WO2021014670A1 - 異常検知装置、異常検知方法、および異常検知プログラム - Google Patents

異常検知装置、異常検知方法、および異常検知プログラム Download PDF

Info

Publication number
WO2021014670A1
WO2021014670A1 PCT/JP2020/008498 JP2020008498W WO2021014670A1 WO 2021014670 A1 WO2021014670 A1 WO 2021014670A1 JP 2020008498 W JP2020008498 W JP 2020008498W WO 2021014670 A1 WO2021014670 A1 WO 2021014670A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality detection
target device
index
index value
abnormality
Prior art date
Application number
PCT/JP2020/008498
Other languages
English (en)
French (fr)
Inventor
一浩 武多
将太 坂下
橋本　直哉
Original Assignee
オムロン株式会社
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 オムロン株式会社 filed Critical オムロン株式会社
Priority to CN202080041120.XA priority Critical patent/CN113924207B/zh
Priority to US17/621,685 priority patent/US20220357732A1/en
Priority to EP20844882.9A priority patent/EP4005785A4/en
Publication of WO2021014670A1 publication Critical patent/WO2021014670A1/ja

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
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B30—PRESSES
    • B30B—PRESSES IN GENERAL
    • B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
    • B30B15/26—Programme control arrangements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B30—PRESSES
    • B30B—PRESSES IN GENERAL
    • B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
    • B30B15/28—Arrangements for preventing distortion of, or damage to, presses or parts thereof
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34465—Safety, control of correct operation, abnormal states

