WO2023026416A1 - 状態判定装置及び状態判定方法 - Google Patents

状態判定装置及び状態判定方法 Download PDF

Info

Publication number
WO2023026416A1
WO2023026416A1 PCT/JP2021/031224 JP2021031224W WO2023026416A1 WO 2023026416 A1 WO2023026416 A1 WO 2023026416A1 JP 2021031224 W JP2021031224 W JP 2021031224W WO 2023026416 A1 WO2023026416 A1 WO 2023026416A1
Authority
WO
WIPO (PCT)
Prior art keywords
belt
tension
frequency
state determination
unit
Prior art date
Application number
PCT/JP2021/031224
Other languages
English (en)
French (fr)
Inventor
淳史 堀内
Original Assignee
ファナック株式会社
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 ファナック株式会社 filed Critical ファナック株式会社
Priority to PCT/JP2021/031224 priority Critical patent/WO2023026416A1/ja
Priority to JP2021566979A priority patent/JP7011106B1/ja
Publication of WO2023026416A1 publication Critical patent/WO2023026416A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H7/00—Gearings for conveying rotary motion by endless flexible members
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/023—Power-transmitting endless elements, e.g. belts or chains
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a state determination device and a state determination method.
  • Some industrial machines transmit the rotational power of the motor to the shaft via a power transmission mechanism such as a belt. If the tension of the belt is too weak or too strong for the operating conditions, the life of the belt will be shortened and the shaft will not be able to be driven normally. Further, if the tension of the belt is reduced during operation of the industrial machine, troubles such as belt slippage and tooth jumping occur. Therefore, inspection and maintenance work are required to use the belt tension within a predetermined range.
  • the environmental conditions e.g., room temperature, humidity, etc.
  • operating conditions e.g., motor rotation speed, load, etc.
  • the belt tension changes all the time. Therefore, it is desirable to periodically check and maintain the belt tension.
  • Patent Document 1 discloses that a tension monitoring device (sonic wave measurement sensor) is provided in a driving force transmission device of an injection molding machine having a timing belt to monitor the tension of the belt. It has been shown to reduce work. Further, Japanese Patent Application Laid-Open No. 2002-200003 discloses determining whether the belt is normal or abnormal based on the vibration frequency and amplitude of the belt measured by providing a vibration sensor.
  • Patent Document 3 discloses adding white noise (eg, a sine wave signal) to detect frequency characteristics and resonance frequencies, and Patent Document 4 describes improving measurement accuracy of frequency characteristics. Further, in Patent Document 5, during a diagnostic operation for driving the belt, the frequency characteristic (frequency-gain characteristic) of the motor is analyzed, and the data in the range including the resonance frequency is machine-learned to estimate the tension value of the belt. ,It is shown.
  • white noise eg, a sine wave signal
  • FIG. 8 is a diagram illustrating frequency characteristics of motor feedback data detected in the belt diagnostic operation.
  • the graph indicated by the solid line is the frequency characteristic graph of the feedback data detected when the diagnostic operation was performed immediately after the new belt was installed.
  • the graph indicated by the dashed-dotted line is a graph of the frequency characteristics of the feedback data detected at the stage when the number of times of use is small, and the two dotted lines are graphs at the stage where aged deterioration is observed.
  • the tension measured with a tension meter is the same value.
  • the waveforms of the frequency characteristics of the obtained feedback data almost overlap.
  • the frequency characteristics of the feedback data obtained in the diagnostic operation of a belt that has progressed over time show not only deviations in the waveform but also variation occurs. If the frequency characteristics vary, the value of the resonance frequency obtained by analyzing the frequency characteristics also varies. In the example of FIG. 8, attention is focused on the extremum points K0 to K3 corresponding to the primary antiresonant frequencies in each frequency characteristic. At this time, the first-order antiresonance frequencies h0 and h1 obtained from the diagnostic operation at the stage where aged deterioration has not occurred are very close values. On the other hand, the primary anti-resonance frequencies h2 and h3 obtained from the diagnostic operation at the stage of aged deterioration show variations. The tension of the belt estimated from this also varies.
  • the accuracy of estimating the tension of the belt may be degraded, or an erroneous determination may be made as abnormal even though the state is normal, resulting in a problem of deterioration in the accuracy of determination of normality/abnormality. Therefore, it is desired to reduce erroneous determination that the tension of the belt is abnormal and to improve determination accuracy.
  • the state determination device When diagnosing the tension of the belt (detecting and estimating the physical quantity), the state determination device according to the present disclosure repeats the diagnosing operation multiple times and stores the physical quantity detected at that time. Then, a feature quantity (for example, a statistic such as variance indicating the degree of variation, a statistic related to outliers, etc.) calculated based on a plurality of consecutive physical quantities stored or the tension value of the belt estimated from the physical quantity ) is compared with a predetermined monitoring value, and the normality/abnormality of the belt tension is determined based on the comparison result.
  • a feature quantity for example, a statistic such as variance indicating the degree of variation, a statistic related to outliers, etc.
  • one aspect of the present disclosure is a state determination device for detecting an abnormality in the tension of a belt that transmits power provided in an industrial machine, comprising: a control unit that controls a diagnostic operation for driving the belt; a data acquisition unit that acquires at least obtained feedback data; a frequency characteristic of the feedback data is analyzed; a plurality of extreme points in the frequency characteristic are detected; a detection unit for detecting as a frequency, and among the resonance frequencies or the anti-resonance frequencies detected by the detection unit, for a plurality of the resonance frequencies or the anti-resonance frequencies corresponding to the consecutive multiple times of the diagnostic operation,
  • a state comprising: a feature amount calculation unit that calculates at least a feature amount indicating variation; and a determination unit that compares the feature amount with a predetermined monitoring value and determines that the tension of the belt is abnormal based on the comparison result. It is a judgment device.
