JP7366562B2 - Abnormality determination device and abnormality determination method - Google Patents

Abnormality determination device and abnormality determination method Download PDF

Info

Publication number
JP7366562B2
JP7366562B2 JP2019055108A JP2019055108A JP7366562B2 JP 7366562 B2 JP7366562 B2 JP 7366562B2 JP 2019055108 A JP2019055108 A JP 2019055108A JP 2019055108 A JP2019055108 A JP 2019055108A JP 7366562 B2 JP7366562 B2 JP 7366562B2
Authority
JP
Japan
Prior art keywords
abnormality
correlation
work
work equipment
robot
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
JP2019055108A
Other languages
Japanese (ja)
Other versions
JP2020153930A (en
Inventor
悟 広瀬
徹 高木
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.)
Renault SAS
Original Assignee
Renault SAS
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 Renault SAS filed Critical Renault SAS
Priority to JP2019055108A priority Critical patent/JP7366562B2/en
Publication of JP2020153930A publication Critical patent/JP2020153930A/en
Application granted granted Critical
Publication of JP7366562B2 publication Critical patent/JP7366562B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)

Description

本発明は、作業機器の異常を判定する技術に関する。 The present invention relates to a technique for determining abnormality in work equipment.

特許文献１には、複数のモータの異常を検知する際、各モータの回転数等のデータを検出し、モータ間の相関関係に基づき、所定範囲からの外れるデータを異常と判定するモータの監視方法が提案されている。 Patent Document 1 describes a motor monitoring method in which, when detecting abnormalities in multiple motors, data such as the rotation speed of each motor is detected, and data that deviates from a predetermined range is determined to be abnormal based on the correlation between the motors. A method is proposed.

特開２０１７－３２５６７号公報JP 2017-32567 Publication

工場での製品製造において、作業ロボットの異常の見逃しを無くそうとするほど、誤検出が多数発生してしまう。誤検出が多数発生すると、製品製造の効率が低下してしまう。異常が検知された場合、作業ロボットそのものの異常であるのか、工場全体、製造ライン、または作業ロボットの加工対象物（ワーク）に起因する異常であるのかを判別する必要がある。 In manufacturing products in factories, the more attempts are made to ensure that work robots do not overlook abnormalities, the more false detections occur. When a large number of false positives occur, the efficiency of product manufacturing decreases. When an abnormality is detected, it is necessary to determine whether the abnormality is caused by the work robot itself, the entire factory, the production line, or the workpiece to be processed by the work robot.

特許文献１は、搬送装置が備える複数のモータの異常を監視する技術である。しかしながら、特許文献１の技術を作業ロボットに適用する場合、作業ロボットを動作させるためのモータは搬送装置の備えるモータのように常時回転しているわけではなく、モータ間の相関関係を求めるためのデータ数が少ないという問題があった。また、特許文献１は、誤検出を抑制することは考慮されていない。 Patent Document 1 is a technique for monitoring abnormalities in a plurality of motors included in a conveying device. However, when applying the technology of Patent Document 1 to a work robot, the motor for operating the work robot does not always rotate like the motor provided in the transport device, and the There was a problem that the amount of data was small. Furthermore, Patent Document 1 does not consider suppressing false detections.

本発明は、上記に鑑みてなされたものであり、作業機器の異常の誤検出を抑制することを目的とする。 The present invention has been made in view of the above, and an object of the present invention is to suppress erroneous detection of abnormalities in working equipment.

本発明の一態様に係る異常判定装置は、複数の作業機器のそれぞれから取得されるセンサデータに基づいて複数の作業機器のそれぞれの異常を判定する。異常判定装置は、異常と判定された第１の作業機器の異常検知状態と第１の作業機器以外の第２の作業機器の異常検知状態との間に相関がある場合は、第１の作業機器の判定結果を異常から正常へ修正する。第２の作業機器は、第１の作業機器の作業工程と最も類似する作業工程を行う作業機器である。異常判定装置は、第１の作業機器の異常検知状態と第２の作業機器の異常検知状態との間に相関が無く、検知結果を修正しなかった場合、複数の作業機器のうち、第１の作業機器の作業工程と類似する作業工程を行う別の作業機器を順次選択して、相関の有無の判定、およびその判定による検知結果の修正を行う。 An abnormality determination device according to one aspect of the present invention determines abnormality in each of a plurality of work devices based on sensor data acquired from each of the plurality of work devices. If there is a correlation between the abnormality detection state of the first work equipment that has been determined to be abnormal and the abnormality detection state of a second work equipment other than the first work equipment, the abnormality determination device determines whether the first work equipment Correct the device judgment result from abnormal to normal. The second work equipment is a work equipment that performs a work process that is most similar to the work process of the first work equipment. If there is no correlation between the abnormality detection state of the first work equipment and the abnormality detection state of the second work equipment and the detection result is not corrected, the abnormality determination device detects the first work equipment among the plurality of work equipment. Another work equipment that performs a work process similar to the work process of the work equipment is sequentially selected, and the presence or absence of a correlation is determined, and the detection result is corrected based on the determination.

本発明によれば、作業機器の異常の誤検出を抑制することができる。 According to the present invention, it is possible to suppress erroneous detection of abnormalities in working equipment.

第１実施形態の異常判定装置の構成を示す機能ブロック図である。1 is a functional block diagram showing the configuration of an abnormality determination device according to a first embodiment. FIG. 第１実施形態の異常判定方法の処理の流れを示すフローチャートである。3 is a flowchart showing the flow of processing of the abnormality determination method of the first embodiment. ２台のロボットの異常度に相関の無い例を示す図である。FIG. 7 is a diagram showing an example in which there is no correlation between the degrees of abnormality of two robots. ２台のロボットの異常度に相関の有る例を示す図である。FIG. 7 is a diagram showing an example in which there is a correlation between the degrees of abnormality of two robots. 第２実施形態の異常判定装置の構成を示す機能ブロック図である。FIG. 2 is a functional block diagram showing the configuration of an abnormality determination device according to a second embodiment. 同一工程のロボットを説明するための図である。It is a figure for explaining the robot of the same process. 第２実施形態の異常判定方法の処理の流れを示すフローチャートである。7 is a flowchart showing a process flow of an abnormality determination method according to a second embodiment. 第３実施形態の異常判定方法の処理の流れを示すフローチャートである。It is a flowchart which shows the flow of processing of the abnormality determination method of a 3rd embodiment.

以下、本発明の実施形態について図面を用いて説明する。図面の記載において同一部分には同一符号を付して説明を省略する。 Embodiments of the present invention will be described below with reference to the drawings. In the description of the drawings, the same parts are denoted by the same reference numerals and the description thereof will be omitted.