Definitions

  • the present invention relates to an abnormality detection device for detecting an abnormality in a target device, an abnormality detection method, and an abnormality detection program.
  • Patent Document 1 a technique for detecting a press abnormality based on a load waveform of a press load when a workpiece is pressed is known (see, for example, Patent Document 1).
  • Patent Document 2 a technique for controlling a motor by using a probability density function depending on the speed of a servomotor is known (see, for example, Patent Document 2).
  • Patent Document 1 determines whether or not an abnormality has occurred depending on whether or not the measured value of the apparatus by the machining operation for machining the workpiece is within the standard deviation. ..
  • Japanese Patent Publication Japanese Patent Laid-Open No. 2016-209885
  • Japanese Patent Publication Japanese Patent Laid-Open No. 2006-158031
  • the press load during the machining operation or the prediction curve of the motor speed may have a steep part during the machining operation.
  • One aspect of the present invention has been made in view of the above circumstances, and an object of the present invention is to provide a technique capable of appropriately determining an abnormality.
  • the abnormality detection device is an abnormality detection device that detects an abnormality in the target device, and has a first index value related to a first index in the operation of the target device. , The first index value, and the second index value in a two-dimensional plane centered on the acquisition unit for acquiring the second index value and the second index, and the first index and the second index.
  • the device includes an abnormality detection unit that detects an abnormality in the target device based on a distance from a preset reference curve at the point indicated by.
  • the abnormality detection method is an abnormality detection method executed in an abnormality detection device that detects an abnormality in the target device, and is a first method in the operation of the target device.
  • the first index value acquisition step for acquiring the first index value related to one index and the second index value related to the second index, and the first in a two-dimensional plane centered on the first index and the second index. It includes an abnormality detection step of detecting an abnormality of the target device based on a distance from a preset reference curve of one index value and a point indicated by the second index value.
  • the abnormality detection program is an abnormality detection program for operating the computer as the abnormality detection device, and causes the computer to function as the acquisition unit and the abnormality detection unit.
  • FIG. 1 is a diagram schematically showing a site where the abnormality detection device 100 according to the present embodiment is used.
  • the abnormality detection device 100 is, for example, a device used at a manufacturing site to detect an abnormality in the target device 10.
  • the abnormality detection device 100 is realized by, for example, a PLC (programmable controller).
  • the abnormality detection device 100 may be configured to control the operation of the target device 10.
  • the abnormality detection device 100 is connected to one or more target devices 10 via a network such as a field network or a local network.
  • the target device 10 is, for example, a press device driven by a servomotor as a power source.
  • the servomotor 20 is rotationally moved, the rotary motion of the servomotor 20 is converted into a linear motion by the actuator 15, and the press-fitting work 5b is placed in the press-fitting work 5a. Press in through.
  • the contact surface of the press tool 12 in the press equipment with the press-fitting work 5b wears as the press-fitting times are repeated. As the wear of the press tool 12 progresses, metal powder is generated, and if the metal powder is sandwiched between the press-fit work 5b and the press-fit work 5a at the time of press-fitting, the foreign matter is caught abnormally and the press tool cannot be removed. Abnormality occurs.
  • the abnormality detection device 100 has a function of collecting, learning, and monitoring data related to the operation of the target device 10.
  • the abnormality detection device 100 is detected from the target device 10 by, for example, information such as torque, speed, and position of the servomotor, information on the load applied to the press tool 12 measured by the load cell 16, and displacement sensor 11. Acquire the sensor value (position).
  • the abnormality detection device 100 has a first index value related to the first index, for example, a value related to the stage of operation of the target device 10, and a second index value related to the second index, for example, the target, based on the data related to the operation of the target device 10.
  • a value related to the operation load of the device 10 and a value related to the operation load of the device 10 are acquired, and it is determined whether or not an abnormality has occurred in the target device 10 by referring to these two index values.
  • the anomaly detection device 100 particularly relates to a preset reference curve of points indicated by the first index value and the second index value in a two-dimensional plane centered on the first index and the second index. It is determined whether or not an abnormality has occurred in the target device 10 based on the distance.
  • the abnormality detection device 100 can monitor from the start of the machining operation to the end of the machining operation of the target device 10 and detect an abnormality sign at an early stage. Further, even in a situation where the sensor value suddenly changes in the operation process of the target device 10, it is possible to appropriately determine whether or not an abnormality has occurred. Further, by performing an abnormality determination using the value related to the operation stage of the target device 10 and the value related to the operation load of the target device 10, the abnormality determination can be appropriately performed at each stage of the operation of the target device 10. It can be carried out.
  • FIG. 2 is a block diagram showing a main configuration of the abnormality detection device 100.
  • the abnormality detection device 100 includes a communication unit 101, a control unit 110, and a storage unit 120.
  • the communication unit 101 communicates with the target device 10 via the network and executes data transmission / reception.
  • the communication unit 101 is realized by using, for example, an integrated circuit such as a communication IC (Integrated Circuits).
  • the communication unit 101 communicates with the target device 10 by wire communication or wireless communication.
  • the control unit 110 is an arithmetic unit having a function of comprehensively controlling each unit of the abnormality detection device 100.
  • one or more processors for example, a CPU
  • control each part of the abnormality detection device 100 by executing a program stored in one or more memories (for example, RAM or ROM). You may.
  • the storage unit 120 stores various data used by the control unit 110 and various software executed by the control unit 110. Further, the storage unit 120 stores data related to the operation of the target device 10 acquired from the target device 10 and learned by the control unit 110.
  • the control unit 110 includes an acquisition unit 111, a reference generation unit 112, a scale normalization unit 113, and an abnormality detection unit 114.
  • the acquisition unit 111 acquires the first index value related to the first index and the second index value related to the second index in the operation of the target device 10 via the communication unit 101.
  • the value of the first index and the value of the second index in the operation of the target device 10 are the load applied to the position, torque, and press tool 12 indicated by the servomotor 20, the displacement sensor 11, or the load cell 16 of the target device 10. It is a value related to (load applied to press-fitting work 5b) and the like.
  • the load applied to the press tool 12 can also be estimated from the torque of the servomotor 20.
  • the reference generation unit 112 collects the first index value and the second index value acquired from the target device 10 by the acquisition unit 111, and machine learning for the collected first index value and the second index value. Generate a regression prediction model, which is one of the methods.
  • the reference generation unit 112 sets a reference curve in a two-dimensional plane centered on the first index and the second index from the result of machine learning.
  • the reference curve represents the relationship between the first index value and the second index value when the target device 10 is in a normal state.
  • the abnormality detection device 100 may acquire information indicating a reference curve from the outside in advance.
  • the first index value related to the first index is a value related to the stage of operation of the target device 10, and when the target device 10 is a servo press device, the first index value is, for example, in a series of press operations.
  • a value indicating the degree of progress (a value indicating the percentage of the process progressing from the start to the end of a single press operation, for example, the position of the servomotor 20 or the position of the press tool 12), or the value of the single press operation.
  • the second index value related to the second index is a value related to the load of the target device 10.
  • the first index value and the second index value are not limited to the value indicating the degree of progress in the single press operation and the value related to the load of the target device 10 (load of the load cell), and the servo. Values such as the position, torque, speed, and measured values of the target device 10 of the motor can be appropriately selected and used.
  • the scale standardization unit 113 individually standardizes the scale of the first index and the scale of the second index in the two-dimensional plane centered on the first index and the second index.
  • the scale standardization unit 113 standardizes the scale of the first index and the scale of the second index based on the result of machine learning between the first index value and the second index value by the reference generation unit 112.
  • a reference curve may be set for a two-dimensional plane with the standardized scale. In this way, by appropriately standardizing each index value and performing the abnormality determination, the abnormality determination can be appropriately performed.
  • FIG. 3 is a graph showing the first index value and the second index value in a plurality of press operations collected from the target device 10 which is a servo press device, with the first index (position) as the horizontal axis.
  • the vertical axis is the second index (load).
  • FIG. 4 is a graph showing a reference curve set by the reference generation unit 112 using the scale standardized by the scale standardization unit 113 using the collected data shown in FIG.
  • the reference curve set by machine learning by the reference generation unit 112 is, for example, a line graph.
  • the reference curve is standardized by the scale standardizing unit 113 with the value (for example, position) related to the operation stage of the target device 10, which is the first index value related to the first index standardized by the scale standardizing unit 113, as the horizontal axis.
  • the vertical axis shows the value related to the load, which is the second index value related to the normalized second index.
  • the reference curve may be, for example, a correlation diagram between the position of the servomotor and the load applied to the press tool, a correlation diagram between the speed of the servomotor and the torque of the servomotor, and the like.
  • the reference curve is, for example, a line graph which is a regression prediction model f (x) represented by the following (Equation 1).
  • y ideal indicates the second index value on the reference curve.
  • x norm indicates a standardized first index value.
  • the abnormality detection unit 114 is a target based on the distance from the reference curve of the first index value and the point indicated by the second index value in the two-dimensional plane centered on the first index and the second index. Detects an abnormality in the device 10.
  • FIG. 5 is a diagram showing the parameters related to the first index value related to the first index and the second index value related to the second index on the reference curve by the regression prediction model f (x).
  • the horizontal axis is the first index (x) indicating the stage of operation, and the vertical axis is the second index (y).