  • a state determination device for detecting an abnormality in the tension of a belt that transmits power provided in an industrial machine, comprising: a control unit that controls a diagnostic operation for driving the belt; a data acquisition unit that acquires at least the feedback data obtained by analyzing the frequency characteristics of the feedback data, detects a plurality of extreme points in the frequency characteristics, and determines the frequencies at the respective extreme points as a resonance frequency or an anti-resonance frequency and a learning model memory for storing a learning model for estimating the tension of the belt obtained by machine-learning the correlation between the resonance frequency or the anti-resonance frequency detected during the diagnostic operation of the belt and the tension of the belt.
  • an estimating unit for estimating an estimated value of the tension of the belt using the learning model stored in the learning model storage unit based on the resonance frequency or the anti-resonance frequency detected by the detection unit; a feature quantity calculation unit that calculates at least a feature quantity indicating a variation of a plurality of the estimated values corresponding to the consecutive multiple diagnostic operations among the estimated values of the tension of the belt estimated by the unit; and a determination unit that compares the feature amount with a predetermined monitoring value and determines that the tension of the belt is abnormal based on the result of the comparison.
  • Another aspect of the present disclosure is a state determination method for detecting an abnormality in the tension of a belt that transmits power provided in an industrial machine, comprising: controlling a diagnostic operation for driving the belt; obtaining at least feedback data; analyzing frequency characteristics of the feedback data, detecting a plurality of extreme points in the frequency characteristics, and detecting frequencies at the respective extreme points as resonance frequencies or anti-resonance frequencies; and showing the variation of a plurality of the resonance frequencies or the anti-resonance frequencies corresponding to the consecutive multiple times of the diagnostic operation among the resonance frequencies or the anti-resonance frequencies detected in the detecting step.
  • the state determination method comprises the steps of: calculating at least a feature amount; comparing the feature amount with a predetermined monitoring value; and determining that the tension of the belt is abnormal based on the comparison result.
  • Another aspect of the present disclosure is a state determination method for detecting an abnormality in the tension of a belt that transmits power provided in an industrial machine, comprising: controlling a diagnostic operation for driving the belt; obtaining at least feedback data; analyzing frequency characteristics of the feedback data, detecting a plurality of extreme points in the frequency characteristics, and detecting frequencies at the respective extreme points as resonance frequencies or anti-resonance frequencies; and a learning model for estimating the tension of the belt detected in the detection step by machine-learning the correlation between the resonance frequency or the anti-resonance frequency detected during the diagnostic operation of the belt and the tension of the belt.
  • FIG. 1 is a schematic hardware configuration diagram of a state determination device according to a first embodiment of the present invention
  • FIG. 1 is a schematic configuration diagram of an injection molding machine
  • FIG. 1 is a block diagram showing schematic functions of a state determination device according to a first embodiment of the present invention
  • FIG. It is a figure which shows the example which frequency-analyzed the velocity feedback.
  • FIG. 5 is a diagram illustrating a series of first-order antiresonance frequencies detected by diagnostic operation
  • FIG. 5 is a schematic hardware configuration diagram of a state determination device according to a second embodiment of the present invention
  • FIG. 5 is a block diagram showing the schematic functions of a state determination device according to a second embodiment of the present invention
  • FIG. 4 is a diagram illustrating frequency characteristics of motor feedback data detected in a belt diagnostic operation;
  • FIG. 1 is a schematic hardware configuration diagram showing essential parts of a state determination device according to a first embodiment of the present invention.
  • the state determination device 1 of the present invention can be implemented, for example, as a control device that controls an industrial machine based on a control program.
  • the state determination device 1 of the present invention includes a personal computer attached to a control device that controls an industrial machine based on a control program, a personal computer connected to the control device via a wired/wireless network, a cell computer, It can be installed on the fog computer 6 and cloud server 7 .
  • This embodiment shows an example in which the state determination device 1 is implemented as a control device that controls an injection molding machine 2 as an industrial machine based on a control program.
  • the CPU 11 included in the state determination device 1 is a processor that controls the state determination device 1 as a whole.
  • the CPU 11 reads a system program stored in the ROM 12 via the bus 22 and controls the entire state determination device 1 according to the system program.
  • the RAM 13 temporarily stores calculation data, display data, various data input from the outside, and the like.
  • the non-volatile memory 14 is composed of, for example, a memory backed up by a battery (not shown) or an SSD (Solid State Drive), etc., and retains the storage state even when the state determination device 1 is powered off.
  • the nonvolatile memory 14 stores data obtained from the injection molding machine 2, control programs and data read from the external device 72 via the interface 15, control programs and data input via the input device 71, Control programs, data, and the like obtained from other devices via the network 5 are stored.
  • the control program and data stored in the nonvolatile memory 14 may be developed in the RAM 13 at the time of execution/use.
  • Various system programs such as a well-known analysis program are pre-written in the ROM 12 .
  • the interface 15 is an interface for connecting the CPU 11 of the state determination device 1 and an external device 72 such as a USB device. From the external device 72 side, for example, a control program and setting data used for controlling the injection molding machine 2 are read. Control programs and setting data edited in the state determination device 1 can be stored in the external storage means via the external device 72 .
  • a PMC (programmable machine controller) 16 executes a ladder program to control the injection molding machine 2 and peripheral devices of the injection molding machine 2 (for example, a mold changing device, an actuator such as a robot, and a device attached to the injection molding machine 2).
  • a plurality of sensors 3) such as a tension meter, a temperature sensor, a humidity sensor, etc. are output through the I/O unit 19 to control them. It also receives signals from various switches on an operation panel provided on the main body of the injection molding machine 2 and peripheral devices, etc., performs necessary signal processing, and then transfers the signals to the CPU 11 .
  • the interface 20 is an interface for connecting the CPU of the state determination device 1 and the wired or wireless network 5 .
  • Other industrial machines 4 such as machine tools and electric discharge machines, fog computers 6, cloud servers 7, and the like are connected to the network 5 to exchange data with the state determination device 1 .
  • each data read into the memory, data obtained as a result of executing the program, etc. are output via the interface 17 and displayed.
  • An input device 71 composed of a keyboard, a pointing device, etc., transfers commands, data, etc. based on operations by an operator to the CPU 11 via the interface 18 .
