and systems
JP7090243B2 (ja) 2018-05-08 2022-06-24 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
JP7119763B2 (ja) * 2018-08-22 2022-08-17 オムロン株式会社 製造設備システム、製造設備、および製造方法
JP6773740B2 (ja) 2018-09-28 2020-10-21 ファナック株式会社 状態判定装置及び状態判定方法
JP6885911B2 (ja) * 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
EP3904017A4 (en) * 2018-12-27 2023-01-18 Kawasaki Jukogyo Kabushiki Kaisha ROBOT CONTROL DEVICE, ROBOT SYSTEM, AND ROBOT CONTROL METHOD
JP2020181235A (ja) * 2019-04-23 2020-11-05 株式会社 インターコム サーバ、セキュリティ監視システム、プログラム及びセキュリティ監視方法
JP7131486B2 (ja) * 2019-06-03 2022-09-06 オムロン株式会社 制御システム、プログラマブルロジックコントローラおよび情報処理方法
JP7294927B2 (ja) * 2019-07-23 2023-06-20 ファナック株式会社 相違点抽出装置
JP7441652B2 (ja) 2020-01-10 2024-03-01 ユニ・チャーム株式会社 吸収性物品の製造装置に関する推定装置、吸収性物品の製造装置に関する推定方法、および吸収性物品の製造装置に関するプログラム
CN115136088B (zh) * 2020-02-21 2023-04-18 三菱电机株式会社 可编程显示器、控制***及解析方法
JP2022132735A (ja) * 2021-03-01 2022-09-13 オムロン株式会社 生産システム、方法およびプログラム
EP4190462A1 (en) 2021-12-03 2023-06-07 Siemens Aktiengesellschaft Method and evaluation component for monitoring a die casting or injection molding production process of a mechanical component with an according production machine
DE102022116969A1 (de) 2022-07-07 2024-01-18 Schaeffler Technologies AG & Co. KG Verfahren zur dynamischen Erkennung von Ratcheting bei einem kollaborativen Roboter mittels Künstlicher Intelligenz und dynamischer Kompensation der Trajektorien
AT526314A2 (de) * 2022-07-11 2024-01-15 Engel Austria Gmbh Verfahren und vorrichtung zum visualisieren oder beurteilen eines prozesszustandes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0577143A (ja) * 1991-09-19 1993-03-30 Toyota Auto Body Co Ltd 自動化ラインの故障診断装置
JP2002049414A (ja) * 2000-05-26 2002-02-15 Yutaka Electronics Industry Co Ltd 産業用機械の保全方法及び保全システム
JP2004202624A (ja) * 2002-12-25 2004-07-22 Kawasaki Heavy Ind Ltd ロボット用情報利用統合方法及び装置
JP2004341822A (ja) * 2003-05-15 2004-12-02 Meiji Electric Industries Co Ltd 統合的監視解析装置及びその方法
JP4739556B2 (ja) * 2001-03-27 2011-08-03 株式会社安川電機 制御対象の遠隔調整及び異常判断装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007219692A (ja) * 2006-02-15 2007-08-30 Omron Corp プロセス異常分析装置およびプロセス異常分析システム並びにプログラム
US8370108B2 (en) 2007-03-22 2013-02-05 Nec Corporation Diagnostic device
WO2011125130A1 (ja) 2010-04-08 2011-10-13 株式会社日立製作所 プラントの診断装置、診断方法、及び診断プログラム
JP2015018505A (ja) 2013-07-12 2015-01-29 株式会社東芝 故障予測装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0577143A (ja) * 1991-09-19 1993-03-30 Toyota Auto Body Co Ltd 自動化ラインの故障診断装置
JP2002049414A (ja) * 2000-05-26 2002-02-15 Yutaka Electronics Industry Co Ltd 産業用機械の保全方法及び保全システム
JP4739556B2 (ja) * 2001-03-27 2011-08-03 株式会社安川電機 制御対象の遠隔調整及び異常判断装置
JP2004202624A (ja) * 2002-12-25 2004-07-22 Kawasaki Heavy Ind Ltd ロボット用情報利用統合方法及び装置
JP2004341822A (ja) * 2003-05-15 2004-12-02 Meiji Electric Industries Co Ltd 統合的監視解析装置及びその方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018088179A (ja) * 2016-11-29 2018-06-07 ファナック株式会社 ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法
CN110088699A (zh) * 2016-12-09 2019-08-02 德马吉森精机株式会社 信息处理方法、信息处理***以及信息处理装置
JP2018097524A (ja) * 2016-12-12 2018-06-21 ファナック株式会社 操作者識別システム
US10621320B2 (en) 2016-12-12 2020-04-14 Fanuc Corporation Operator identification system
DE102017011754B4 (de) * 2016-12-26 2021-03-04 Fanuc Corporation Maschinenlerneinrichtung zum Lernen eines Montagevorgangs und Komponentenmontagesystem
WO2018138793A1 (ja) * 2017-01-25 2018-08-02 三菱電機株式会社 攻撃・異常検知装置、攻撃・異常検知方法、および攻撃・異常検知プログラム
KR20190090028A (ko) * 2017-01-25 2019-07-31 미쓰비시덴키 가부시키가이샤 공격ㆍ이상 검지 장치, 공격ㆍ이상 검지 방법, 및 공격ㆍ이상 검지 프로그램
KR102115734B1 (ko) 2017-01-25 2020-05-27 미쓰비시덴키 가부시키가이샤 공격ㆍ이상 검지 장치, 공격ㆍ이상 검지 방법, 및 공격ㆍ이상 검지 프로그램
DE102018204740B4 (de) 2017-03-31 2023-11-02 Fanuc Corporation Aktionsinformationslernvorrichtung, Robotersteuersystem und Aktionsinformationslernverfahren
CN111098464A (zh) * 2018-10-25 2020-05-05 发那科株式会社 状态判定装置和方法
US11628609B2 (en) 2018-10-25 2023-04-18 Fanuc Corporation State determination device and method
US11803178B2 (en) 2019-10-18 2023-10-31 Kabushiki Kaisha Yaskawa Denki Event estimation system and event estimation method