  • the scale normalization unit 113 converts the actually measured value x act of the first index value and the actually measured value y act of the second index value acquired by the acquisition unit 111 into the following (Equation 2) and (Equation 3). ) Is used to obtain the x norm and the y norm .
  • x min and y min are the minimum values of the first index value and the actually measured values x act and y act of the second index value stored in the storage unit 120, respectively, or the first index value in the reference curve.
  • x max and y max are the first index value stored in the storage unit 120 and the maximum value of the measured values x act and y act of the second index value, or the first index value in the reference curve. And the maximum value of the second index value may be used. Normalization is performed to match the scale of the first index with the scale of the second index.
  • the abnormality detection unit 114 obtains an ideal with respect to the normalized first index value x norm using (Equation 1).
  • the abnormality detection unit 114 obtains the x ideal for the normalized second index value y norm using the following (Equation 4).
  • x ideal indicates the first index value on the reference curve.
  • g (y) is the inverse function of f (x).
  • y ideal indicates a second index value (ideal value of the second index) when the first index value is x norm when the target device 10 is normal.
  • x ideal indicates a first index value (ideal value of the first index) when the second index value is y norm when the target device 10 is normal.
  • the abnormality detection unit 114 sets ⁇ x and ⁇ y, which are deviations of the normalized first index value x norm and the second index value y norm from their ideal values x ideal and y ideal , as follows ( It is obtained by using the formulas 5) and (6).
  • the abnormality detection unit 114 uses the deviations ⁇ x and ⁇ y of the first index value and the second index value from the ideal values x ideal and y ideal according to the following (Equation 7) to obtain the first index value and the second index.
  • the distance ⁇ h from the reference curve of the point indicated by the value is calculated. For example, when ⁇ y is a predetermined value ⁇ or less, or
  • is a predetermined value ⁇ or less, ⁇ h 0 and the error from the reference curve may be ignored.
  • the abnormality detection unit 114 sets a preset reference curve of the first index value and the point indicated by the second index value on the two-dimensional plane centered on the first index and the second index. An abnormality of the target device 10 is detected based on the distance ⁇ h from the target device 10. As a result, the abnormality detection device 100 can appropriately detect the abnormality even at the process position where the inclination changes sharply on the reference curve, and determines that the abnormality is abnormal even though no abnormality has occurred. It can be suppressed.
  • FIG. 6 is a graph showing a reference curve based on the inverse regression prediction model g (y).
  • the vertical axis is the first index (x) indicating the stage of operation, and the horizontal axis is the second index (y).
  • the reference curve is not limited to the configuration shown by the regression prediction model f (x), and may have a configuration shown by the inverse regression prediction model g (y).
  • the abnormality detection unit 114 uses the above-mentioned methods using (Equation 2) to (Equation 8) to obtain the first index value and the second index value.
  • the distance ⁇ h from the reference curve of the point indicated by the index value can be calculated.
  • FIG. 7 is a diagram showing a time change of the distance ⁇ h.
  • the horizontal axis is time (first index), and the vertical axis is distance ⁇ h.
  • the abnormality detection unit 114 assigns a positive sign to the distance ⁇ h when the second index value (load) is on the larger side with respect to the reference curve. Further, the abnormality detection unit 114 assigns a negative sign to the distance ⁇ h when the second index value is on the smaller side with respect to the reference curve. In this way, the abnormality detection unit 114 switches the sign attached to the distance ⁇ h depending on whether the second index value is on the larger side or the smaller side with respect to the reference curve.
  • the abnormality detection unit 114 determines whether or not an abnormality has occurred in the target device 10 based on whether or not the distance ⁇ h with a positive or negative sign is within a preset normal range (normal range). ..
  • the abnormality detection unit 114 may determine the abnormality based on the absolute value of the distance ⁇ h without distinguishing between positive and negative.
  • the abnormality detection unit 114 may change the threshold value of the distance ⁇ h used for determining whether or not an abnormality has occurred in the target device 10 according to the positive and negative signs attached to the distance ⁇ h. That is, the absolute values of the positive threshold and the negative threshold indicating the boundary of the normal range with respect to ⁇ h may be different.
  • the abnormality detection unit 114 is not on the absolute value of the distance ⁇ h from the reference curve at the points indicated by the first index value and the second index value, but on the side where the second index value has a larger load than the reference curve. It is possible to select an appropriate threshold value according to the positive / negative signed distance ⁇ h depending on whether the target device 10 is present or the load is small, and determine whether or not an abnormality has occurred in the target device 10. .. Therefore, due to the configuration of the abnormality detection unit 114, it is possible to suppress erroneous determination that an abnormality has occurred even though the target device 10 has not occurred, and it is possible to appropriately perform the abnormality determination. it can.
  • FIG. 8 is a flowchart showing the flow of the reference curve generation process by the abnormality detection device 100.
  • the control unit 110 of the abnormality detection device 100 first uses the function of the acquisition unit 111 to transmit the first index value related to the first index and the second index value related to the second index to the communication unit 101. Through, it is acquired from the target device 10 in the normal state (step S1).
  • the control unit 110 stores in the storage unit 120 the first index value related to the first index and the second index value related to the second index acquired by the function of the acquisition unit 111 (step S2).
  • the control unit 110 determines whether or not a series of machining operations such as a press-fitting process and a crimping process by the target device 10 have been completed (step S3). When the control unit 110 determines that the series of machining operations by the target device 10 has been completed (YES in step S3), the control unit 110 proceeds to step S4. When the control unit 110 determines that the series of machining operations by the target device 10 has not been completed (NO in step S3), the control unit 110 returns to step S1 and returns to the first index value related to the first index and the second index related to the second index. Continue collecting with values.
  • the control unit 110 has a first index value related to a first index related to a series of machining operations by the target device 10 and a second index value related to the second index stored in the storage unit 120 by the function of the reference generation unit 112. Machine learning is performed on the above, and a regression model is generated (step S4).
  • the control unit 110 normalizes the scale of the first index and the second index by the function of the scale standardization unit 113 with reference to the result of machine learning by the reference generation unit 112.
  • the reference generation unit 112 is a reference curve relating to a series of machining operations (one stroke from the start of operation to the completion of operation) by the target device 10 based on the scale standardized by the scale standardization unit 113 and the result of machine learning. (Standardized reference curve) is set (step S5).
  • the control unit 110 stores the set reference curve in the storage unit 120. Further, the control unit 110 sets a normal range for ⁇ h in advance and stores it in the storage unit 120. The normal range may be entered by the user.
  • the abnormality detection device 100 monitors the machining operation by the target device 10 by the function of the abnormality detection unit 114 with reference to the reference curve set in step S5, and when an abnormality occurs in the machining operation by the target device 10. To detect it.
  • FIG. 9 is a flowchart showing the flow of abnormality detection processing by the abnormality detection device 100.
  • the control unit 110 of the abnormality detection device 100 relates to the first index value related to the first index and the second index from the target device 10 via the communication unit 101 by the function of the acquisition unit 111.
  • the second index value and is acquired (step S12).
  • the control unit 110 normalizes the first index value and the second index value acquired by the acquisition unit 111 by the function of the scale standardization unit 113 using the above-mentioned (Equation 2) and (Equation 3), respectively. (Step S13).
  • the scale standardization unit 113 of the control unit 110 normalizes each of the first index value and the second index value by using the maximum value and the minimum value in the reference curve before standardization.
  • the control unit 110 uses the above-mentioned (Equation 5) and (Equation 6) to obtain the index value x norm of the normalized index value x norm and the deviation ⁇ x from the ideal value x ideal .
  • the deviation ⁇ y from the ideal value y ideal of the normalized index value y norm of the second index is calculated (step S14).
  • the abnormality detection unit 114 uses the deviation ⁇ x of the first index value and the deviation ⁇ y of the second index value to obtain the first index value and the second index value in the two-dimensional plane according to the above (Equation 7).
  • the distance ⁇ h from the reference curve of the point indicated by is calculated (step S15).
  • the control unit 110 stores the distance ⁇ h in the storage unit 120.
  • the control unit 110 determines whether or not the distance ⁇ h is within a predetermined normal range according to positive or negative by the function of the abnormality detection unit 114 (step S16).
  • the control unit 110 proceeds to step S18.
  • the control unit 110 proceeds to step S17.
  • Flag represents an integration period (integration section) in which the distance ⁇ h is out of the normal range.
  • control unit 110 determines whether or not the entire series of operations by the target device 10 has been completed (step S18).
  • the control unit 110 refers to, for example, the index value of the first index, the index value of the second index, and the reference curve, and determines whether or not the entire series of operations by the target device 10 has been completed. May be good. Further, the control unit 110 may acquire information as to whether or not the entire series of operations has been completed from the target device 10 via the acquisition unit 111, for example.
  • control unit 110 determines that the entire series of operations by the target device 10 has been completed (YES in step S18).
  • the control unit 110 proceeds to step S19.
  • the control unit 110 determines that the entire series of operations by the target device 10 has not been completed (NO in step S18)
  • the control unit 110 returns to step S12 and continues the process.
  • the control unit 110 receives the first index value and the second index related to the first index from the target device 10 via the communication unit 101 during a series of operations of the target device 10, for example, at predetermined time intervals. Continue to acquire the second index value for.
  • the control unit 110 calculates the feature amount of ⁇ h in the entire series of operations by the function of the abnormality detection unit 114 (step S19).
  • the abnormality detection unit 114 may calculate the average, variance, or standard deviation of the distance ⁇ h calculated during a series of operations by the target device 10 as a feature amount. Further, the abnormality detection unit 114 may calculate a feature amount in the frequency distribution of the distance ⁇ h calculated during a series of machining operations by the target device 10.
  • the frequency distribution of the distance ⁇ h during the machining operation of the target device 10 may be a histogram with the distance ⁇ h during the machining operation as a bin, and the abnormality detection unit 114 may use the frequency distribution of the distance ⁇ h during the machining operation.
  • the kurtosis or skewness in the histogram may be calculated as the feature amount in.