［第１実施形態］
図１を参照し、第１実施形態の異常判定装置について説明する。図１に示す異常判定装置１は、複数のロボット３Ａ～３Ｄのそれぞれに取り付けられたセンサ３１Ａ～３１Ｄからセンサデータを受信し、センサデータに基づいて複数のロボット３Ａ～３Ｄのそれぞれの異常を判定する装置である。 [First embodiment]
Referring to FIG. 1, an abnormality determination device according to a first embodiment will be described. The abnormality determination device 1 shown in FIG. 1 receives sensor data from sensors 31A to 31D attached to each of a plurality of robots 3A to 3D, and determines abnormality of each of the plurality of robots 3A to 3D based on the sensor data. It is a device that does

ロボット３Ａ～３Ｄは、回転機構を駆動してアーム部を動作させる作業機器である。例えば、ロボット３Ａ～３Ｄは、生産現場において生産を行うための設備、あるいは設備の一部を構成する同型の多軸関節型のロボットである。ロボット３Ａ～３Ｄは、図示していないが、回転機構として複数の動作軸を備える。各動作軸には、動作軸を駆動する駆動部としてモータと減速機が設けられる。モータを駆動することによって減速機を介して動作軸を作動させて、ロボットアームの動作を制御する。ロボットアームには、作業ハンドおよびスポット溶接機などが装着される。ロボット３Ａ～３Ｄのそれぞれは、ロボット動作制御装置（図示せず）から作業工程に応じた制御信号を受信し、動作させる／させない、動作速度、動作角度、作業順序、および作業内容の切り替えなどを行う。 The robots 3A to 3D are working devices that drive rotation mechanisms to operate arm portions. For example, the robots 3A to 3D are multi-axis articulated robots of the same type that constitute equipment or a part of equipment for performing production at a production site. Although not shown, the robots 3A to 3D are equipped with a plurality of operating axes as rotation mechanisms. Each operating axis is provided with a motor and a speed reducer as a drive unit that drives the operating axis. By driving the motor, the motion axis is actuated via the reduction gear to control the motion of the robot arm. A work hand, a spot welder, etc. are attached to the robot arm. Each of the robots 3A to 3D receives control signals according to the work process from a robot motion control device (not shown), and controls operations such as operation/non-operation, operation speed, operation angle, work order, and switching of work contents. conduct.

センサ３１Ａ～３１Ｄは、ロボット３Ａ～３Ｄの状態を定量的に検出するために、ロボット３Ａ～３Ｄの駆動部またはその付近に設置されたセンサである。例えば、センサ３１Ａ～３１Ｄは、光センサ、音センサ、加速度センサ、振動センサ、歪センサ、アコースティックエミッションセンサ、温度センサである。センサ３１Ａ～３１Ｄは、画像または動画を撮像するカメラであってもよい。 The sensors 31A to 31D are installed at or near the driving parts of the robots 3A to 3D in order to quantitatively detect the states of the robots 3A to 3D. For example, the sensors 31A to 31D are a light sensor, a sound sensor, an acceleration sensor, a vibration sensor, a strain sensor, an acoustic emission sensor, and a temperature sensor. The sensors 31A to 31D may be cameras that capture images or videos.

異常判定装置１は、信号処理部１１、記憶部１２、異常検知部１３、相関検出部１４、結果修正部１５、結果報知部１６、および学習部１７を備える。異常判定装置１が備える各部は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各部の処理がプログラムによって実行されるものとしてもよい。このプログラムは異常判定装置１が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。 The abnormality determination device 1 includes a signal processing section 11 , a storage section 12 , an abnormality detection section 13 , a correlation detection section 14 , a result modification section 15 , a result notification section 16 , and a learning section 17 . Each part of the abnormality determination device 1 may be configured by a computer including an arithmetic processing unit, a storage device, etc., and the processing of each part may be executed by a program. This program is stored in a storage device included in the abnormality determination device 1, and can be recorded on a recording medium such as a magnetic disk, an optical disk, or a semiconductor memory, or can be provided through a network.

信号処理部１１は、センサ３１Ａ～３１Ｄから出力されたセンサデータを取得し、センサデータを異常検知部１３が利用可能な値となるように処理する。例えば、信号処理部１１は、センサデータの欠損値の補完、センサデータの異常値の除去、センサデータの補正、ＦＦＴ等による周波数特性解析、およびロボットアームの往復運動が実行されたときに検知した往路・復路のセンサデータの特徴量への変換を行う。信号処理部１１の行う処理をこれに限定するものではない。信号処理部１１は、処理前のセンサデータ、処理後のセンサデータ、センサデータから得られた各種データ、およびデータ取得日時を記憶部１２に記録する。 The signal processing unit 11 acquires sensor data output from the sensors 31A to 31D, and processes the sensor data so that it becomes a value that can be used by the abnormality detection unit 13. For example, the signal processing unit 11 complements missing values in sensor data, removes abnormal values in sensor data, corrects sensor data, analyzes frequency characteristics by FFT, etc., and detects when the robot arm reciprocates. Converts the sensor data for the outbound and return trips into feature quantities. The processing performed by the signal processing section 11 is not limited to this. The signal processing unit 11 records sensor data before processing, sensor data after processing, various data obtained from the sensor data, and data acquisition date and time in the storage unit 12.

異常検知部１３は、ロボット３Ａ～３Ｄのそれぞれについて、記憶部１２に記録されたデータに基づいて異常を検知する。例えば、異常検知部１３は、記憶部１２に記録されたデータから異常度を求め、異常度が所定の閾値以上である場合には異常であると判定する。 The abnormality detection section 13 detects abnormality for each of the robots 3A to 3D based on the data recorded in the storage section 12. For example, the abnormality detection unit 13 determines the degree of abnormality from the data recorded in the storage unit 12, and determines that there is an abnormality when the degree of abnormality is equal to or higher than a predetermined threshold.

相関検出部１４は、異常検知部１３が異常を検知したロボット３Ａの異常検知状態とそれ以外のロボット３Ｂ～３Ｄの異常検知状態との相関の有無を検出する。ロボット３Ａ～３Ｄ間の異常検知状態の相関は、例えば、異常の検知に用いたセンサデータの相関、異常の検知に用いた異常度の相関、異常検知されたタイミングの相関、または異常検知結果の相関などにより求められる。相関検出部１４の検出する相関関係をこれに限定するものではない。相関検出部１４は、後述の学習部１７の学習結果に基づいて異常検知状態の相関の有無を検出してもよい。 The correlation detection unit 14 detects whether or not there is a correlation between the abnormality detection state of the robot 3A for which the abnormality detection unit 13 has detected an abnormality and the abnormality detection states of the other robots 3B to 3D. The correlation of the abnormality detection states between the robots 3A to 3D is, for example, the correlation of the sensor data used for detecting the abnormality, the correlation of the degree of abnormality used for the detection of the abnormality, the correlation of the timing at which the abnormality was detected, or the correlation of the abnormality detection results. It is determined by correlation etc. The correlation detected by the correlation detection unit 14 is not limited to this. The correlation detection unit 14 may detect whether there is a correlation between the abnormality detection states based on a learning result of the learning unit 17, which will be described later.