  • the axis control circuit 30 for controlling the axes provided in the injection molding machine 2 receives the axis movement command amount from the CPU 11 and outputs the axis command to the servo amplifier 40 .
  • the servo amplifier 40 receives this command and drives the servo motor 50 that moves the shaft provided in the injection molding machine 2 .
  • the axis servomotor 50 incorporates a position/velocity detector, and feeds back a position/velocity feedback signal from this position/velocity detector to the axis control circuit 30 to perform position/velocity feedback control.
  • Only one axis control circuit 30, one servo amplifier 40, and one servo motor 50 are shown in the hardware configuration diagram of FIG. Only a few are provided. At least one of the servomotors 50 is connected to a predetermined shaft of the injection molding machine 2 and a belt as a power transmission section.
  • FIG. 2 is a schematic configuration diagram of the injection molding machine 2.
  • the injection molding machine 2 is mainly composed of a mold clamping unit 401 and an injection unit 402 .
  • the mold clamping unit 401 is equipped with a movable platen 416 and a stationary platen 414 .
  • a movable mold 412 is attached to the movable platen 416 and a stationary mold 411 is attached to the stationary platen 414 .
  • a servomotor 50 is attached to the injection molding machine 2 .
  • a ball screw (not shown) is driven via power transmission means such as a belt 420 and a pulley 422, and the movable platen 416 can be moved forward or backward toward the stationary platen 414.
  • the injection unit 402 is composed of an injection cylinder 426, a hopper 436 for storing the resin material to be supplied to the injection cylinder 426, and a nozzle 440 provided at the tip of the injection cylinder 426.
  • the injection unit 402 can move the injection cylinder 426 forward or backward toward the stationary platen 414 by driving a servomotor (not shown).
  • the mold clamping unit 401 performs mold closing/mold clamping operations by moving the movable platen 416, and the injection unit 402 presses the nozzle 440 against the stationary mold 411.
  • the resin weighed in the injection cylinder 426 is injected into the mold.
  • a sensor 3 (not shown) is attached to each part of the injection molding machine 2, and various physical quantities necessary for controlling the molding operation are detected. Examples of detected physical quantities include motor current, voltage, torque, position, speed, acceleration, pressure in the mold, temperature of the injection cylinder 426, resin flow rate, flow velocity, vibration, and sound. .
  • the detected physical quantity is sent to the state determination device 1 . In the state determination device 1, each detected physical quantity is stored in the RAM 13, the nonvolatile memory 14, or the like.
  • the belt 420 attached to the injection molding machine 2 is generally made of elastic material.
  • the output of the controlled object driven via the elastic belt 420 is not determined by the current input from the servomotor 50 alone. In other words, the output is determined as a result of the force input from the servomotor 50 being accumulated in the transmission mechanism (system) of the belt 420 in the past. In other words, the output of the belt is the sum (integration) of the drive state combining the input from the servomotor 50 from the past to the present and the output from the belt itself.
  • the driving state of the belt accumulated from the start of the vibrating motion to the elapsed time affects the rotating state of the belt 420 .
  • FIG. 3 is a schematic block diagram of the functions of the state determination device 1 according to the first embodiment of the present invention. Each function provided in the state determination device 1 according to the present embodiment is realized by the CPU 11 provided in the state determination device 1 shown in FIG. .
  • the state determination device 1 of this embodiment includes a control unit 110 , a data acquisition unit 120 , a detection unit 130 , a feature quantity calculation unit 150 and a determination unit 160 .
  • a control program 200 for controlling the servomotor 50 provided in the injection molding machine 2 is stored in advance in the RAM 13 to the nonvolatile memory 14 of the state determination device 1 .
  • An acquired data storage unit 210 as an area for storing data acquired from the sensor 3 or the like, and a detected value storage unit 220 as an area for storing the history of the resonance frequency or anti-resonance frequency detected by the detection unit 130 are prepared in advance. It is
  • the control unit 110 executes a system program read from the ROM 12 by the CPU 11 provided in the state determination device 1 shown in FIG. It is realized by performing control processing of each part of the injection molding machine 2 using the PMC 16 and input/output processing via the interface 18 .
  • the control section 110 analyzes the blocks of the control program 200 and controls each section of the injection molding machine 2 based on the analysis results. For example, when a block of the control program 200 commands to drive each axis of the injection molding machine 2, the control unit 110 generates movement command data according to the command of the block, and controls the servo motor 50 to Output.
  • control unit 110 when a block of the control program 200 instructs to operate a peripheral device such as the sensor 3 attached to the injection molding machine 2, the control unit 110 performs a predetermined operation to operate the peripheral device. A signal is generated and output to the PMC 16 .
  • the control unit 110 can output general commands related to control of the injection molding machine 2 such as injection of resin to the injection molding machine 2 according to commands from blocks of the control program 200 .
  • the control unit 110 acquires position feedback, speed feedback, torque feedback of the servomotor 50 and physical quantity data detected by the sensors 3 such as the temperature sensor and the humidity sensor, and outputs them to the data acquisition unit 120 .
  • the control program 200 includes a block that commands in advance to sweep the servo motor 50 that drives the belt at a predetermined range of rotation speed (frequency).
  • the control program 200 includes a block that commands acquisition of position feedback, velocity feedback, and torque feedback of the servomotor 50 during the sweep operation as time-series data. It includes a block that directs acquisition of data sensed by sensor 3 at least one of the end of the sweep operation.
  • the data acquisition unit 120 acquires feedback data such as position feedback, speed feedback, and torque feedback acquired from the servomotor 50 during operation of the injection molding machine 2, room temperature detected by the sensor 3, and vibration of a driving device such as a platen. , the running sound of the belt, etc. are acquired and stored in the acquired data storage unit 210 .
  • Feedback data such as position feedback, velocity feedback, and torque feedback acquired by the data acquisition unit 120 is time-series data.