  • the control unit 110 determines whether or not an abnormality has occurred in the entire series of operations of the target device 10 based on the feature amount of the distance ⁇ h during the series of operations by the target device 10 by the function of the abnormality detection unit 114. (Step S20).
  • the abnormality detection unit 114 may determine that an abnormality has occurred in the entire series of operations of the target device 10. Further, if the degree of distortion of the histogram with the distance ⁇ h as a bin is larger than a predetermined threshold value, the abnormality detection unit 114 may determine that an abnormality has occurred in the entire series of operations of the target device 10. Further, if the average, variance, or standard deviation of the distance ⁇ h is larger than a predetermined threshold value, the abnormality detection unit 114 may determine that an abnormality has occurred in the entire series of operations of the target device 10.
  • the abnormality detection unit 114 may determine whether or not an abnormality has occurred in the entire series of operations of the target device 10 based on the feature amount of the distance ⁇ h and the count amount of the abnormality detection flag. Even if an abnormality of the target device 10 is suspected from the feature amount of the distance ⁇ h, the abnormality detection unit 114 can use the target device if the count amount (Flag) of the abnormality detection flag remains at the initial value (0). It may be determined that no abnormality has occurred in the series of operations of 10.
  • the abnormality detection unit 114 does not determine that an abnormality has occurred in the target device 10 from the feature amount of the distance ⁇ h, if the count amount (Flag) of the abnormality detection flag is larger than a predetermined value, It may be determined that an abnormality has occurred in the series of operations of the target device 10.
  • 10 to 13 are graphs showing graphs according to the first index value related to the first index and the second index value related to the second index collected when a series of operations are performed a plurality of times in the target device 10. Is.
  • Graphs 61a, 62a, and 63a of FIG. 10 are motion profiles showing the operation process of the target device 10 by the first index value (horizontal axis) and the second index value (vertical axis).
  • Each of the graphs 61b, 62b, and 63b in FIG. 10 is a graph obtained by normalizing the first index value and the second index value of the graphs 61a, 62a, and 63a, respectively.
  • Each of the graphs 61c, 62c, and 63c of FIGS. 10 and 11 is from the reference curve of the points indicated by the normalized first index value and the second index value shown in the graphs 61b, 62b, and 63b, respectively.
  • FIG. 11 It is a graph which shows the distribution of the distance ⁇ h (the horizontal axis is a 1st index).
  • Each of the graphs 61d, 62d, and 63d in FIG. 11 is a histogram in which the distance ⁇ h shown in the graphs 61c, 62c, and 63c is binned (the vertical axis is the distance ⁇ h and the horizontal axis is the frequency).
  • the result of determining the abnormality based on the distance ⁇ h with respect to the operation of the target device 10 also depends on the feature amount in the frequency distribution of the distance ⁇ h.
  • the result of determining the abnormality also shows the case where it is determined that the abnormality is not abnormal.
  • graphs 61c and 61d when the standard deviation in the frequency distribution of the distance ⁇ h is within a predetermined range, and when the kurtosis and skewness of the histogram with the distance ⁇ h as a bin are within the predetermined range.
  • the abnormality detection unit 114 does not detect an abnormality in the operation of the target device 10 (determines that there is no abnormality).
  • the examples shown in graphs 62a, 62b, 62c, and 62d of FIGS. 10 and 11 show a case where the distance ⁇ h sometimes falls outside the negative threshold range in the process of operation of the target device 10.
  • the standard deviation in the frequency distribution of the distance ⁇ h may be within a predetermined range even when the distance ⁇ h may be outside the range of the negative threshold value.
  • the abnormality detection unit 114 causes an abnormality in the operation by the target device 10 based on whether or not the kurtosis or skewness of the histogram with the distance ⁇ h as a bin is within a predetermined range. Can be detected.
  • the abnormality detection unit 114 may be configured to detect an abnormality in the target device 10 when it detects that the distance ⁇ h is out of the negative threshold range, or may be configured to detect an abnormality in the entire series of operations. An abnormality of the target device 10 may be detected based on the standard deviation in the frequency distribution of the distance ⁇ h and the kurtosis or skewness of the histogram with the distance ⁇ h as a bin.
  • the distance ⁇ h may be out of the range of the positive and negative threshold values. Is shown. As shown in graphs 63c and 63d, the standard deviation in the frequency distribution of the distance ⁇ h may be within a predetermined range even when the distance ⁇ h is outside the threshold range of the positive side and the negative side. .. Even in such a case, the abnormality detection unit 114 causes an abnormality in the operation by the target device 10 based on whether or not the kurtosis or skewness of the histogram with the distance ⁇ h as a bin is within a predetermined range. Can be detected.
  • FIG. 12 shows an example of a histogram of the distance ⁇ h (the vertical axis is the distance ⁇ h and the horizontal axis is the frequency) in the target device 10 in which the abnormality has occurred.
  • the average in the frequency distribution of the distance ⁇ h is well below 0 (the average is less than the threshold on the negative side).
  • the abnormality detection unit 114 may detect an abnormality in the target device 10 depending on whether or not the statistical value such as the average in the frequency distribution of the distance ⁇ h is within the normal range.
  • FIG. 13 shows another example of a histogram of the distance ⁇ h (the vertical axis is the distance ⁇ h and the horizontal axis is the frequency) in the target device 10 in which the abnormality has occurred.
  • the standard deviation in the frequency distribution of the distance ⁇ h is larger than the threshold value.
  • the abnormality detection unit 114 may detect an abnormality in the target device 10 depending on whether or not the statistical value such as the standard deviation in the frequency distribution of the distance ⁇ h is within the normal range.
  • target device 10 is a press device driven by a servomotor as a power source
  • the target device 10 is not limited to the press device, and any device driven by the servomotor as a power source can appropriately detect the abnormality by the abnormality detecting device 100.
  • the abnormality detection process by the abnormality detection device 100 is applicable not only to the servomotor but also to a stepping motor and other devices that are driven by a simple motor as a power source.
  • the abnormality detection process by the abnormality detection device 100 can be applied not only to a motor but also to a device driven by a general actuator such as a hydraulic pressure or an air pressure as a power source.
  • FIG. 14 is a diagram showing a first index value relating to the first index, a second index value relating to the second index, and a reference curve when the target device 10 is a device other than a press device.
  • the rotation speed of the servomotor which is the first index value related to the first index in the series of operations of the target device 10
  • the servo which is the second index value related to the second index
  • the horizontal axis as time. It is a figure which shows the measured value x act , y act with the torque of a motor.
  • any device in which the target device 10 is driven by a servomotor as a power source is normalized on a two-dimensional plane having the first index as the x-axis and the second index as the y-axis.
  • the control block (particularly the acquisition unit 111, the reference generation unit 112, the scale normalization unit 113, and the abnormality detection unit 114) of the abnormality detection device 100 is formed by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like. It may be realized or it may be realized by software.
  • the abnormality detection device 100 includes a computer that executes a program instruction, which is software that realizes each function.
  • the computer includes, for example, one or more processors and a computer-readable recording medium that stores the program. Then, in the computer, the object of the present invention is achieved by the processor reading the program from the recording medium and executing the program.
  • the processor for example, a CPU (Central Processing Unit) can be used.
  • the recording medium in addition to a “non-temporary tangible medium” such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used.
  • a RAM RandomAccessMemory
  • the program may be supplied to the computer via an arbitrary transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program.
  • a transmission medium communication network, broadcast wave, etc.
  • one aspect of the present invention can also be realized in the form of a data signal embedded in a carrier wave, in which the program is embodied by electronic transmission.
  • the abnormality detection device is an abnormality detection device that detects an abnormality in the target device, and has a first index value related to a first index in the operation of the target device. , The first index value, and the second index value in a two-dimensional plane centered on the acquisition unit for acquiring the second index value and the second index, and the first index and the second index.
  • the device includes an abnormality detection unit that detects an abnormality in the target device based on a distance from a preset reference curve at the point indicated by.
  • the abnormality detection method is an abnormality detection method executed in an abnormality detection device that detects an abnormality in the target device, and is a first method in the operation of the target device.
  • the first index value acquisition step for acquiring the first index value related to one index and the second index value related to the second index, and the first in a two-dimensional plane centered on the first index and the second index. It includes an abnormality detection step of detecting an abnormality of the target device based on a distance from a preset reference curve of one index value and a point indicated by the second index value.
  • the first index value is a value related to the stage of operation of the target device
  • the second index value is related to the load of operation of the target device. The value.
  • the abnormality detection device is a scale that individually standardizes the scale of the first index value in the two-dimensional plane and the scale of the second index value in the two-dimensional plane. It has a standardization section.
  • the abnormality detection unit has the second index value on the side where the load is larger or the load is smaller than the reference curve. Depending on whether it is on the side or not, the sign attached to the distance is switched between positive and negative, and an abnormality of the target device is detected based on the distance to which the positive and negative are attached.
  • the abnormality detection unit is a threshold value used for determining whether or not there is an abnormality in the target device according to the positive and negative values attached to the distance, and is the reference curve. Change the distance threshold from.
  • the abnormality judgment can be appropriately performed.
  • the abnormality detecting unit detects an abnormality of the target device based on the standard deviation of the distance during the machining operation.
  • the abnormality detection unit detects an abnormality in the target device based on a feature amount in the frequency distribution of the distance during the machining operation.
  • the feature amount in the frequency distribution is the kurtosis in the histogram with the distance as a bin during the machining operation.
  • the feature amount in the frequency distribution is the skewness in the histogram with the distance as a bin during the machining operation.
  • the abnormality detection program is an abnormality detection program for operating the computer as the abnormality detection device, and causes the computer to function as the acquisition unit and the abnormality detection unit.
  • Target device 20
  • Servo motor 100
  • Abnormality detection device 110
  • Control unit 111
  • Acquisition unit 112
  • Reference generation unit 113
  • Scale standardization unit 114
  • Abnormality detection unit 120 Storage unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