結果修正部１５は、相関検出部１４の相関検出結果および所定のルールに基づき、各ロボット３Ａ～３Ｄの異常検知結果を維持または修正する。具体的には、結果修正部１５は、異常が検知されたロボット３Ａの異常検知状態とそれ以外のロボット３Ｂ～３Ｄの異常検知状態との間に相関が有る場合、ロボット３Ａの異常検知結果を異常判定から正常判定に修正する。 The result correction unit 15 maintains or corrects the abnormality detection results of each robot 3A to 3D based on the correlation detection result of the correlation detection unit 14 and a predetermined rule. Specifically, if there is a correlation between the abnormality detection state of the robot 3A in which an abnormality was detected and the abnormality detection states of the other robots 3B to 3D, the result correction unit 15 modifies the abnormality detection result of the robot 3A. Correct the abnormality judgment to normal judgment.

結果報知部１６は、異常検知部１３で異常と判定され、結果修正部１５で正常判定に修正されなかった場合、その結果を作業員、保全員、設備管理者、および監督者などの関係者にアラームを報知する。例えば、結果報知部１６は、回転灯または液晶ディスプレイなどの表示機器、音を発するブザーまたはスピーカなどの音響機器、電話、電子メール、メッセージを送信できるＳＮＳ等の情報媒体を用いてアラームを報知する。異常と判定されなかった場合の正常状態においても、異常ではなく正常であることを報知してもよく、異常のみの報知に限定されるものではない。具体的には、常に正常状態であることを報知しつづけて、異常になった場合は報知内容を正常から異常に切り替えるというものである。 If the abnormality detection unit 13 determines that there is an abnormality and the result correction unit 15 does not correct the determination to normal, the result notification unit 16 notifies the result to related parties such as workers, maintenance personnel, equipment managers, and supervisors. to notify the alarm. For example, the result notifying unit 16 notifies the alarm using a display device such as a revolving light or a liquid crystal display, an audio device such as a buzzer or speaker that emits sound, or an information medium such as a telephone, email, or SNS that can send messages. . Even in a normal state where it is not determined to be abnormal, it may be reported that it is normal rather than abnormal, and the notification is not limited to only abnormality. Specifically, it continues to notify that it is in a normal state, and when it becomes abnormal, the notification content is switched from normal to abnormal.

学習部１７は、相関検出部１４が異常検知状態の相関の有無を検出する際の精度向上および処理速度向上のために、結果修正部１５が各ロボット３Ａ～３Ｄの異常検知結果を処理した結果を記録して学習する。学習部１７は、記憶部１２に記録されたデータと合わせて学習してもよい。 The learning unit 17 uses the results obtained by processing the abnormality detection results of the robots 3A to 3D by the result correction unit 15 in order to improve accuracy and processing speed when the correlation detection unit 14 detects whether or not there is a correlation between the abnormality detection states. record and learn. The learning section 17 may learn together with the data recorded in the storage section 12.

以上、異常判定対象として作業ロボットを例に説明したが、作業ロボットに限定するものではない。例えば、モータの代わりに自動車のエンジン、減速機の代わりにトランスミッションに対して適用できる。この他にも、遊園地の移動体、３次元プリンターなどの工作機器などに適用できる。回転機構とそれを伝達する機構を有するものであれば、すべてに適用可能である。すべてに利用可能な発明である。 Although the explanation has been given above using a working robot as an example of an abnormality determination target, the present invention is not limited to working robots. For example, it can be applied to an automobile engine instead of a motor, and to a transmission instead of a reduction gear. In addition, it can be applied to moving objects in amusement parks, machine tools such as three-dimensional printers, etc. It is applicable to anything that has a rotation mechanism and a mechanism for transmitting it. This is an invention that can be used by everyone.

図２を参照し、本実施形態の異常判定装置１による異常判定方法について説明する。図２のフローチャートに示す処理は、ロボット３Ａ～３Ｄごとに行われる。以下では、ロボット３Ａを異常判定対象とした例で説明する。 An abnormality determination method by the abnormality determination device 1 of this embodiment will be described with reference to FIG. 2. The processing shown in the flowchart of FIG. 2 is performed for each robot 3A to 3D. In the following, an example in which the robot 3A is the object of abnormality determination will be described.

ステップＳ１１にて、信号処理部１１は、異常判定対象となるロボット３Ａの状態を検出するためのセンサ３１Ａからセンサデータを受信し、センサデータに対して欠損の補完、異常値が混入した場合の除去、補正などのデータ前処理を行う。処理されたデータは、記憶部１２に保存される。 In step S11, the signal processing unit 11 receives sensor data from the sensor 31A for detecting the state of the robot 3A, which is the target of abnormality determination, and performs correction of missing values in the sensor data and correction when an abnormal value is mixed into the sensor data. Perform data preprocessing such as removal and correction. The processed data is stored in the storage unit 12.

ステップＳ１２にて、異常検知部１３は、ロボット３Ａに異常・故障の発生が予測されるか否か判定する。例えば、異常検知部１３は、過去に受信したセンサデータを元に、正常状態から異常を予測する教師なしモデルを用いて異常を検知したり、現在のセンサデータから求め、求めた異常度と物理現象に基づいた異常度の閾値とを比較したりすることで、異常故障の発生が予測されるか否か判定する。 In step S12, the abnormality detection unit 13 determines whether or not an abnormality/failure is predicted to occur in the robot 3A. For example, the anomaly detection unit 13 may detect an anomaly using an unsupervised model that predicts an anomaly from a normal state based on sensor data received in the past, or may detect an anomaly based on the sensor data received in the past and use the obtained abnormality degree and physical It is determined whether or not an abnormal failure is predicted to occur by comparing the threshold value of the degree of abnormality based on the phenomenon.

異常検知部１３が異常を検知しなかった場合、異常判定装置１は、処理をステップＳ１１に戻し、センサデータの取得を続ける。 If the abnormality detection unit 13 does not detect an abnormality, the abnormality determination device 1 returns the process to step S11 and continues acquiring sensor data.

異常検知部１３が異常を検知した場合、ステップＳ１３にて、相関検出部１４は、ロボット３Ａで検知された異常は他のロボット３Ｂ～３Ｄと相関があるか否か判定する。例えば、相関検出部１４は、ロボット３Ａの異常検知のもととなった異常度とロボット３Ｂの異常度との相関を求める。 When the abnormality detection unit 13 detects an abnormality, in step S13, the correlation detection unit 14 determines whether the abnormality detected in the robot 3A has a correlation with the other robots 3B to 3D. For example, the correlation detection unit 14 finds a correlation between the degree of abnormality that is the basis for detecting the abnormality of the robot 3A and the degree of abnormality of the robot 3B.