  • the physical quantity data acquired by the data acquisition unit 120 may be data values acquired at a predetermined timing. Note that the data acquisition unit 120 may acquire data detected by the industrial machine 4 from another industrial machine 4 via the network 5 . Data input by the operator from the input device 71 or data input via the external device 72 may be obtained.
  • the detection unit 130 calculates frequency response data indicating frequency characteristics from the data acquired by the data acquisition unit 120 . Then, by analyzing the calculated frequency response data, extreme points of the frequency response data are detected. An extremum point is a point having a local maximum value (local maximum value) or minimum value (local minimum value) in the vicinity of the point. The frequency of the detected extreme point becomes a candidate for the resonance frequency or the anti-resonance frequency. For example, the frequency with the maximum value is a candidate for the resonance frequency, and the frequency with the minimum value is a candidate for the anti-resonance frequency. The detection unit 130 sequentially stores the detected extreme point frequencies (resonance frequency, anti-resonance frequency) as detection values in the detection value storage unit 220 .
  • the detection unit 130 calculates, for example, frequency response data indicating frequency-gain characteristics obtained by frequency-analyzing the feedback data of the servomotor 50 stored in the acquired data storage unit 210 .
  • the frequency response data may be data obtained by sampling values in a predetermined range of frequencies at predetermined frequency cycles.
  • FIG. 4 is a diagram showing an example of frequency analysis of speed feedback. In the example of FIG. 4, extremal points P0, P1, P2, .
  • the first minimum value of the gain is at the position of frequency fa
  • the first maximum value is at the position of frequency fb
  • the second minimum value is at the position of frequency fc
  • the second maximum value is at the position of frequency fd
  • Several other extrema have been detected, respectively.
  • the detection unit 130 analyzes changes in the values of the frequency response data to detect such maximum and minimum values.
  • the detection unit 130 may perform smoothing such as moving average and local regression on the frequency response data in order to remove noise and the like. good.
  • the frequency response data may be frequency response data indicating frequency-phase characteristics.
  • the feature amount calculator 150 calculates a plurality of resonance frequencies corresponding to a plurality of successive diagnostic operations, among the detection values (resonant frequencies or anti-resonance frequencies) detected during the diagnostic operation stored in the detected value storage unit 220. Alternatively, the anti-resonant frequencies are read, and the feature amount is calculated based on the read multiple resonance frequencies or the set of anti-resonant frequencies.
  • the feature amount calculated by the feature amount calculation unit 150 may be a feature amount indicating variations in the detected values or a feature related to an outlier in the detected values. Examples of the feature quantity indicating the variation in detected values include variance, standard deviation, mean deviation, coefficient of variation, and the like.
  • a predetermined reference value weighted mean, arithmetic mean, weighted harmonic mean, trimmed mean, root mean square, mode, weighted median, etc.
  • each detected value examples include the maximum outlier amount, which is the maximum absolute value of the difference, and the frequency of outliers equal to or greater than a predetermined threshold.
  • FIG. 5 is a graph plotting primary antiresonance frequencies as detection values detected in multiple diagnostic operations.
  • the horizontal axis of the graph is the number of diagnostic operations performed.
  • FIG. 5 shows an example in which the diagnostic operation is performed three times in succession when diagnosing the tension of the belt, and the belt tension is diagnosed with each set of three operations.
  • the primary antiresonant frequencies detected at the first, second, and so on are plotted as points Pf 1 , Pf 2 , and so on, respectively. It is also assumed that the respective detected primary antiresonant frequencies are f 1 , f 2 , . . .
  • the feature quantity calculation unit 150 calculates the feature quantity for each three consecutive diagnostic operations.
  • the feature amount calculation unit 150 calculates the variance and standard deviation Calculate and output the value. Then, the variance value of the set of primary antiresonance frequencies (f 4 , f 5 , f 6 ) detected when the diagnostic operation is performed three more times in the next diagnosis, and the primary antiresonance frequency detected in the next diagnosis A feature amount related to variation is calculated, such as a variance value of the pair of anti-resonant frequencies ( f7 , f8 , f9 ).
  • the feature amount calculator 150 calculates the maximum deviation amount and the frequency of outliers, the maximum amount of outliers and the frequency of outliers in the set of first-order antiresonant frequencies (f 4 , f 5 , f 6 ) detected at the next diagnosis.
  • the detected value used for calculating the feature quantity may be the primary resonance frequency, or may be the secondary or subsequent resonance frequency or the anti-resonance frequency.
  • the determination unit 160 determines the tension state of the belt based on the feature amount calculated by the feature amount calculation unit 150, and outputs the determination result.
  • the determination unit 160 determines that there is an abnormality in the belt tension when, for example, the variance of the detection values calculated by the feature amount calculation unit 150 exceeds a predetermined monitoring value Vth . good too. Further, the determination unit 160 determines that there is an abnormality in the tension of the belt when, for example, the maximum deviation amount of the detection value calculated by the feature amount calculation unit 150 exceeds a predetermined monitoring value Oth . You may do so.
  • a monitoring value may be set for each feature amount.
  • a monitoring value may be set in a plurality of stages for one feature amount.
  • the determination unit 160 may perform determination by combining a plurality of types of feature amounts. For example, when the maximum outlier amount of the detected value is equal to or less than the predetermined monitoring value O th1 , the determining unit 160 does not determine that the belt is abnormal if the frequency of the outliers in the detected value is equal to or less than the predetermined monitoring value Of th1 . However, when the maximum amount of deviation of the detected value is equal to or greater than the predetermined monitoring value O th1 , composite determination is made such that the belt is determined to be abnormal regardless of the frequency of the outlier of the detected value. good.
  • the determination result by the determining unit 160 may be displayed on the display device 70, for example.
  • the data may be transmitted to a personal computer such as a monitor terminal, the fog computer 6 or the cloud server 7 via the network 5 .
  • a personal computer such as a monitor terminal, the fog computer 6 or the cloud server 7 via the network 5 .
  • a signal for limiting the driving torque of the prime mover may be output, or a warning light may be turned on.