異常判定を適切に行うことができる技術を提供する。第１指標と、第２指標とを軸とする２次元平面おける、第１指標値、及び第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、対象装置の異常を検知する。

Description

異常検知装置、異常検知方法、および異常検知プログラム
　本発明は、対象装置の異常を検知する異常検知装置、異常検知方法、および異常検知プログラムに関する。
　従来、プレスシステムにおいて、ワークをプレスする際のプレス荷重の荷重波形に基づいて、プレス異常を検知する技術が知られている（例えば、特許文献１参照）。
　また、サーボモータの速度に依存した確立密度関数を用いて、モータを制御する技術が知られている（例えば、特許文献２参照）。
　特許文献１、または特許文献２に記載の技術は、ワークを加工する加工動作による装置の実測値が、標準偏差内であるか否かで、異常が発生しているか否かを判定している。
日本国公開特許公報「特開２０１６－２０９８８５号公報」 日本国公開特許公報「特開２００６－１５８０３１号公報」
　ところで、サーボモータを動力源とする対象装置において、加工動作途中のプレス荷重、またはモータ速度の予測曲線は、加工動作途中で急峻となる部分がある場合がある。上述の従来技術のように、加工動作による装置の実測値が、標準偏差内であるか否かで、異常が発生しているか否かを判定する場合、予測曲線が急峻な時では、異常が発生していないのにも関わらず、異常であると判定されてしまう場合がある。
　本発明の一態様は、上述した事情に鑑みてなされたものであり、異常判定を適切に行うことができる技術を提供することを目的とする。
　前記の課題を解決するために、本発明の一態様に係る異常検知装置は、対象装置の異常を検知する異常検知装置であって、前記対象装置の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する取得部と、前記第１指標と、前記第２指標とを軸とする２次元平面おける、前記第１指標値、及び前記第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、前記対象装置の異常を検知する異常検知部と、を備える。
　また、前記の課題を解決するために、本発明の一態様に係る異常検知方法は、対象装置の異常を検知する異常検知装置において実行される異常検知方法であって、対象装置の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する指標値取得ステップと、前記第１指標と、前記第２指標とを軸とする２次元平面おける、前記第１指標値、及び前記第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、前記対象装置の異常を検知する異常検知ステップと、を含む。
　また、本発明の一態様に係る異常検知プログラムは、前記異常検知装置としてコンピュータを機能させるための異常検知プログラムであって、前記取得部、および前記異常検知部としてコンピュータを機能させる。
　本発明の一態様によれば、対象装置の異常判定を適切に行うことができる。
本実施形態に係る異常検知装置が用いられる現場を模式的に示した図である。 異常検知装置の要部構成を示すブロック図である。 第１指標値、及び第２指標値の実測値を示すグラフである。 基準曲線を示すグラフである。 回帰予測モデルｆ（ｘ）による基準曲線を示すグラフである。 逆回帰予測モデルｇ（ｙ）による基準曲線を示すグラフである。 Δｈの時間変化を示す図である。 異常検知装置による基準曲線生成処理の流れを示すフローチャートである。 異常検知装置による異常検知処理の流れを示すフローチャートである。 対象装置における一連の動作に係る種々のグラフである。 対象装置における一連の動作に係る種々のグラフである。 異常が生じている対象装置における、距離Δｈのヒストグラムの例を示す。 異常が生じている対象装置における、距離Δｈのヒストグラムの別の例を示す。 プレス機器ではない対象装置の一連の動作に係る第１指標値と、第２指標値と、基準曲線とを示す図である。
　以下、本発明の一側面に係る実施形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。
　§１　適用例
　図１を用いて、本発明が適用される場面の一例について説明する。図１は、本実施形態に係る異常検知装置１００が用いられる現場を模式的に示した図である。
　図１に示すように、異常検知装置１００は、例えば製造現場において用いられ、対象装置１０の異常を検知する装置である。異常検知装置１００は、例えば、ＰＬＣ（プログラマブルコントローラ）によって実現される。ＰＬＣによって異常検知装置１００を実現する構成では、異常検知装置１００は、対象装置１０の動作を制御する構成であってもよい。異常検知装置１００は、フィールドネットワーク、またはローカルネットワーク等のネットワークを介して１又は複数の対象装置１０と接続されている。
　対象装置１０は、例えば、サーボモータを動力源として駆動するプレス機器である。対象装置１０の一例であるプレス機器は、サーボモータ２０を回転運動し、サーボモータ２０の回転運動をアクチュエータ１５により直線運動に変換して、圧入ワーク５ｂを被圧入ワーク５ａ内にプレスツール１２を介して圧入する。
　プレス機器におけるプレスツール１２は、圧入の回数を重ねると、圧入ワーク５ｂとの接触面が摩耗する。プレスツール１２の摩耗が進むと、金属粉が発生し、圧入時に、当該金属粉が圧入ワーク５ｂと被圧入ワーク５ａとの間に挟み込まれると、異物噛み込みの異常、およびプレスツールが抜けなくなる異常等が発生する。
　異常検知装置１００は、対象装置１０の動作に係るデータを収集し、学習し、監視する機能を有している。異常検知装置１００は、対象装置１０から、例えば、サーボモータのトルク、速度、および位置等の情報、およびロードセル１６で測定されるプレスツール１２に掛かる負荷の情報、および変位センサ１１によって検知されたセンサ値（位置）を取得する。
　異常検知装置１００は、対象装置１０の動作に係るデータに基づく、第１指標に関する第１指標値、例えば対象装置１０の動作の段階に係る値と、第２指標に関する第２指標値、例えば対象装置１０の動作の負荷に係る値と、を取得して、これらの２つの指標値を参照して、対象装置１０に異常が生じているか否かを判定する。
　異常検知装置１００は、特に、第１指標と、第２指標とを軸とする２次元平面おける、第１指標値、及び第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて対象装置１０に異常が生じているか否かを判定する。
　これにより、異常検知装置１００は、対象装置１０の加工動作開始から加工動作終了までを監視し、異常予兆を早く検知することができる。また、対象装置１０の動作過程でセンサ値が急峻に変化する場面においても、異常が生じているか否かを適切に判定することができる。また、対象装置１０の動作の段階に係る値と、対象装置１０の動作の負荷に係る値とを、用いて異常判定を行うことで、対象装置１０の動作の各段階において適切に異常判定を行うことができる。
　§２　構成例
　〔実施形態１〕
　以下、本発明の一実施形態について、詳細に説明する。
　（異常検知装置１００の構成について）
　図２は、異常検知装置１００の要部構成を示すブロック図である。図２に示すように、異常検知装置１００は、通信部１０１、制御部１１０、および記憶部１２０を備えている。
　通信部１０１は、対象装置１０との間でネットワークを介して通信を行い、データの送受信を実行する。通信部１０１は、例えば、通信ＩＣ（Integrated Circuits）などの集積回路を用いて実現される。通信部１０１は、有線通信、または無線通信により対象装置１０との間で通信を行う。
　制御部１１０は、異常検知装置１００の各部を統括的に制御する機能を備えている演算装置である。制御部１１０は、例えば１つ以上のプロセッサ（例えばＣＰＵなど）が、１つ以上のメモリ（例えばＲＡＭやＲＯＭなど）に記憶されているプログラムを実行することで異常検知装置１００の各部を制御してもよい。
　記憶部１２０は、制御部１１０によって用いられる各種データ、および、制御部１１０によって実行される各種ソフトウェアを記憶している。また、記憶部１２０は、制御部１１０によって、対象装置１０から取得し、学習された、対象装置１０の動作に係るデータを記憶している。
　(制御部１１０の構成について)
　制御部１１０は、取得部１１１、基準生成部１１２、スケール規格化部１１３、および異常検知部１１４を含んでいる。
　取得部１１１は、通信部１０１を介して、対象装置１０の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する。対象装置１０の動作における第１指標の値と、第２指標の値とは、対象装置１０の、サーボモータ２０、変位センサ１１、またはロードセル１６が示す、位置、トルク、プレスツール１２に加わる負荷（圧入ワーク５ｂに加わる負荷）等に係る値である。サーボモータ２０のトルクからプレスツール１２に加わる負荷を推定することもできる。
　基準生成部１１２は、取得部１１１によって対象装置１０から取得された、第１指標値と、第２指標値とを収集して、収集した第１指標値と、第２指標値とに対する機械学習の一手法である回帰予測モデルを生成する。基準生成部１１２は、機械学習の結果から、第１指標と、第２指標とを軸とする２次元平面における基準曲線を設定する。基準曲線は、対象装置１０が正常な状態における、第１指標値と第２指標値との関係を表す。異常検知装置１００は、外部から基準曲線を示す情報を予め取得してもよい。
　第１指標に関する第１指標値は、対象装置１０の動作の段階に係る値であり、対象装置１０がサーボプレス機器である場合には、第１指標値は、例えば、１連のプレス動作における進行度合いを示す値（１連のプレス動作の開始から、終了まで何割工程が進行しているかを示す値、例えばサーボモータ２０の位置またはプレスツール１２の位置）、または１連のプレス動作の開始からの経過時間である。第２指標に関する第２指標値は、対象装置１０の負荷に係る値である。
　なお、第１指標値、および第２指標値は、１連のプレス動作における進行度合いを示す値と、対象装置１０の負荷（ロードセルの負荷）に係る値と、に限られるものではなく、サーボモータの位置、トルク、速度、対象装置１０に関する測定値等の値を適宜に選択して用いることができる。
　スケール規格化部１１３は、第１指標と、第２指標とを軸とする２次元平面における、第１指標のスケールと、第２指標のスケールと、をそれぞれ個別に規格化する。スケール規格化部１１３は、基準生成部１１２による第１指標値と、第２指標値との機械学習の結果に基づいて、第１指標のスケールと、第２指標のスケールとを規格化する。当該規格化されたスケールによる２次元平面に対して、基準曲線が設定されてもよい。このように、各指標値を適切に規格化して、異常判定を行うことで、異常判定を適切に行うことができる。
　図３は、サーボプレス機器である対象装置１０から収集された、複数回分のプレス動作における第１指標値、及び第２指標値を示すグラフであり、第１指標（位置）を横軸とし、第２指標（負荷）を縦軸としている。
　図４は、図３に示した収集データを用いて、スケール規格化部１１３によって規格化されたスケールを用いて、基準生成部１１２によって設定された基準曲線を示したグラフである。図４に示すよう、基準生成部１１２による機械学習によって設定された基準曲線は、例えば、折れ線グラフである。基準曲線は、スケール規格化部１１３によって規格化された第１指標に関する第１指標値である対象装置１０の動作の段階に係る値（例えば位置）を横軸に、スケール規格化部１１３によって規格化された第２指標に関する第２指標値である負荷に係る値を縦軸に示している。なお、基準曲線は、例えば、サーボモータの位置と、プレスツールに掛かる負荷との相関図、または、サーボモータの速度と、サーボモータのトルクとの相関図等であってもよい。
　基準曲線は、例えば、以下の（式１）によって示される回帰予測モデルｆ（ｘ）である折れ線グラフである。ｙｉｄｅａｌは基準曲線上の第２指標値を示す。ｘｎｏｒｍは規格化された第１指標値を示す。
Figure JPOXMLDOC01-appb-M000001