図３に２台のロボットＡ，Ｂの異常度に相関の無い例を示し、図４に相関の有る例を示す。図３，４の例では、横軸に時間を取り、縦軸に異常度を取って、各ロボットＡ，Ｂの異常度の変化をプロットした。図３，４の矢印で示した位置は、ロボットＡで異常が検知された位置である。図３では、ロボットＡにおいて異常度が大きく変化したとき、ロボットＢでは異常度が変化していない。相関検出部１４は、ロボットＡ，Ｂ間では異常検知状態に相関はないと判定する。図４では、ロボットＡにおいて異常度が大きく変化したとき、ロボットＢにおいても異常度が大きく変化している。また、図４では、ロボットＡの異常度の変化とロボットＢの異常度の変化は類似している。相関検出部１４は、ロボットＡ，Ｂ間では異常検知状態に相関があると判定する。相関の判定は、例えば発生時刻が完全に一致した場合に限定されるものではなく、タイマーなどがずれるなどの誤差を考慮して、数秒～数分の時間ずれを許容してもよい。 FIG. 3 shows an example in which there is no correlation between the degrees of abnormality of two robots A and B, and FIG. 4 shows an example in which there is a correlation. In the examples of FIGS. 3 and 4, the horizontal axis represents time, the vertical axis represents abnormality degree, and changes in the abnormality degree of each robot A and B are plotted. The position indicated by the arrow in FIGS. 3 and 4 is the position where an abnormality was detected in robot A. In FIG. 3, when the abnormality degree of robot A changes significantly, the abnormality degree of robot B does not change. The correlation detection unit 14 determines that there is no correlation in the abnormality detection states between the robots A and B. In FIG. 4, when the degree of abnormality changes significantly in robot A, the degree of abnormality also changes greatly in robot B. Further, in FIG. 4, the change in the abnormality degree of robot A and the change in the abnormality degree of robot B are similar. The correlation detection unit 14 determines that there is a correlation in the abnormality detection states between the robots A and B. The determination of correlation is not limited to the case where the occurrence times completely match, for example, and may allow a time lag of several seconds to several minutes, taking into account errors such as a timer lag.

ステップＳ１３で相関があると判定された場合、ステップＳ１４にて、結果修正部１５は、ロボット３Ａに対する異常判定を正常判定に修正する。ここで、ロボット３Ａの異常故障の発生確率を０．１％とする。ロボット３Ａと同型のロボット３Ｂの異常故障の発生確率も０．１％と考えられる。このとき、ロボット３Ａとロボット３Ｂに同時に異常故障が発生する確率は０．０００１％と算出される。このように、ロボット３Ａとロボット３Ｂに同時に異常故障が発生する可能性は非常に低いので、ロボット３Ａとロボット３Ｂのそれぞれに異常故障が発生したのではなく、ロボット３Ａとロボット３Ｂを取り巻く環境に原因があると考える。そこで、結果修正部１５は、ロボット３Ａの異常検知結果を異常から正常に修正する。 If it is determined in step S13 that there is a correlation, the result modification unit 15 modifies the abnormality determination for the robot 3A to normal determination in step S14. Here, the probability of occurrence of an abnormal failure of the robot 3A is assumed to be 0.1%. The probability of abnormal failure occurring in robot 3B, which is the same type as robot 3A, is also considered to be 0.1%. At this time, the probability that an abnormal failure occurs simultaneously in the robot 3A and the robot 3B is calculated to be 0.0001%. In this way, the possibility that an abnormal failure occurs in robot 3A and robot 3B at the same time is very low, so it is not the case that abnormal failure occurs in robot 3A and robot 3B individually, but due to the environment surrounding robot 3A and robot 3B. I think there is a reason. Therefore, the result correction unit 15 corrects the abnormality detection result of the robot 3A from abnormal to normal.

続けて、ステップＳ１５にて、学習部１７は、相関検出部１４および結果修正部１５の導出内容を含めた結果をクラウドまたはサーバなどの記録媒体に記録する。学習部１７は、精度向上および処理速度向上のために、記録した結果の学習を行い、異常度の相関を求めるために用いるモデルを作成してもよい。 Subsequently, in step S15, the learning section 17 records the results including the derived contents of the correlation detection section 14 and the result modification section 15 on a recording medium such as a cloud or a server. In order to improve accuracy and processing speed, the learning unit 17 may perform learning on the recorded results and create a model used to determine the correlation between the degrees of abnormality.

他方、ステップＳ１３で相関がないと判定された場合、結果修正部１５は異常検知結果を修正しない。ステップＳ１６にて、結果報知部１６は、異常検知結果をアラームとして報知する。なお、結果修正部１５が異常検知結果を修正して正常判定とした場合、結果報知部１６は、修正後の異常検知結果をアラームではなく状態表示として伝えてもよい。具体的には、結果報知部１６は、修正後の異常検知結果を液晶ディスプレイまたは電光掲示板などの表示機器に表示する。 On the other hand, if it is determined in step S13 that there is no correlation, the result modification unit 15 does not modify the abnormality detection result. In step S16, the result notifying unit 16 notifies the abnormality detection result as an alarm. Note that when the result correction unit 15 corrects the abnormality detection result to determine normality, the result notification unit 16 may notify the corrected abnormality detection result as a status display instead of an alarm. Specifically, the result notification unit 16 displays the corrected abnormality detection result on a display device such as a liquid crystal display or an electronic bulletin board.

異常判定装置１は、異常判定処理を終了する操作が入力されない限り、ステップＳ１１に戻り、異常判定処理を継続する。 The abnormality determination device 1 returns to step S11 and continues the abnormality determination process unless an operation to end the abnormality determination process is input.

以上説明したように、本実施形態の異常判定装置１によれば、以下の効果が得られる。 As explained above, according to the abnormality determination device 1 of this embodiment, the following effects can be obtained.

異常検知部１３は、センサ３１Ａ～３１Ｄから取得されるセンサデータに基づいてロボット３Ａ～３Ｄの異常を検知する。相関検出部１４は、異常と判定されたロボット３Ａの異常判定状態とロボット３Ａ以外のロボット３Ｂ～３Ｄの異常判定状態との相関の有無を判定する。異常判定状態に相関のある場合、結果修正部１５は、ロボット３Ａの異常検知結果を異常判定から正常判定に修正する。これにより、異常判定装置１は、ロボット３Ａ～３Ｄにおいて検知されるロボット３Ａ～３Ｄそのものの異常の誤検出を抑制できる。 The abnormality detection unit 13 detects abnormalities in the robots 3A to 3D based on sensor data obtained from the sensors 31A to 31D. The correlation detection unit 14 determines whether there is a correlation between the abnormality determination state of the robot 3A determined to be abnormal and the abnormality determination states of the robots 3B to 3D other than the robot 3A. If there is a correlation between the abnormality determination states, the result correction unit 15 corrects the abnormality detection result of the robot 3A from an abnormality determination to a normal determination. Thereby, the abnormality determination device 1 can suppress erroneous detection of abnormalities of the robots 3A to 3D themselves detected by the robots 3A to 3D.