Also Published As

Publication number Publication date
CN107024917B (zh) 2018-08-03
CN107024917A (zh) 2017-08-08
US20170220008A1 (en) 2017-08-03
DE102017000536B4 (de) 2018-10-11
DE102017000536A1 (de) 2017-08-03
US10203666B2 (en) 2019-02-12
JP2017134786A (ja) 2017-08-03

Similar Documents

Publication Publication Date Title
JP6031202B1 (ja) 製造機械の異常の原因を発見するセル制御装置
US10254750B2 (en) Machining machine system which determines acceptance/rejection of workpieces
US20200139539A1 (en) Operation prediction system and operation prediction method
JP6333868B2 (ja) セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
JP6444851B2 (ja) ノイズの発生原因を検出する学習機能を有する制御装置
US20170308052A1 (en) Cell controller for optimizing motion of production system including industrial machines
JP6148316B2 (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
Xia et al. Closed-loop design evolution of engineering system using condition monitoring through internet of things and cloud computing
US10949740B2 (en) Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu
Lazarova-Molnar et al. Reliability assessment in the context of industry 4.0: data as a game changer
Myklebust Zero defect manufacturing: a product and plant oriented lifecycle approach
JP2019012392A (ja) 制御装置及び機械学習装置
WO2020158239A1 (ja) 作業判別装置および作業判別方法
Lee et al. Predictive big data analytics and cyber physical systems for TES systems
US11579000B2 (en) Measurement operation parameter adjustment apparatus, machine learning device, and system
US20180059657A1 (en) Production controller equipped with function of identifying cause upon operation stop of production facility including manufacturing facilities
CN117798934A (zh) 一种协作机器人多步骤自主装配作业决策方法
US20230010651A1 (en) System and Method for Online Optimization of Sensor Fusion Model
JP6829271B2 (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
Zouhal et al. Approach for industrial inspection in the context of Industry 4.0
Zhao et al. Modeling human operator decision-making in manufacturing systems using BDI agent paradigm
JP7235533B2 (ja) ロボットコントローラ及びロボットコントロールシステム
WO2024070189A1 (ja) 要因分析装置及び要因分析方法
JP6731603B1 (ja) 検査システム
Mourtzis et al. Check for updates A Conceptual Framework for the Improvement of Robotic System Reliability Through Industry 4.0

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160829

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20160927

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20161021

R150 Certificate of patent or registration of utility model

Ref document number: 6031202

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150