 　異常検知部１１４は、第１指標と、第２指標とを軸とする２次元平面における、第１指標値、及び第２指標値により示される点の、基準曲線からの距離に基づいて、対象装置１０の異常を検知する。
　図５は、第１指標に関する第１指標値と、第２指標に関する第２指標値とに係るパラメータを、回帰予測モデルｆ（ｘ）による基準曲線上に示した図である。横軸は動作の段階を示す第１指標（ｘ）、縦軸は第２指標（ｙ）である。
　スケール規格化部１１３は、まず、取得部１１１により取得された、第１指標値の実測値ｘａｃｔと、第２指標値の実測値ｙａｃｔとを、下記の（式２）、（式３）を用いて正規化した、ｘｎｏｒｍと、ｙｎｏｒｍとを求める。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
 　ここで、ｘｍｉｎ，ｙｍｉｎは、それぞれ記憶部１２０に記憶されている第１指標値、および第２指標値の実測値ｘａｃｔ，ｙａｃｔの最小値、または、基準曲線における第１指標値、および第２指標値の最小値の何れであってもよい。また、ｘｍａｘ，ｙｍａｘは、それぞれ記憶部１２０に記憶されている第１指標値、および第２指標値の実測値ｘａｃｔ，ｙａｃｔの最大値、または、基準曲線における第１指標値、および第２指標値の最大値の何れであってもよい。規格化は、第１指標のスケールと第２指標のスケールとを一致させるために行われる。
　続いて、異常検知部１１４は、正規化した第１指標値ｘｎｏｒｍに対するｙｉｄｅａｌを（式１）を用いて求める。異常検知部１１４は、正規化した第２指標値ｙｎｏｒｍに対するｘｉｄｅａｌを下記の（式４）を用いて求める。ｘｉｄｅａｌは基準曲線上の第１指標値を示す。ｇ（ｙ）はｆ（ｘ）の逆関数である。ｙｉｄｅａｌは、対象装置１０が正常である場合における第１指標値がｘｎｏｒｍであるときの第２指標値（第２指標の理想値）を示す。ｘｉｄｅａｌは、対象装置１０が正常である場合における第２指標値がｙｎｏｒｍであるときの第１指標値（第１指標の理想値）を示す。
Figure JPOXMLDOC01-appb-M000004
 　次に、異常検知部１１４は、正規化した第１指標値ｘｎｏｒｍ、第２指標値ｙｎｏｒｍの、それぞれの理想値ｘｉｄｅａｌ，ｙｉｄｅａｌからの偏差であるΔｘと、Δｙとを以下の（式５）、（式６）を用いて求める。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
 　異常検知部１１４は、第１指標値、第２指標値の、理想値ｘｉｄｅａｌ，ｙｉｄｅａｌからの偏差Δｘ，Δｙを用いて、以下の（式７）により、第１指標値、第２指標値により示される点の、基準曲線からの距離Δｈを算出する。
Figure JPOXMLDOC01-appb-M000007
 　なお、例えば、Δｙが所定の値ε以下の場合、または｜Δｙ｜が所定の値ε以下の場合、Δｈ＝０として基準曲線からの誤差を無視してもよい。
　このように、異常検知部１１４は、第１指標と、第２指標とを軸とする２次元平面おける、第１指標値、及び第２指標値により示される点の、予め設定された基準曲線からの距離Δｈに基づいて、対象装置１０の異常を検知する。これにより、基準曲線において急峻に傾きが変わるような工程位置であっても、異常検知装置１００は、適切に異常検知を行うことができ、異常が生じていないにも関わらず異常であると判定されるのを抑制することができる。
　図６は、逆回帰予測モデルｇ（ｙ）による基準曲線を示すグラフである。縦軸は動作の段階を示す第１指標（ｘ）、横軸は第２指標（ｙ）である。図６に示す様に、基準曲線は、回帰予測モデルｆ（ｘ）によって示される構成に限らず、逆回帰予測モデルｇ（ｙ）によって示される構成であってもよい。基準曲線が逆回帰予測モデルｇ（ｙ）で示される場合であっても、異常検知部１１４は、（式２）～（式８）を用いた上述の方法によって、第１指標値、第２指標値により示される点の、基準曲線からの距離Δｈを算出することができる。
　図７は、距離Δｈの時間変化を示す図である。横軸は時間（第１指標）、縦軸は距離Δｈである。図７に示すように、異常検知部１１４は、第２指標値（負荷）が基準曲線に対して大きい側である場合には、距離Δｈに正の符号を付す。また、異常検知部１１４は、第２指標値が基準曲線に対して小さい側である場合には、距離Δｈに負の符号を付す。このように、異常検知部１１４は、第２指標値が、基準曲線に対して大きい側であるか、小さい側であるかに応じて、距離Δｈに付す符号の正負を切り替える。異常検知部１１４は、正負の符号が付された距離Δｈが予め設定された正常範囲（正常範囲）内であるか否かに基づいて、対象装置１０に異常が生じているか否かを判定する。なお、異常検知部１１４は、正負を区別せずに距離Δｈの絶対値に基づいて異常の判定を行ってもよい。
　ところで、対象装置１０の種類によっては、例えば、第２指標値（負荷）が、基準曲線に対して大きい側である場合には、第２指標値が、基準曲線に対して小さい側である場合よりも、異常の可能性が高いことが考えられ得る。このため、異常検知部１１４は、距離Δｈに付された正負の符号に応じて、対象装置１０に異常が生じているか否かを判断するために用いる距離Δｈの閾値を異ならせてもよい。すなわち、Δｈに関する正常範囲の境界を示す正側の閾値と負側の閾値の絶対値とは異なっていてもよい。
　このように、異常検知部１１４は、第１指標値、第２指標値により示される点の、基準曲線からの距離Δｈの絶対値ではなく、第２指標値が基準曲線より負荷が大きい側であるか、負荷が小さい側であるかに応じて、正負の符号付した距離Δｈに応じて、適切な閾値を選択して、対象装置１０に異常が生じているか否かを判断することができる。よって、異常検知部１１４の構成により、対象装置１０に異常が生じていないにも関わらず、異常が生じていると誤判断されるのを抑制することができ、異常判定を適切に行うことができる。
　（異常検知装置の処理の流れについて）
　図８は、異常検知装置１００による基準曲線生成処理の流れを示すフローチャートである。
　基準曲線生成処理において、異常検知装置１００の制御部１１０は、まず、取得部１１１の機能により、第１指標に関する第１指標値と、第２指標に関する第２指標値と、を通信部１０１を介して、正常状態の対象装置１０から取得する（ステップＳ１）。
　制御部１１０は、取得部１１１の機能により取得した、第１指標に関する第１指標値と、第２指標に関する第２指標値と、を記憶部１２０に記憶する（ステップＳ２）。
　制御部１１０は、対象装置１０による圧入工程、および加締め工程等の一連の加工動作が終了したか否かを判定する（ステップＳ３）。制御部１１０は、対象装置１０による一連の加工動作が終了したと判定すると（ステップＳ３でＹＥＳ）、ステップＳ４に進む。制御部１１０は、対象装置１０による一連の加工動作が終了していないと判定すると（ステップＳ３でＮＯ）、ステップＳ１に戻り、第１指標に関する第１指標値と、第２指標に関する第２指標値との収集を継続する。
　制御部１１０は、基準生成部１１２の機能により、記憶部１２０に記憶された、対象装置１０による一連の加工動作に係る第１指標に関する第１指標値と、第２指標に関する第２指標値とについて、機械学習を行い、回帰モデルを生成する（ステップＳ４）。
　制御部１１０は、基準生成部１１２による機械学習の結果を参照して、スケール規格化部１１３の機能により、第１指標と、第２指標とのスケールを規格化する。基準生成部１１２は、スケール規格化部１１３によって規格化されたスケールと、機械学習の結果とに基づいて、対象装置１０による一連（動作開始から動作完了までの１ストローク）の加工動作に関する基準曲線（規格化された基準曲線）を設定する（ステップＳ５）。
　制御部１１０は、設定された基準曲線を記憶部１２０に記憶させる。また、制御部１１０は、Δｈに関する正常範囲を予め設定し、記憶部１２０に記憶させる。正常範囲は、ユーザによって入力されてもよい。
　異常検知装置１００は、ステップＳ５にて設定された基準曲線を参照して、異常検知部１１４の機能により、対象装置１０による加工動作を監視し、対象装置１０による加工動作に異常が生じた際に、それを検知する。
　図９は、異常検知装置１００による異常検知処理の流れを示すフローチャートである。
　異常検知装置１００は、対象装置１０の加工動作中において、一連の動作の開始タイミングで、異常検知フラグ（Ｆｌａｇ）を初期化（Ｆｌａｇ＝０）する（ステップＳ１１）。
　対象装置１０の動作中、異常検知装置１００の制御部１１０は、取得部１１１の機能により、通信部１０１を介して、対象装置１０から、第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する（ステップＳ１２）。
　制御部１１０は、スケール規格化部１１３の機能により、取得部１１１によって取得した第１指標値と、第２指標値とのそれぞれを、上述した（式２）、（式３）を用いて正規化する（ステップＳ１３）。ここで、制御部１１０のスケール規格化部１１３は、規格化前の基準曲線における最大値、および最小値を用いて、第１指標値と、第２指標値とのそれぞれを、正規化する。
　制御部１１０は、異常検知部１１４の機能により、上述した（式５）、（式６）を用いて、正規化した第１指標の指標値ｘｎｏｒｍの理想値ｘｉｄｅａｌからの偏差Δｘと、正規化した第２指標の指標値ｙｎｏｒｍの理想値ｙｉｄｅａｌからの偏差Δｙとを算出する（ステップＳ１４）。
　異常検知部１１４は、第１指標値の偏差Δｘと、第２指標値の偏差Δｙと、を用いて、上記の（式７）により、２次元平面における第１指標値、および第２指標値により示される点の、基準曲線からの距離Δｈを算出する（ステップＳ１５）。
　制御部１１０は、距離Δｈを記憶部１２０に記憶する。
　続いて、制御部１１０は、異常検知部１１４の機能により、距離Δｈが正負に応じた所定の正常範囲以内であるか否かを判定する（ステップＳ１６）。制御部１１０は、異常検知部１１４によって距離Δｈが正常範囲以内であると判定されると（ステップＳ１６でＹＥＳ）、ステップＳ１８に進む。制御部１１０は、異常検知部１１４によって距離Δｈが正常範囲外であると判定されると（ステップＳ１６でＮＯ）、ステップＳ１７に進む。
　制御部１１０は、距離Δｈが正常範囲外である場合には、対象装置１０に異常が生じていることを検知し、異常検知フラグ（Ｆｌａｇ）をカウントアップ（Ｆｌａｇ＝Ｆｌａｇ＋１）し、ステップＳ１８に進む（ステップＳ１７）。Ｆｌａｇは、距離Δｈが正常範囲外となった積算期間（積算区間）を表す。
　制御部１１０は、ステップＳ１６において、距離Δｈが正常範囲以内であると判定した場合には、対象装置１０による一連の動作全体が終了したか否かを判定する（ステップＳ１８）。制御部１１０は、例えば、第１指標の指標値、および第２指標の指標値と、基準曲線と、を参照して、対象装置１０による一連の動作全体が終了したか否かを判定してもよい。また、制御部１１０は、例えば、対象装置１０から取得部１１１を介して、一連の動作全体が終了したか否かの情報を取得してもよい。
　制御部１１０は、対象装置１０による一連の動作全体が終了したと判定すると（ステップＳ１８でＹＥＳ）、ステップＳ１９に進む。制御部１１０は、対象装置１０による一連の動作全体が終了していないと判定すると（ステップＳ１８でＮＯ）、ステップＳ１２に戻り、処理を継続する。これにより、制御部１１０は、対象装置１０の一連の動作中、例えば、所定時間間隔毎に、通信部１０１を介して、対象装置１０から、第１指標に関する第１指標値と、第２指標に関する第２指標値と、の取得を継続して行う。
　制御部１１０は、対象装置１０による一連の動作全体が終了すると、異常検知部１１４の機能により、一連の動作全体におけるΔｈの特徴量を算出する（ステップＳ１９）。異常検知部１１４は、対象装置１０による一連の動作中に算出した距離Δｈの平均、分散または標準偏差を、特徴量として算出してもよい。また、異常検知部１１４は、対象装置１０による一連の加工動作中に算出した距離Δｈの度数分布における特徴量を算出してもよい。ここで、対象装置１０の加工動作中の距離Δｈの度数分布は、加工動作中の距離Δｈをビンとしたヒストグラムであってもよく、異常検知部１１４は、加工動作中の距離Δｈの度数分布における特徴量として、ヒストグラムにおける尖度、または歪度を算出してもよい。