［第２実施形態］
図５を参照し、第２実施形態の異常判定装置について説明する。第２実施形態では、異常検知状態の相関の有無を比較する対象を同一工程または類似する作業工程のロボットに限定し、相関がある場合に異常検知結果を修正する。 [Second embodiment]
Referring to FIG. 5, an abnormality determination device according to a second embodiment will be described. In the second embodiment, the objects to be compared to see if there is a correlation between abnormality detection states are limited to robots in the same process or similar work processes, and if there is a correlation, the abnormality detection result is corrected.

第２実施形態の異常判定装置１は、第１実施形態の異常判定装置１と比べて、抽出部１８を備える点で相違する。他の構成は、第１実施形態と同じである。第２実施形態では、抽出部１８は、異常検知部１３により異常の検知されたロボット３Ａと同一工程または類似する作業工程のロボット３Ｂのセンサデータおよび異常度を記憶部１２から抽出する。相関検出部１４は、ロボット３Ａ，３Ｂ間で異常検知状態の相関の有無を検出する。 The abnormality determination device 1 of the second embodiment differs from the abnormality determination device 1 of the first embodiment in that it includes an extraction unit 18. Other configurations are the same as in the first embodiment. In the second embodiment, the extraction unit 18 extracts from the storage unit 12 the sensor data and abnormality degree of the robot 3B in the same or similar work process to the robot 3A in which the abnormality was detected by the abnormality detection unit 13. The correlation detection unit 14 detects whether there is a correlation between the abnormality detection states between the robots 3A and 3B.

例えば、図６に示すように、複数のロボットＡ～Ｄが製造ラインを挟んで左右に配置されているシーンを想定する。ワークが自動車などの左右対称の製品である場合、ワークを挟んで対向するロボットＡ，Ｂは、同時に同一作業をするので同一工程のロボットである。同様に、ロボットＣ，Ｄも同一工程のロボットである。 For example, as shown in FIG. 6, assume a scene in which a plurality of robots A to D are arranged on the left and right sides of a production line. When the workpiece is a symmetrical product such as a car, robots A and B facing each other across the workpiece perform the same work at the same time, so they are robots in the same process. Similarly, robots C and D are also robots in the same process.

同一工程は、厳密に同時に同一作業をするものに限定するものに限らない。時間、空間、および作業内容等の作業工程が相互に類似するロボットを同一工程のロボットとしてもよい。図６の例では、ロボットＡ～Ｄは、同じ時間帯に稼働しており、同じ工場内で、同じ製造ライン上で作業しているので、ロボットＡ～Ｄは、類似する作業工程を行うロボットである。ロボットＡ～Ｄのいずれの組み合わせで異常検知状態の相関の有無を比較してもよい。類似する作業工程のロボットが複数存在する場合、時間、空間、および作業内容の類似度が最も高いロボットを異常検知状態の相関の有無を比較する対象としてもよい。 The same process is not limited to those that perform the same work strictly at the same time. Robots whose work processes are similar to each other in terms of time, space, work content, etc. may be used as robots in the same process. In the example of FIG. 6, robots A to D are operating in the same time zone, in the same factory, and on the same production line, so robots A to D are robots that perform similar work processes. It is. Any combination of robots A to D may be compared to see if there is a correlation between the abnormality detection states. If there are multiple robots with similar work processes, the robot with the highest degree of similarity in time, space, and work content may be selected as the target for comparing whether or not there is a correlation in the abnormality detection states.

図７を参照し、本実施形態の異常判定装置１による異常判定方法について説明する。図７のフローチャートでは、図２のフローチャートのステップＳ１３の代わりに、ステップＳ２３，Ｓ２４を行う点で第１実施形態と相違する。 An abnormality determination method by the abnormality determination device 1 of this embodiment will be described with reference to FIG. The flowchart in FIG. 7 differs from the first embodiment in that steps S23 and S24 are performed instead of step S13 in the flowchart in FIG.

ステップＳ２１にて、信号処理部１１は、センサ３１Ａからセンサデータを受信し、データ前処理を行う。 In step S21, the signal processing unit 11 receives sensor data from the sensor 31A and performs data preprocessing.

ステップＳ２２にて、異常検知部１３は、ロボット３Ａに異常・故障の発生が予測されるか否か判定する。 In step S22, the abnormality detection unit 13 determines whether or not an abnormality/failure is predicted to occur in the robot 3A.

異常検知部１３が異常を検知しなかった場合、異常判定装置１は、処理をステップＳ２１に戻し、センサデータの取得を続ける。 If the abnormality detection unit 13 does not detect an abnormality, the abnormality determination device 1 returns the process to step S21 and continues acquiring sensor data.

異常検知部１３が異常を検知した場合、ステップＳ２３にて、抽出部１８は、ロボット３Ａと同一工程の他のロボット３Ｂ～３Ｄが存在するか否か判定する。 When the abnormality detection unit 13 detects an abnormality, in step S23, the extraction unit 18 determines whether there are other robots 3B to 3D in the same process as the robot 3A.

同一工程のロボットが存在しない場合、結果修正部１５は異常検知結果を修正しない。ステップＳ２７にて、結果報知部１６は、異常検知結果をアラームとして報知する。 If there is no robot in the same process, the result modification unit 15 does not modify the abnormality detection result. In step S27, the result notifying unit 16 notifies the abnormality detection result as an alarm.

同一工程のロボットが存在する場合、抽出部１８は、同一工程のロボット３Ｂのセンサデータおよび異常度等を記憶部１２から抽出して相関検出部１４に出力する。ステップＳ２４にて、相関検出部１４は、ロボット３Ａで検知された異常は同一工程のロボット３Ｂと相関があるか否か判定する。同一工程のロボット３Ｂ～３Ｄが２台以上存在する場合、抽出部１８は、同一工程のロボット３Ｂ～３Ｄのうち、ロボット３Ａの作業工程と最も類似する作業工程を行うロボット３Ｂを選択する。例えば、抽出部１８は、各ロボット３Ｂ～３Ｄの作業工程について、時間、空間、および作業内容に基づいてロボット３Ａの作業工程との類似度を算出し、算出した類似度が最も高いロボット３Ｂを選択する。 If there are robots in the same process, the extraction unit 18 extracts the sensor data, degree of abnormality, etc. of the robot 3B in the same process from the storage unit 12, and outputs it to the correlation detection unit 14. In step S24, the correlation detection unit 14 determines whether the abnormality detected in the robot 3A has a correlation with the robot 3B in the same process. If there are two or more robots 3B to 3D in the same process, the extraction unit 18 selects the robot 3B that performs the work process most similar to the work process of the robot 3A from among the robots 3B to 3D in the same process. For example, the extraction unit 18 calculates the degree of similarity between the work processes of the robots 3B to 3D and the work process of the robot 3A based on time, space, and work content, and selects the robot 3B with the highest calculated degree of similarity. select.