  • the state determination device 1 can provide a characteristic amount (for example, Variance value, standard deviation value) can be used to accurately determine an abnormality in the tension of the belt. Even if the belt tension is within the specified range (lower limit to upper limit) at the time of design, as the belt tension approaches the specified range (lower limit), it is at a level that does not interfere with production, but the rotation of the belt becomes violent. , a phenomenon occurs in which the frequency characteristics obtained in the diagnostic operation are disturbed.
  • a characteristic amount for example, Variance value, standard deviation value
  • normality or abnormality is determined using a feature amount (for example, a variance value, a standard deviation value) calculated from a plurality of detection values corresponding to a physical quantity acquired in a plurality of consecutive diagnostic operations.
  • the state determination device 1 can immediately detect an abnormality in the belt tension even in a situation where an erroneous estimated value of the belt tension is output due to the influence of a temporary disturbance. Since the operation of the machine continues without judgment, it is possible to reduce production downtime.
  • the diagnostic operation weep operation
  • the feedback data is disturbed, the detected value suddenly becomes an outlier (irregular value), and the belt tension estimated therefrom also becomes an outlier. After that, when the influence of the disturbance disappears, the detected value returns to the normal value.
  • the state determination device 1 uses the mode value and the weighted median value as feature values used for determination to identify outliers among a plurality of detected values, compare the outliers and the monitored value, and determine whether the outliers are normal. Abnormality can be determined with high accuracy. In addition, sudden outliers may be erroneous detection values affected by temporary disturbances. By continuing the operation, it is possible to suppress momentary stoppages and reduce production downtime. Outliers occur frequently in a state in which disturbance continues to affect the operation of the machine or in a state in which the rotation of the belt is unstable. If this occurs frequently, the operation of the machine can be stopped or the rotational speed and torque of the belt can be reduced to prevent damage to the machine and deterioration of yield. In this way, even when outliers are included in the detected values during the belt diagnostic operation, it is possible to reduce erroneous determination of the outliers as being abnormal, and improve the accuracy of determining whether the belt is normal or abnormal. Expected.
  • FIG. 6 is a schematic hardware configuration diagram showing the essential parts of the state determination device according to the second embodiment of the present invention.
  • the state determination device 1 of the present invention includes frequency response data obtained when a belt attached to an injection molding machine 2 as an industrial machine is swept at a predetermined range of rotation speed (frequency), and the frequency response data of the belt. Learn the correlation with tension. Also, the tension of the belt is estimated using the learning model as the learning result.
  • the state determination device according to this embodiment has the same configuration as the state determination device according to the first embodiment, except that it includes a machine learning device.
  • the interface 21 included in the state determination device 1 is an interface for connecting the CPU 11 and the machine learning device 300 .
  • the machine learning device 300 includes a processor 301 that controls the entire machine learning device 300, a ROM 302 that stores system programs and the like, a RAM 303 that temporarily stores data in each process related to machine learning, and a storage of learning models and the like. and a non-volatile memory 304 used for The machine learning device 300 acquires each piece of information (for example, data indicating the operating state of the servo motor 50, observed values of the sensor 3 such as a temperature sensor and a humidity sensor (not shown)) that can be acquired by the state determination device 1 via the interface 21. can be observed.
  • the state determination device 1 acquires the processing result output from the machine learning device 300 via the interface 21, stores the acquired result, displays it, and communicates with other devices via the network 5 or the like. to send.
  • FIG. 7 is a schematic block diagram of the functions of the state determination device 1 according to the second embodiment of the present invention.
  • Each function provided in the state determination device 1 according to the present embodiment is such that the CPU 11 provided in the state determination device 1 shown in FIG. It is realized by controlling the operation of each part of the machine learning device 300 .
  • the state determination device 1 of the present embodiment includes a control unit 110, a data acquisition unit 120, a detection unit 130, a tension estimation unit 140, a feature amount calculation unit 150, and a determination unit 160.
  • a control program 200 for controlling the servomotor 50 provided in the injection molding machine 2 is stored in advance in the RAM 13 to the nonvolatile memory 14 of the state determination device 1 .
  • Acquired data storage unit 210 as an area for storing data acquired from 50, sensor 3, etc., and estimated value storage unit 230 as an area for storing the history of the estimated value of the belt tension estimated by the tension estimation unit 140. are prepared in advance.
  • the tension estimator 140 is mounted on the machine learning device 300.
  • the tension estimating section 140 includes a learning section 142 and an estimating section 144 .
  • a learning model storage unit 148 which is an area for storing learning models, is prepared in advance on the RAM 303 to nonvolatile memory 304 of the machine learning device 300. FIG.
  • control unit 110, the data acquisition unit 120, and the detection unit 130 according to this embodiment have the same functions as the control unit 110, the data acquisition unit 120, and the detection unit 130 according to the first embodiment.
  • the tension estimator 140 learns and estimates the tension value of the belt attached to the injection molding machine 2 based on the frequency of the extreme point detected by the detector 130 (resonance frequency or anti-resonance frequency). I do.
  • the learning unit 142 receives, as input data, the frequency group (resonance frequency or anti-resonance frequency) of the extreme points detected by the detection unit 130, and as output data, the belt tension calculated based on the actually measured belt tension value.
  • a learning model is generated or updated by performing machine learning using the learning data (teacher data) as described above, and the generated or updated learning model is stored in the learning model storage unit 148 .
  • the input data used for learning here only the primary anti-resonant frequency may be used, or the primary resonant frequency may be added, or the secondary or subsequent resonant frequencies or anti-resonant frequencies may be added.
  • the output data used for learning as the tension of the belt may be the value acquired by the data acquisition unit 120 via the input device 71 .
  • a value obtained by inputting a belt tension value measured by an operator using a tension meter such as a sonic belt tension meter into the input device 71 may be used as output data for learning.
  • a value obtained by the data acquisition unit 120 acquiring the tension of the belt automatically acquired by the control unit 110 using a predetermined sensor (tension meter) may be used as the output data used for learning.
  • the machine learning performed by the learning unit 142 is well-known supervised learning.