　制御部１１０は、異常検知部１１４の機能により、対象装置１０による一連の動作中の距離Δｈの特徴量に基づいて、対象装置１０の一連の動作全体において異常が生じていなかったどうかを判定する（ステップＳ２０）。
　異常検知部１１４は、例えば、距離Δｈをビンとしたヒストグラムにおける尖度が所定の閾値よりも小さければ、対象装置１０の一連の動作全体において異常が生じていると判定してもよい。また、異常検知部１１４は、距離Δｈをビンとしたヒストグラムの歪み度が所定の閾値よりも大きければ、対象装置１０の一連の動作全体において異常が生じていると判定してもよい。また、異常検知部１１４は、距離Δｈの平均、分散または標準偏差が、所定の閾値よりも大きければ、対象装置１０の一連の動作全体において異常が生じていると判定してもよい。
　また、異常検知部１１４は、距離Δｈの特徴量と異常検知フラグのカウント量とに基づいて、対象装置１０の一連の動作全体において異常が生じていなかったどうかを判定してもよい。異常検知部１１４は、距離Δｈの特徴量からは対象装置１０の異常が疑われる場合であっても、異常検知フラグのカウント量（Ｆｌａｇ）が初期値（０）のままであれば、対象装置１０の一連の動作には異常が生じていないと判定してもよい。また、異常検知部１１４は、距離Δｈの特徴量からは対象装置１０に異常が生じているとは判定されない場合であっても、異常検知フラグのカウント量（Ｆｌａｇ）が所定値より大きければ、対象装置１０の一連の動作に異常が生じていると判定してもよい。
　図１０～図１３は、対象装置１０において一連の動作を複数回行った際に収集した第１指標に関する第１指標値と、第２指標に関する第２指標値とに応じた、グラフを示す図である。
　図１０のグラフ６１ａ、６２ａ、６３ａは、第１指標値（横軸）と、第２指標値（縦軸）とによって対象装置１０の動作の過程を示したモーションプロファイルである。図１０のグラフ６１ｂ、６２ｂ、６３ｂのそれぞれは、グラフ６１ａ、６２ａ、６３ａの第１指標値と、第２指標値とをそれぞれ正規化したグラフである。図１０、および図１１のグラフ６１ｃ、６２ｃ、６３ｃのそれぞれは、グラフ６１ｂ、６２ｂ、６３ｂにそれぞれ示した正規化した第１指標値と、第２指標値とが示す点の、基準曲線からの距離Δｈの分布を示すグラフ（横軸は第１指標）である。図１１のグラフ６１ｄ、６２ｄ、６３ｄのそれぞれは、グラフ６１ｃ、６２ｃ、６３ｃにそれぞれ示した距離Δｈをビンとしたヒストグラム（縦軸は距離Δｈ、横軸は度数）である。
　図１０、図１１のグラフ６１ａ、６１ｂ、６１ｃ、６１ｄに示した例は、対象装置１０の動作に対して、距離Δｈによる異常の判定を行った結果も、距離Δｈの度数分布における特徴量による異常の判定を行った結果も、異常ではないと判定される場合を示している。グラフ６１ｃ、６１ｄに示すように、距離Δｈの度数分布における標準偏差が所定の範囲内である場合、および、距離Δｈをビンとしたヒストグラムの尖度、および歪度が所定の範囲内である場合には、異常検知部１１４は、対象装置１０による動作における異常を検知しない（異常はないと判定する）。
　図１０、図１１のグラフ６２ａ、６２ｂ、６２ｃ、６２ｄに示した例は、対象装置１０の動作の過程において、距離Δｈが、負側の閾値の範囲外となるときがあった場合を示している。グラフ６２ｃ、６２ｄに示すように、距離Δｈが、負側の閾値の範囲外となるときがある場合であっても、距離Δｈの度数分布における標準偏差は所定の範囲内となることがある。このような場合であっても、異常検知部１１４は、距離Δｈをビンとしたヒストグラムの尖度、または歪度が所定の範囲内であるか否かに基づいて、対象装置１０による動作における異常を検知することができる。
　なお、異常検知部１１４は、距離Δｈが、負側の閾値の範囲外となったことを検知した時点で、対象装置１０の異常を検知する構成であってもよいし、一連の動作全体における距離Δｈの度数分布における標準偏差、および距離Δｈをビンとしたヒストグラムの尖度、または歪度に基づいて、対象装置１０の異常を検知する構成であってもよい。
　図１０、図１１のグラフ６３ａ、６３ｂ、６３ｃ、６３ｄに示した例は、対象装置１０の動作の過程において、距離Δｈが、正側および負側の閾値の範囲外となるときがあった場合を示している。グラフ６３ｃ、６３ｄに示すように、距離Δｈが、正側および負側の閾値の範囲外となった場合であっても、距離Δｈの度数分布における標準偏差が所定の範内となることがある。このような場合であっても、異常検知部１１４は、距離Δｈをビンとしたヒストグラムの尖度、または歪度が所定の範囲内であるか否かに基づいて、対象装置１０による動作における異常を検知することができる。
　図１２は、異常が生じている対象装置１０における、距離Δｈのヒストグラム（縦軸は距離Δｈ、横軸は度数）の例を示す。図１２に示す例では、距離Δｈの度数分布における平均が０を大きく下回っている（平均が負側の閾値未満である）。異常検知部１１４は、距離Δｈの度数分布における平均等の統計値が正常範囲であるか否かに応じて、対象装置１０の異常を検知してもよい。
　図１３は、異常が生じている対象装置１０における、距離Δｈのヒストグラム（縦軸は距離Δｈ、横軸は度数）の別の例を示す。図１３に示す例では、距離Δｈの度数分布における標準偏差が閾値より大きい。異常検知部１１４は、距離Δｈの度数分布における標準偏差等の統計値が正常範囲であるか否かに応じて、対象装置１０の異常を検知してもよい。
　（対象装置１０の他の例）
　上記の説明では、対象装置１０がサーボモータを動力源として駆動するプレス機器である場合を例に挙げた。しかしながら、対象装置１０はプレス機器に限らず、サーボモータを動力源として駆動するいかなる装置であっても、異常検知装置１００により適切に異常を検知することができる。また、異常検知装置１００による異常検知処理は、サーボモータに限らず、ステッピングモータや、その他の単なるモータを動力源として駆動する装置にも適用可能である。更に、異常検知装置１００による異常検知処理は、モータに限らず、油圧、空気圧等の一般的なアクチュエータを動力源として駆動する装置にも適用可能である。
　図１４は、対象装置１０がプレス機器ではない装置である場合の第１指標に関する第１指標値と、第２指標に関する第２指標値と、基準曲線とを示す図である。図１４の上のグラフは、横軸を時間として、対象装置１０の一連の動作における第１指標に関する第１指標値であるサーボモータの回転速度と、第２指標に関する第２指標値であるサーボモータのトルクとの実測値ｘａｃｔ，ｙａｃｔを示す図である。図１４の下のグラフは、第１の指標をｘ軸とし、第２の指標をｙ軸とした２次元平面に、正規化した第１指標値ｘｎｏｒｍ、第２指標値ｙｎｏｒｍと、基準曲線とを示したグラフである。
　このように、対象装置１０がサーボモータを動力源として駆動するいかなる装置であっても、第１の指標をｘ軸とし、第２の指標をｙ軸とした２次元平面上における、正規化した第１指標値ｘｎｏｒｍ、第２指標値ｙｎｏｒｍから示される点と、基準曲線との距離Δｈに基づいて、異常を検知することができる。
　〔ソフトウェアによる実現例〕
　異常検知装置１００の制御ブロック（特に取得部１１１、基準生成部１１２、スケール規格化部１１３、および異常検知部１１４）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、異常検知装置１００は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、前記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、前記コンピュータにおいて、前記プロセッサが前記プログラムを前記記録媒体から読み取って実行することにより、本発明の目的が達成される。前記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。前記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、前記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、前記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して前記コンピュータに供給されてもよい。なお、本発明の一態様は、前記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
　〔まとめ〕
　前記の課題を解決するために、本発明の一態様に係る異常検知装置は、対象装置の異常を検知する異常検知装置であって、前記対象装置の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する取得部と、前記第１指標と、前記第２指標とを軸とする２次元平面おける、前記第１指標値、及び前記第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、前記対象装置の異常を検知する異常検知部と、を備える。
　また、前記の課題を解決するために、本発明の一態様に係る異常検知方法は、対象装置の異常を検知する異常検知装置において実行される異常検知方法であって、対象装置の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する指標値取得ステップと、前記第１指標と、前記第２指標とを軸とする２次元平面おける、前記第１指標値、及び前記第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、前記対象装置の異常を検知する異常検知ステップと、を含む。
　前記の構成によれば、対象装置の動作過程における異常判定を適切に行うことができる。
　また、本発明の一態様に係る異常検知装置は、前記第１指標値は、前記対象装置の動作の段階に係る値であり、前記第２指標値は、前記対象装置の動作の負荷に係る値である。
　前記の構成によれば、対象装置の動作の各段階において適切に異常判定を行うことができる。
　また、本発明の一態様に係る異常検知装置は、前記２次元平面における前記第１指標値のスケールと、前記２次元平面における前記第２指標値のスケールとを、それぞれ個別に規格化するスケール規格化部を備える。
　前記の構成によれば、各指標値を適切に規格化して、異常判定を行うため、異常判定を適切に行うことができる。
　また、本発明の一態様に係る異常検知装置は、前記異常検知部は、前記異常検知部は、前記第２指標値が、前記基準曲線に対して負荷が大きい側であるか、負荷が小さい側であるかに応じて、前記距離に付す符号の正負を切り替え、正負が付された前記距離に基づいて前記対象装置の異常を検知する。
　前記の構成によれば、指標値が基準曲線よりある程度小さくても異常ではないが、指標値が基準曲線より高いと異常の可能性が高い場合等であっても、適切に異常判定を行うことができる。
　また、本発明の一態様に係る異常検知装置は、前記異常検知部は、前記距離に付された正負に応じて、前記対象装置の異常の有無に関する判断に用いる閾値であって、前記基準曲線からの距離の閾値を変更する。
　前記の構成によれば、距離の正負に応じて、異常の有無に関する判断が異なる場合でも、適切に異常判定を行うことができる。
　また、本発明の一態様に係る異常検知装置は、前記異常検知部は、加工動作中の前記距離の標準偏差に基づいて、前記対象装置の異常を検知する。
　また、本発明の一態様に係る異常検知装置は、前記異常検知部は、加工動作中の前記距離の度数分布における特徴量に基づいて、前記対象装置の異常を検知する。
　また、本発明の一態様に係る異常検知装置は、前記度数分布における特徴量は、加工動作中の前記距離をビンとしたヒストグラムにおける尖度である。
　また、本発明の一態様に係る異常検知装置は、前記度数分布における特徴量は、加工動作中の前記距離をビンとしたヒストグラムにおける歪度である。
　また、本発明の一態様に係る異常検知プログラムは、前記異常検知装置としてコンピュータを機能させるための異常検知プログラムであって、前記取得部、および前記異常検知部としてコンピュータを機能させる。
　本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
１０　対象装置
２０　サーボモータ
１００　異常検知装置
１１０　制御部
１１１　取得部
１１２　基準生成部
１１３　スケール規格化部
１１４　異常検知部
１２０　記憶部