ステップＳ２４で相関があると判定された場合、ステップＳ２５にて、結果修正部１５は、検知された異常判定を正常判定に修正する。 If it is determined in step S24 that there is a correlation, the result modification unit 15 modifies the detected abnormality determination to a normal determination in step S25.

ステップＳ２６にて、学習部１７は、相関検出部１４および結果修正部１５の導出内容を含めた結果をクラウドまたはサーバなどの記録媒体に記録する。 In step S26, the learning section 17 records the results including the derived contents of the correlation detecting section 14 and the result correcting section 15 on a recording medium such as a cloud or a server.

他方、ステップＳ２４で相関がないと判定された場合、結果修正部１５は異常検知結果を修正しない。ステップＳ２７にて、結果報知部１６は、異常検知結果をアラームとして報知する。 On the other hand, if it is determined in step S24 that there is no correlation, the result modification unit 15 does not modify the abnormality detection result. In step S27, the result notifying unit 16 notifies the abnormality detection result as an alarm.

異常判定装置１は、異常判定処理を終了する操作が入力されない限り、ステップＳ２１に戻り、異常判定処理を継続する。 The abnormality determination device 1 returns to step S21 and continues the abnormality determination process unless an operation to end the abnormality determination process is input.

以上説明したように、本実施形態の異常判定装置１によれば、以下の効果が得られる。 As explained above, according to the abnormality determination device 1 of this embodiment, the following effects can be obtained.

相関検出部１４は、異常検知部１３が異常を検知したロボット３Ａの作業工程と類似する作業工程のロボット３Ｂを選択し、ロボット３Ａの異常検知状態とロボット３Ｂの異常検知状態との相関の有無を判定する。作業工程の類似するロボット３Ａ，３Ｂ間で相関を求めるので精度の向上が期待できる。また、相関を求める対象を作業工程の類似するロボット３Ｂに限定したので、処理効率の向上および処理時間の短縮が期待できる。 The correlation detection unit 14 selects the robot 3B whose work process is similar to the work process of the robot 3A in which the abnormality detection unit 13 detected the abnormality, and determines whether there is a correlation between the abnormality detection state of the robot 3A and the abnormality detection state of the robot 3B. Determine. Since a correlation is found between the robots 3A and 3B that perform similar work processes, it is expected that accuracy will improve. Furthermore, since the objects for which correlation is sought are limited to the robots 3B with similar work processes, it is expected that processing efficiency will be improved and processing time reduced.

［第３実施形態］
次に、第３実施形態について説明する。第３実施形態では、同一工程のロボットが複数存在する場合に、異常検知状態の相関の有無を比較する対象を順番に変えて、異常検知結果を修正する。第３実施形態の異常判定装置１の構成は図５に示した第２実施形態と同じである。 [Third embodiment]
Next, a third embodiment will be described. In the third embodiment, when there are a plurality of robots in the same process, the abnormality detection results are corrected by changing the objects to be compared in order to see if there is a correlation between the abnormality detection states. The configuration of the abnormality determination device 1 of the third embodiment is the same as that of the second embodiment shown in FIG.

例えば、図６に示した、複数のロボットＡ～Ｄは同一工程のロボットであるとする。第３実施形態では、ロボットＡに異常が検知されると、まず、ロボットＡとロボットＢとの相関の有無を判定する。ロボットＡ，Ｂ間に相関がない場合は、ロボットＡとロボットＣとの相関の有無を判定する。ロボットＡ，Ｃ間に相関がない場合は、ロボットＡとロボットＤとの相関の有無を判定する。ロボットＡの異常検知状態がロボットＢ～Ｄのいずれかの異常検知状態と相関がある場合は、異常検知結果を修正する。 For example, assume that the plurality of robots A to D shown in FIG. 6 are robots in the same process. In the third embodiment, when an abnormality is detected in robot A, it is first determined whether there is a correlation between robot A and robot B. If there is no correlation between robots A and B, it is determined whether there is a correlation between robots A and C. If there is no correlation between robots A and C, it is determined whether there is a correlation between robots A and D. If the abnormality detection state of robot A is correlated with the abnormality detection state of any of robots B to D, the abnormality detection result is corrected.

図８を参照し、本実施形態の異常判定装置１による異常判定方法について説明する。図８のフローチャートでは、図７のフローチャートのステップＳ２４のＮＯの後に、ステップＳ３７を行って同一工程の全てのロボットとの相関の有無を判定する点で第２実施形態と相違する。 With reference to FIG. 8, an abnormality determination method by the abnormality determination apparatus 1 of this embodiment will be described. The flowchart in FIG. 8 differs from the second embodiment in that after the answer of NO in step S24 in the flowchart in FIG. 7, step S37 is performed to determine whether or not there is a correlation with all robots in the same process.

ステップＳ３１にて、信号処理部１１は、センサ３１Ａからセンサデータを受信し、データ前処理を行う。 In step S31, the signal processing unit 11 receives sensor data from the sensor 31A and performs data preprocessing.

ステップＳ３２にて、異常検知部１３は、ロボット３Ａに異常・故障の発生が予測されるか否か判定する。 In step S32, the abnormality detection unit 13 determines whether or not an abnormality/failure is predicted to occur in the robot 3A.

異常検知部１３が異常を検知しなかった場合、異常判定装置１は、処理をステップＳ３１に戻し、センサデータの取得を続ける。 If the abnormality detection unit 13 does not detect an abnormality, the abnormality determination device 1 returns the process to step S31 and continues acquiring sensor data.

異常検知部１３が異常を検知した場合、ステップＳ３３にて、抽出部１８は、ロボット３Ａと同一工程の他のロボット３Ｂ～３Ｄが存在するか否か判定する。 When the abnormality detection unit 13 detects an abnormality, in step S33, the extraction unit 18 determines whether there are other robots 3B to 3D in the same process as the robot 3A.

同一工程のロボットが存在しない場合、結果修正部１５は異常検知結果を修正しない。ステップＳ３８にて、結果報知部１６は、異常検知結果をアラームとして報知する。 If there is no robot in the same process, the result modification unit 15 does not modify the abnormality detection result. In step S38, the result notifying unit 16 notifies the abnormality detection result as an alarm.