  • the learning model generated or updated by the learning unit 142 learns the correlation between the extreme point frequency group as input data and the belt tension value as output data.
  • Examples of learning models created by the learning unit 142 include neural networks such as a multilayer perceptron, a recurrent neural network, a Long Short-Term Memory, and a convolutional neural network.
  • a learning model that estimates the belt tension using machine learning such as linear regression, Lasso regression, Ridge regression, ElasticNet regression, polynomial regression, and multiple regression may also be used.
  • a learning model based on regression has an advantage that the configuration is simple and the calculation load of the processor 301 is small.
  • a learning model based on deep learning such as a convolutional neural network can be expected to have the effect of increasing the accuracy of belt tension estimation.
  • the estimating unit 144 uses the frequency group (resonant frequency or anti-resonant frequency) of the extreme points detected by the detecting unit 130 as input data, and estimates the tension of the belt using the learning model stored in the learning model storage unit 148. Execute the process and output the estimated result.
  • the estimation processing performed by the estimation unit 144 is estimation processing using the learning model created by the learning unit 142 . For example, when the learning model stored in the learning model storage unit 148 is created as a neural network (convolutional neural network), the estimating unit 144 inputs the data of the extreme point frequency group to the neural network, and outputs is output as an estimation result.
  • the history of the estimated value of the belt tension output by the estimation unit 144 is sequentially stored in the estimated value storage unit 230 .
  • the feature amount calculation unit 150 calls up a plurality of estimated tension values corresponding to a plurality of consecutive diagnostic operations from among the estimated values of the belt tension stored in the estimated value storage unit 230, and calls the estimated values.
  • a feature amount is calculated based on a set of a plurality of estimated tension values.
  • the feature amount calculated by the feature amount calculation unit 150 may be a feature amount that indicates the variation of the estimated values, or a feature that indicates an outlier in the estimated values. Examples of the feature amount indicating the variation of the estimated values include variance, standard deviation, average deviation, coefficient of variation, and the like.
  • predetermined reference values weighted mean, arithmetic mean, weighted harmonic mean, trimmed mean, root mean square, mode, weighted median, etc.
  • each estimated value examples include the maximum outlier amount, which is the maximum absolute value of the difference, and the frequency of outliers equal to or greater than a predetermined threshold.
  • the determination unit 160 determines the state of tension of the belt based on the feature amount calculated by the feature amount calculation unit 150, and outputs the determination result.
  • the determination unit 160 determines that there is an abnormality in the belt tension when, for example, the variance of the estimated values calculated by the feature amount calculation unit 150 exceeds a predetermined monitoring value Vth2 . good too. Further, the determination unit 160 determines that an abnormality has occurred in the belt tension when, for example, the maximum deviation amount calculated by the feature amount calculation unit 150 exceeds a predetermined monitoring value O th2 . good too.
  • a monitoring value may be set for each feature amount.
  • a monitoring value may be set in a plurality of stages for one feature amount.
  • the determination unit 160 may perform determination by combining a plurality of types of feature amounts.
  • the determination result by the determining unit 160 may be displayed on the display device 70, for example.
  • the data may be transmitted to a personal computer such as a monitor terminal, the fog computer 6 or the cloud server 7 via the network 5 .
  • a personal computer such as a monitor terminal, the fog computer 6 or the cloud server 7 via the network 5 .
  • a signal for limiting the driving torque of the prime mover may be output, or a warning light may be turned on.
  • the state determination device 1 can detect the variation of the estimated value of the belt tension based on the magnitude of the feature value indicating the variation even in a situation where the estimated value of the belt tension tends to vary. It becomes possible to determine the abnormality of the tension of the belt with high accuracy. Further, the state determination device 1 according to the present embodiment having the above configuration can immediately determine that the belt is abnormal even if an erroneous estimated value of the belt tension is output due to the influence of a temporary disturbance. Since the machine can continue to operate without any interruption, it is possible to reduce production downtime.
  • the state determination device 1 is mounted on a control device that controls the injection molding machine 2
  • Data may be acquired from the industrial machine 4, and estimation processing and learning processing may be performed based on the acquired data.
  • the control unit 110 commands the industrial machine 4 to perform a frequency sweep operation based on a request from each industrial machine 4, and the data obtained during the diagnostic operation performed based on the command. Based on the estimation processing and learning processing.