Claims (11)

  1. 　対象装置の異常を検知する異常検知装置であって、
    　前記対象装置の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する取得部と、
    　前記第１指標と、前記第２指標とを軸とする２次元平面おける、前記第１指標値、及び前記第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、前記対象装置の異常を検知する異常検知部と、
    を備えた異常検知装置。
  2. 　前記第１指標値は、前記対象装置の動作の段階に係る値であり、
    　前記第２指標値は、前記対象装置の動作の負荷に係る値である請求項１に記載の異常検知装置。
  3. 　前記２次元平面における前記第１指標値のスケールと、前記２次元平面における前記第２指標値のスケールとを、それぞれ個別に規格化するスケール規格化部を備えた請求項１または２に記載の異常検知装置。
  4. 　前記異常検知部は、
    　前記第２指標値が、前記基準曲線に対して負荷が大きい側であるか、負荷が小さい側であるかに応じて、前記距離に付す符号の正負を切り替え、正負が付された前記距離に基づいて前記対象装置の異常を検知する請求項２または３に記載の異常検知装置。
  5. 　前記異常検知部は、
    　前記距離に付された正負に応じて、前記対象装置の異常の有無に関する判断に用いる閾値であって、前記基準曲線からの距離の閾値を変更する請求項４に記載の異常検知装置。
  6. 　前記異常検知部は、
    　前記対象装置の加工動作中の前記距離の標準偏差に基づいて、前記対象装置の異常を検知する請求項１から５のいずれか１項に記載の異常検知装置。
  7. 　前記異常検知部は、
    　前記対象装置の加工動作中の前記距離の度数分布における特徴量に基づいて、前記対象装置の異常を検知する請求項１から５のいずれか１項に記載の異常検知装置。
  8. 　前記度数分布における特徴量は、前記対象装置の加工動作中の前記距離をビンとしたヒストグラムにおける尖度である請求項７に記載の異常検知装置。
  9. 　前記度数分布における特徴量は、前記対象装置の加工動作中の前記距離をビンとしたヒストグラムにおける歪度である請求項７に記載の異常検知装置。
  10. 　対象装置の異常を検知する異常検知装置において実行される異常検知方法であって、
    　対象装置の動作における第１指標に関する第１指標値と、第２指標に関する第２指標値と、を取得する指標値取得ステップと、
    　前記第１指標と、前記第２指標とを軸とする２次元平面おける、前記第１指標値、及び前記第２指標値により示される点の、予め設定された基準曲線からの距離に基づいて、前記対象装置の異常を検知する異常検知ステップと、を含む異常検知方法。
  11. 　請求項１に記載の異常検知装置としてコンピュータを機能させるための異常検知プログラムであって、前記取得部、および前記異常検知部としてコンピュータを機能させるための異常検知プログラム。
PCT/JP2020/008498 2019-07-23 2020-02-28 異常検知装置、異常検知方法、および異常検知プログラム WO2021014670A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080041120.XA CN113924207B (zh) 2019-07-23 2020-02-28 异常探测装置、异常探测方法以及存储介质
US17/621,685 US20220357732A1 (en) 2019-07-23 2020-02-28 Abnormality detecting device, abnormality detecting method, and storage medium
EP20844882.9A EP4005785A4 (en) 2019-07-23 2020-02-28 ANOMALITY DETECTION DEVICE, ANOMALITY DETECTION METHOD AND ANOMALITY DETECTION PROGRAM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019135695A JP7367366B2 (ja) 2019-07-23 2019-07-23 異常検知装置、異常検知方法、および異常検知プログラム
JP2019-135695 2019-07-23

Publications (1)

Publication Number Publication Date
WO2021014670A1 true WO2021014670A1 (ja) 2021-01-28

Family

ID=74192721

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/008498 WO2021014670A1 (ja) 2019-07-23 2020-02-28 異常検知装置、異常検知方法、および異常検知プログラム

Country Status (5)

Country Link
US (1) US20220357732A1 (ja)
EP (1) EP4005785A4 (ja)
JP (1) JP7367366B2 (ja)
CN (1) CN113924207B (ja)
WO (1) WO2021014670A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7347468B2 (ja) * 2021-03-26 2023-09-20 横河電機株式会社 装置、方法およびプログラム
CN113884889B (zh) * 2021-10-29 2024-04-26 章鱼博士智能技术(上海)有限公司 一种电池安全预警的方法、装置、存储介质及电子设备
US20230280218A1 (en) * 2022-03-01 2023-09-07 Asmpt Singapore Pte. Ltd. Force measurement device and method for bonding or encapsulation process and apparatus incorporating the device

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006158031A (ja) 2004-11-26 2006-06-15 Yaskawa Electric Corp モータ制御装置およびその制御方法
JP2016209885A (ja) 2015-04-30 2016-12-15 コマツ産機株式会社 プレスシステムおよびプレスシステムの制御方法
JP2019003389A (ja) * 2017-06-15 2019-01-10 株式会社 日立産業制御ソリューションズ 異常診断装置、異常診断方法及び異常診断プログラム
JP2019104039A (ja) * 2017-12-14 2019-06-27 蛇の目ミシン工業株式会社 電動プレス、荷重判定方法およびプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5119311A (en) * 1988-07-14 1992-06-02 Coors Brewing Company Monitor and control assembly for use with a can end press
JP3231536B2 (ja) * 1993-02-25 2001-11-26 トヨタ自動車株式会社 プレス機械の異常診断方法
PL2696754T3 (pl) * 2011-04-14 2015-03-31 Koninklijke Philips Nv Urządzenie i sposób pomiaru stresu
JP6492555B2 (ja) 2014-11-07 2019-04-03 株式会社Ihi 異常診断方法、異常診断装置及び異常診断プログラム
ES2732473T3 (es) 2015-02-16 2019-11-22 Siemens Ag Dispositivo y procedimiento de diagnóstico para la supervisión del funcionamiento de un bucle de control
JP6593715B2 (ja) * 2017-10-27 2019-10-23 株式会社安川電機 異常判定システム、モータ制御装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006158031A (ja) 2004-11-26 2006-06-15 Yaskawa Electric Corp モータ制御装置およびその制御方法
JP2016209885A (ja) 2015-04-30 2016-12-15 コマツ産機株式会社 プレスシステムおよびプレスシステムの制御方法
JP2019003389A (ja) * 2017-06-15 2019-01-10 株式会社 日立産業制御ソリューションズ 異常診断装置、異常診断方法及び異常診断プログラム
JP2019104039A (ja) * 2017-12-14 2019-06-27 蛇の目ミシン工業株式会社 電動プレス、荷重判定方法およびプログラム

Also Published As

Publication number Publication date
EP4005785A4 (en) 2023-07-26
JP2021018753A (ja) 2021-02-15
JP7367366B2 (ja) 2023-10-24
CN113924207A (zh) 2022-01-11
EP4005785A1 (en) 2022-06-01
US20220357732A1 (en) 2022-11-10
CN113924207B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
WO2021014670A1 (ja) 異常検知装置、異常検知方法、および異常検知プログラム
US10525563B2 (en) Abnormality-detecting device and method for tool of machine tool
CN108500736B (zh) 工具状态推定装置以及机床
Kozłowski et al. Machining sensor data management for operation-level predictive model
US11467024B2 (en) Diagnostic device, computer program, and diagnostic system
US20220390271A1 (en) Diagnostic device, computer program, and diagnostic system
Wang et al. Sensor fusion for online tool condition monitoring in milling
US10725465B2 (en) State diagnostic device
CN109960232B (zh) 领先辅助参数的选择方法和设备维护预诊断的方法
Choi et al. Prediction of drill failure using features extraction in time and frequency domains of feed motor current
US10607470B2 (en) Vibrational analysis systems and methods
Tiwari et al. Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces
RU2770297C2 (ru) Система и способ определения видов неисправностей из данных датчиков в процессах изготовления и оценки качества изделия
JP2009004442A (ja) 半導体ウェハの研磨方法
WO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
CN112711850A (zh) 一种基于大数据的机组在线监测方法
Kassim et al. Tool condition classification using Hidden Markov Model based on fractal analysis of machined surface textures
JP7361573B2 (ja) 送り軸装置の異常診断方法及び異常診断装置
JP2021076465A (ja) 工作機械および表示装置
CN106922194A (zh) 异常检测装置、异常检测方法以及异常检测程序
Joshi et al. Multivariate statistical process monitoring and control of machining process using principal component-based Hotelling T2 charts: A machine vision approach
WO2021145156A1 (ja) 異常診断システム及び異常診断方法
Liu et al. Gearbox failure diagnosis based on vector autoregressive modelling of vibration data and dynamic principal component analysis
JP2021076597A (ja) 過渡速度動作中の振動傾向を決定することによるロータ異常の検出
JP2021149315A (ja) 情報処理装置、情報処理方法及び情報処理プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20844882

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020844882

Country of ref document: EP

Effective date: 20220223