同一工程のロボットが存在する場合、抽出部１８は、同一工程のロボット３Ｂのセンサデータおよび異常度を記憶部１２から抽出して相関検出部１４に出力する。ステップＳ３４にて、相関検出部１４は、ロボット３Ａで検知された異常は同一工程のロボット３Ｂと相関があるか否か判定する。 If there are robots in the same process, the extraction unit 18 extracts the sensor data and degree of abnormality of the robot 3B in the same process from the storage unit 12 and outputs them to the correlation detection unit 14. In step S34, the correlation detection unit 14 determines whether the abnormality detected in the robot 3A has a correlation with the robot 3B in the same process.

ステップＳ３４で相関がないと判定された場合、ステップＳ３７にて、相関検出部１４は、同一工程の全てのロボット３Ｂ～３Ｄについて異常検知状態の相関を求めたか否か判定する。 If it is determined in step S34 that there is no correlation, in step S37, the correlation detection unit 14 determines whether or not the correlation of the abnormality detection states has been determined for all the robots 3B to 3D in the same process.

異常検知状態の相関を求めていない同一工程のロボット３Ｂ～３Ｄが存在する場合、相関検出部１４は、別の同一工程のロボット３Ｂ～３Ｄを選択し、ステップＳ３４の処理を行う。 If there are robots 3B to 3D in the same process whose abnormality detection states have not been correlated, the correlation detection unit 14 selects another robot 3B to 3D in the same process and performs the process of step S34.

同一工程の全てのロボット３Ｂ～３Ｄについて異常検知状態の相関を求めた場合、結果修正部１５は異常検知結果を修正しない。ステップＳ３８にて、結果報知部１６は、異常検知結果をアラームとして報知する。 When the correlation between the abnormality detection states of all the robots 3B to 3D in the same process is determined, the result modification unit 15 does not modify the abnormality detection results. In step S38, the result notifying unit 16 notifies the abnormality detection result as an alarm.

他方、ステップＳ３４で相関があると判定された場合、ステップＳ３５にて、結果修正部１５は、検知された異常判定を正常判定に修正する。 On the other hand, if it is determined in step S34 that there is a correlation, the result modification unit 15 modifies the detected abnormality determination to a normal determination in step S35.

続けて、ステップＳ３６にて、学習部１７は、相関検出部１４および結果修正部１５の導出内容を含めた結果をクラウドまたはサーバなどの記録媒体に記録する。 Subsequently, in step S36, the learning unit 17 records the results including the derived contents of the correlation detection unit 14 and the result modification unit 15 on a recording medium such as a cloud or a server.

異常判定装置１は、異常判定処理を終了する操作が入力されない限り、ステップＳ３１に戻り、異常判定処理を継続する。 The abnormality determination device 1 returns to step S31 and continues the abnormality determination process unless an operation to end the abnormality determination process is input.

以上説明したように、本実施形態の異常判定装置１によれば、以下の効果が得られる。 As explained above, according to the abnormality determination device 1 of this embodiment, the following effects can be obtained.

相関検出部１４は、異常検知部１３が異常を検知したロボット３Ａの作業工程と類似する作業工程のロボット３Ｂを選択し、ロボット３Ａの異常検知状態とロボット３Ｂの異常検知状態との相関の有無を判定する。選択したロボット３Ｂの異常判定状態と相関がある場合、結果修正部１５は、ロボット３Ａの異常検知結果を異常判定から正常判定に修正する。相関がない場合、相関検出部１４は、作業工程の類似する別のロボット３Ｃ，３Ｄを選択する。相関検出部１４は、複数のロボット３Ｂ～３Ｄとの相関を求めるので精度の向上が期待できる。 The correlation detection unit 14 selects the robot 3B whose work process is similar to the work process of the robot 3A in which the abnormality detection unit 13 detected the abnormality, and determines whether there is a correlation between the abnormality detection state of the robot 3A and the abnormality detection state of the robot 3B. Determine. If there is a correlation with the abnormality determination state of the selected robot 3B, the result modification unit 15 corrects the abnormality detection result of the robot 3A from an abnormality determination to a normal determination. If there is no correlation, the correlation detection unit 14 selects another robot 3C or 3D with a similar work process. Since the correlation detection unit 14 finds correlations with a plurality of robots 3B to 3D, it can be expected to improve accuracy.

１…異常判定装置
１１…信号処理部
１２…記憶部
１３…異常検知部
１４…相関検出部
１５…結果修正部
１６…結果報知部
１７…学習部
１８…抽出部
３Ａ～３Ｄ…ロボット
３１Ａ～３１Ｄ…センサ 1... Abnormality determination device 11... Signal processing section 12... Storage section 13... Abnormality detection section 14... Correlation detection section 15... Result modification section 16... Result notification section 17... Learning section 18... Extraction section 3A to 3D... Robot 31A to 31D …sensor

Claims (2)