  • the estimation result is transmitted to the industrial machines 4, and each industrial machine 4 operates according to the result.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Devices For Conveying Motion By Means Of Endless Flexible Members (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本開示による状態判定装置は、産業機械に取り付けられたベルトを駆動する診断動作を制御する制御部と、診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、フィードバックデータの周波数特性を解析し、周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出する検出部と、共振周波数または前記***振周波数の内で、連続した複数回の診断動作に対応する複数の共振周波数または***振周波数について、そのバラツキを示す特徴量を少なくとも算出する特徴量算出部と、特徴量と所定の監視値を比較し、その比較結果に基づいてベルトの張力の異常と判定する判定部と、を備える。

Description

状態判定装置及び状態判定方法
　本発明は、状態判定装置及び状態判定方法に関する。
　産業機械には、モータの回転動力をベルト等の動力伝達機構を介して軸へと伝達するものがある。ベルトは、ベルトのテンション（張力）が使用条件よりも弱すぎたり強すぎると、ベルトの寿命が低下したり、正常に軸を駆動できない要因となる。また、産業機械の運転中にベルトの張力が低下すると、ベルトの滑りや歯飛び等の障害が生じる。そのため、ベルトの張力を所定の範囲で使用するための点検および保守作業が必要とされる。
　また、産業機械が設置される環境条件（例えば、室温や湿度など）や運転条件（例えば、モータ回転速度、負荷など）の影響を受けてベルトは経年劣化（例えば、延び、摩耗、弾性の劣化）するため、ベルトの張力は始終変化する。そのため、ベルトの張力を定期的に点検および保守作業することが望まれている。
　ベルトの張力の測定や点検は、産業機械の運転を停止し、安全のため産業機械を駆動するモータへの電力供給を遮断し、ベルトの回転が止まっている状態で音波式ベルト張力計等のテンションメータを用いてベルトの張力を測定することが公知である。なお、ベルトの張力を測定する際には、ベルトを覆っている安全カバーを産業機械より外すなど、産業機械の構成部品を分解してベルトを露出させる作業が必要である。
　ベルトの点検に関連する従来技術として、特許文献１には、タイミングベルトを有する射出成形機の駆動力伝達装置に張力監視装置（音波計測センサー）を設けてベルトの張力を監視することにより、測定作業を軽減することが示されている。また、特許文献２には、振動センサを設けて計測したベルトの振動数と振幅に基づきベルトの正常異常を判定することが示されている。
　ベルトの状態を測定する手段として、モータに伝達機構等の負荷を接続した状態においてモータの周波数特性を測定することも公知である。周波数特性を解析することによって、伝達機構の共振周波数等の動作特性、応答性、安定性などを診断することができる。
　特許文献３には、ホワイトノイズ（例：正弦波信号）を加えて周波数特性や共振周波数を検出すること、特許文献４には、周波数特性の測定精度を改善すること、が示されている。更に、特許文献５には、ベルトを駆動する診断動作時に、モータの周波数特性（周波数－ゲイン特性）を解析し、共振周波数を含む範囲のデータを機械学習してベルトの張力値を推定すること、が示されている。
特開平１１－２６２９３２号公報 特開平０９－１７８５４６号公報 特開２０００－２７８９９０号公報 特開２０１５－１５８７３４号公報 特開２０２１－０６０３１３号公報
　ベルトの張力を推定する場合、経年劣化や緩みなどが原因でベルトの張力が低下したり、運転に生じる機械本体の振動、ロボット等の周辺設備の運転、空調設備の運転などの外乱の影響を受けたりすると、ベルトの診断動作において検出される値にバラツキがでることがある。
　図８は、ベルトの診断動作において検出されたモータのフィードバックデータの周波数特性を例示する図である。図８において、実線で示されたグラフは新品のベルトを取り付けた直後に診断動作を行った際に検出されたフィードバックデータの周波数特性のグラフである。また、一点鎖線で示されたグラフは使用回数が少ない段階で、２つの点線は経年劣化が見られる段階で、それぞれ検出されたフィードバックデータの周波数特性のグラフである。なお、それぞれの場合において、テンションメータで実測した張力は同値である。図８に示される実線と一点鎖線のグラフのように、通常の状態でベルトの診断動作を行った場合、得られるフィードバックデータの周波数特性が示す波形はほぼ重なったものとなる。これに対して、図８に示される２つの点線のグラフのように、経年劣化が進んだベルトの診断動作において得られるフィードバックデータの周波数特性は、波形にずれが生じるだけでなく、測定するごとにバラツキが生じる。そして、周波数特性にバラつきがでると、周波数特性を解析して得られる共振周波数の値もバラつきが生じる。図８の例において、それぞれの周波数特性における１次***振周波数に対応する極値点Ｋ０～Ｋ３に着目する。このとき、経年劣化が出ていない段階での診断動作から得られた１次***振周波数ｈ０，ｈ１は非常に近しい値となっている。これに対して、経年劣化が出ている段階での診断動作から得られた１次***振周波数ｈ２，ｈ３にはバラツキが生じている。そして、ここから推定されるベルトの張力にもバラツキが生じることになる。
　このように、ベルトの張力の推定精度が悪化したり、正常な状態であるにも関わらず異常と誤判定したりすることがあり、正常／異常の判定精度が悪化する、という問題が生じる。
　そこで、ベルトの張力を異常と誤判定することを低減し、判定精度を向上させること、が望まれている。
　本開示による状態判定装置は、ベルトの張力を診断（物理量の検出及び推定）する際に、診断動作を複数回繰り返し、その際に検出された物理量を記憶しておく。そして、記憶しておいた複数の連続した物理量又はその物理量から推定されるベルトの張力値に基づいて算出した特徴量（例えば、バラツキの度合いを示す分散などの統計量、外れ値に係る統計量）を所定の監視値と比較して、その比較結果に基づいてベルトの張力の正常／異常を判定することで、上記課題を解決する。
　そして、本開示の一態様は、産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定装置であって、前記ベルトを駆動する診断動作を制御する制御部と、前記診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出する検出部と、前記検出部が検出した前記共振周波数または前記***振周波数の内で、連続した複数回の前記診断動作に対応する複数の前記共振周波数または前記***振周波数について、そのバラツキを示す特徴量を少なくとも算出する特徴量算出部と、前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定する判定部と、を備えた状態判定装置である。
　本開示の他の態様は、産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定装置であって、前記ベルトを駆動する診断動作を制御する制御部と、前記診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出する検出部と、前記ベルトの診断動作時に検出された共振周波数または***振周波数と前記ベルトの張力との相関性を機械学習した前記ベルトの張力を推定する学習モデルを記憶する学習モデル記憶部と、前記検出部が検出した共振周波数または***振周波数に基づいて、前記学習モデル記憶部に記憶された前記学習モデルを用いて前記ベルトの張力の推定値を推定する推定部と、前記推定部が推定した前記ベルトの張力の推定値の内で、連続した複数回の前記診断動作に対応する複数の前記推定値について、そのバラツキを示す特徴量を少なくとも算出する特徴量算出部と、前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定する判定部と、を備えた状態判定装置である。