複数の作業機器のそれぞれから取得されるセンサデータに基づいて前記複数の作業機器のそれぞれの異常を検知する異常検知部と、
前記異常検知部が前記複数の作業機器のいずれかの異常を検知した際、異常の検知された第１の作業機器の異常検知状態と、前記第１の作業機器以外で、前記複数の作業機器のうち、前記第１の作業機器の作業工程と最も類似する作業工程を行う作業機器である第２の作業機器の異常検知状態との間に相関がある場合は、前記第１の作業機器の検知結果を異常から正常へ修正する結果修正部と、を有し、
前記結果修正部は、前記第１の作業機器の異常検知状態と前記第２の作業機器の異常検知状態との間に前記相関が無く、前記検知結果を修正しなかった場合、前記複数の作業機器のうち、前記第１の作業機器の作業工程と類似する作業工程を行う別の作業機器を順次選択して、前記相関の有無の判定、およびその判定による検知結果の修正を行う
ことを特徴とする異常判定装置。 an abnormality detection unit that detects an abnormality in each of the plurality of work equipment based on sensor data acquired from each of the plurality of work equipment;
When the abnormality detection unit detects an abnormality in any of the plurality of work equipment, the abnormality detection state of the first work equipment in which the abnormality has been detected and the abnormality detection state of the plurality of work equipment other than the first work equipment. Among them, if there is a correlation between the abnormality detection state of the second work equipment, which is the work equipment that performs the work process most similar to the work process of the first work equipment, the abnormality detection state of the first work equipment a result correction unit that corrects the detection result from abnormal to normal ;
When the result correction unit does not correct the detection result because there is no correlation between the abnormality detection state of the first work equipment and the abnormality detection state of the second work equipment, the result correction unit Among the devices, another work device that performs a work process similar to the work process of the first work device is sequentially selected, and the presence or absence of the correlation is determined, and the detection result is corrected based on the determination.
An abnormality determination device characterized by: 複数の作業機器のそれぞれから取得されるセンサデータに基づいて前記複数の作業機器のそれぞれの異常を検知し、
前記複数の作業機器のいずれかの異常を検知した場合、異常の検知された第１の作業機器の異常検知状態と、前記第１の作業機器以外で、前記複数の作業機器のうち、前記第１の作業機器の作業工程と最も類似する作業工程を行う作業機器である第２の作業機器の異常検知状態との間に相関がある場合は、前記第１の作業機器の検知結果を異常から正常へ修正を行い、さらに、
前記第１の作業機器の異常検知状態と前記第２の作業機器の異常検知状態との間に前記相関が無く、前記検知結果を修正しなかった場合、前記複数の作業機器のうち、前記第１の作業機器の作業工程と類似する作業工程を行う別の作業機器を順次選択して、前記相関の有無の判定、およびその判定による検知結果の修正を行う
ことを特徴とする異常判定方法。 detecting an abnormality in each of the plurality of work equipment based on sensor data acquired from each of the plurality of work equipment;
When an abnormality is detected in any of the plurality of work equipment, the abnormality detection state of the first work equipment in which the abnormality has been detected and the first work equipment among the plurality of work equipment other than the first work equipment. If there is a correlation between the work process of the first work equipment and the abnormality detection state of the second work equipment, which is the work equipment that performs the most similar work process , the detection result of the first work equipment is changed from the abnormality detection state. Correct it to normal , and further,
If there is no correlation between the abnormality detection state of the first work equipment and the abnormality detection state of the second work equipment, and the detection result is not corrected, the first work equipment among the plurality of work equipment Sequentially selecting other work equipment that performs a work process similar to the work process of the first work equipment, determining the presence or absence of the correlation, and correcting the detection result based on the determination.
An abnormality determination method characterized by the following.
JP2019055108A 2019-03-22 2019-03-22 Abnormality determination device and abnormality determination method Active JP7366562B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019055108A JP7366562B2 (en) 2019-03-22 2019-03-22 Abnormality determination device and abnormality determination method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019055108A JP7366562B2 (en) 2019-03-22 2019-03-22 Abnormality determination device and abnormality determination method

Publications (2)

Publication Number Publication Date
JP2020153930A JP2020153930A (en) 2020-09-24
JP7366562B2 true JP7366562B2 (en) 2023-10-23

Family

ID=72558759

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019055108A Active JP7366562B2 (en) 2019-03-22 2019-03-22 Abnormality determination device and abnormality determination method

Country Status (1)

Country Link
JP (1) JP7366562B2 (en)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007310611A (en) 2006-05-18 2007-11-29 Ntn Corp System for monitoring and diagnosing equipment using bearing
JP2011243118A (en) 2010-05-20 2011-12-01 Hitachi Ltd Monitoring diagnosis device and monitoring diagnosis method
JP2013104795A (en) 2011-11-14 2013-05-30 Jfe Steel Corp Apparatus and method for diagnosis of abnormality
US20150346066A1 (en) 2014-05-30 2015-12-03 Rolls-Royce Plc Asset Condition Monitoring
JP2016091378A (en) 2014-11-06 2016-05-23 株式会社東芝 Diagnostic system, diagnostic method and diagnostic program
JP2017032567A (en) 2015-08-05 2017-02-09 Ｊｆｅスチール株式会社 Motor monitoring device and method
JP2017207435A (en) 2016-05-20 2017-11-24 日本精工株式会社 Abnormality diagnostic method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07194186A (en) * 1993-12-28 1995-07-28 Nippon Steel Corp Abnormality diagnostic device of motor and object to be driven by motor

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007310611A (en) 2006-05-18 2007-11-29 Ntn Corp System for monitoring and diagnosing equipment using bearing
JP2011243118A (en) 2010-05-20 2011-12-01 Hitachi Ltd Monitoring diagnosis device and monitoring diagnosis method
JP2013104795A (en) 2011-11-14 2013-05-30 Jfe Steel Corp Apparatus and method for diagnosis of abnormality
US20150346066A1 (en) 2014-05-30 2015-12-03 Rolls-Royce Plc Asset Condition Monitoring
JP2016091378A (en) 2014-11-06 2016-05-23 株式会社東芝 Diagnostic system, diagnostic method and diagnostic program
JP2017032567A (en) 2015-08-05 2017-02-09 Ｊｆｅスチール株式会社 Motor monitoring device and method
JP2017207435A (en) 2016-05-20 2017-11-24 日本精工株式会社 Abnormality diagnostic method

Also Published As

Publication number Publication date
JP2020153930A (en) 2020-09-24

Similar Documents

Publication Publication Date Title
US7590468B2 (en) Robot system
JP6031202B1 (en) Cell control device for finding the cause of abnormalities in manufacturing machines
CN106471546A (en) Control robot in the presence of mobile object
WO2021065576A1 (en) Conveyance abnormality prediction system
JP6272599B1 (en) Control device and motor control system
US10899010B2 (en) Cable damage detection assistance apparatus and cable damage detection assistance method in robot mechanism
WO2021117620A1 (en) Robot controller
JP2020024484A (en) Control system and control device
US10511612B2 (en) System and method of detecting intrusion into communication environment
JP7366562B2 (en) Abnormality determination device and abnormality determination method
JP7396819B2 (en) A monitoring device equipped with a camera that captures video images of robot equipment operations.
Ramesh et al. Robot vitals and robot health: Towards systematically quantifying runtime performance degradation in robots under adverse conditions
JP2018036713A (en) Production control device with function to identify cause when production equipment made up of plural production facilities stops operation
Sacchi et al. Sliding mode based fault diagnosis with deep reinforcement learning add‐ons for intrinsically redundant manipulators
CN112400194B (en) System and method for triggering training events
JP7110843B2 (en) Abnormality determination device and abnormality determination method
WO2017199652A1 (en) Diagnostic system and electronic control device
CN109828512A (en) Board diagnostic method and its system
Siam et al. Fault tolerant control of an industrial manufacturing process using image processing
JP2006285734A (en) Method for diagnosing controller
WO2022158079A1 (en) Control device and automatic work method
JP2017041045A (en) Monitoring storage, monitoring information storage apparatus, monitoring storage system, monitoring storage method, and monitoring storage program
US20220219324A1 (en) Safety and integrity violation detection system, device, and method
JP2022077227A (en) Abnormality determination program, abnormality determination method, and abnormality determination device
KR102626346B1 (en) Method and apparatus for detecting whether a machine tool is in a state of wear and tear

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211109

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220930

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221125

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230404

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230605

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: 20230912

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231011

R150 Certificate of patent or registration of utility model

Ref document number: 7366562

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150