　本開示の他の態様は、産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定方法であって、前記ベルトを駆動する診断動作を制御するステップと、前記診断動作から得られるフィードバックデータを少なくとも取得するステップと、前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出するステップと、前記検出するステップで検出された前記共振周波数または前記***振周波数の内で、連続した複数回の前記診断動作に対応する複数の前記共振周波数または前記***振周波数について、そのバラツキを示す特徴量を少なくとも算出するステップと、前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定する判定するステップと、を実行する状態判定方法である。
　本開示の他の態様は、産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定方法であって、前記ベルトを駆動する診断動作を制御するステップと、前記診断動作から得られるフィードバックデータを少なくとも取得するステップと、前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出するステップと、前記ベルトの診断動作時に検出された共振周波数または***振周波数と前記ベルトの張力との相関性を機械学習した前記ベルトの張力を推定する学習モデルを用いて、前記検出ステップで検出された共振周波数または***振周波数に基づいた前記ベルトの張力の推定値の推定をするステップと、前記推定するステップで推定された前記ベルトの張力の推定値の内で、連続した複数回の前記診断動作に対応する複数の前記推定値について、そのバラツキを示す特徴量を少なくとも算出するステップと、前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定するステップと、を実行する状態判定方法である。
　本開示の一態様により、ベルトの張力が低下してきて、ベルトの張力の推定値にばらつきが生じやすくなる状況においても、バラツキの大きさに基づいて精度よくベルトの張力の異常を判定することが可能となる。
本発明の第１実施形態による状態判定装置の概略的なハードウェア構成図である。 射出成形機の概略的な構成図である。 本発明の第１実施形態による状態判定装置の概略的な機能を示すブロック図である。 速度フィードバックを周波数解析した例を示す図である。 診断動作により検出された１次***振周波数の系列を例示する図である。 本発明の第２実施形態による状態判定装置の概略的なハードウェア構成図である。 本発明の第２実施形態による状態判定装置の概略的な機能を示すブロック図である。 ベルトの診断動作において検出されたモータのフィードバックデータの周波数特性を例示する図である。
　以下、本発明の実施形態を図面と共に説明する。
　図１は本発明の第１実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。本発明の状態判定装置１は、例えば制御用プログラムに基づいて産業機械を制御する制御装置として実装することができる。また、本発明の状態判定装置１は、制御用プログラムに基づいて産業機械を制御する制御装置に併設されたパソコンや、有線／無線のネットワークを介して制御装置と接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７の上に実装することができる。本実施形態では、状態判定装置１を、制御用プログラムに基づいて産業機械としての射出成形機２を制御する制御装置として実装した例を示す。
　本実施形態による状態判定装置１が備えるＣＰＵ１１は、状態判定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って状態判定装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、及び外部から入力された各種データ等が一時的に格納される。
　不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等で構成され、状態判定装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、射出成形機２から取得されたデータ、インタフェース１５を介して外部機器７２から読み込まれた制御用プログラムやデータ、入力装置７１を介して入力された制御用プログラムやデータ、ネットワーク５を介して他の装置から取得された制御用プログラムやデータ等が記憶される。不揮発性メモリ１４に記憶された制御用プログラムやデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種システム・プログラムがあらかじめ書き込まれている。
　インタフェース１５は、状態判定装置１のＣＰＵ１１とＵＳＢ装置等の外部機器７２と接続するためのインタフェースである。外部機器７２側からは、例えば射出成形機２の制御に用いられる制御用プログラムや設定データ等が読み込まれる。また、状態判定装置１内で編集した制御用プログラムや設定データ等は、外部機器７２を介して外部記憶手段に記憶させることができる。ＰＭＣ（プログラマブル・マシン・コントローラ）１６は、ラダープログラムを実行して射出成形機２及び射出成形機２の周辺装置（例えば、金型交換装置や、ロボット等のアクチュエータ、射出成形機２に取付けられているテンションメータや温度センサ、湿度センサ等の複数のセンサ３）にＩ／Ｏユニット１９を介して信号を出力し制御する。また、射出成形機２の本体に配備された操作盤の各種スイッチや周辺装置等の信号を受け、必要な信号処理をした後、ＣＰＵ１１に渡す。
　インタフェース２０は、状態判定装置１のＣＰＵと有線乃至無線のネットワーク５とを接続するためのインタフェースである。ネットワーク５には、工作機械や放電加工機などの他の産業機械４やフォグコンピュータ６、クラウドサーバ７等が接続され、状態判定装置１との間で相互にデータのやり取りを行っている。
　表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、オペレータによる操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。
　射出成形機２が備える軸を制御するための軸制御回路３０はＣＰＵ１１からの軸の移動指令量を受けて、軸の指令をサーボアンプ４０に出力する。サーボアンプ４０はこの指令を受けて、射出成形機２が備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０は位置・速度検出器を内蔵し、この位置・速度検出器からの位置・速度フィードバック信号を軸制御回路３０にフィードバックし、位置・速度のフィードバック制御を行う。なお、図１のハードウェア構成図では軸制御回路３０、サーボアンプ４０、サーボモータ５０は１つずつしか示されていないが、実際には制御対象となる射出成形機２に備えられた軸の数だけ用意される。サーボモータ５０の少なくとも１つは、射出成形機２の所定の軸と動力伝達部としてのベルトと接続されている。
　図２は、射出成形機２の概略構成図である。射出成形機２は、主として型締ユニット４０１と射出ユニット４０２とから構成されている。型締ユニット４０１には、可動プラテン４１６と固定プラテン４１４が備えられている。また、それぞれ可動プラテン４１６には可動側金型４１２が、固定プラテン４１４には固定側金型４１１が取り付けられている。射出成形機２にはサーボモータ５０が取り付けられている。そして、サーボモータ５０を駆動させることで、ベルト４２０、プーリ４２２などの動力伝達手段を介して図示しないボールねじが駆動され、可動プラテン４１６を固定プラテン４１４方向に前進又は後退させることができる。
　一方、射出ユニット４０２は、射出シリンダ４２６と、射出シリンダ４２６に供給する樹脂材料を溜めるホッパ４３６と、射出シリンダ４２６の先端に設けられたノズル４４０とから構成されている。射出ユニット４０２は、図示しないサーボモータを駆動させることで、射出シリンダ４２６を固定プラテン４１４方向に前進又は後退させることができる。
　１つの成形品を製造する成形サイクルでは、型締ユニット４０１で、可動プラテン４１６の移動によって型閉じ・型締めの動作を行い、射出ユニット４０２で、ノズル４４０を固定側金型４１１に押し付けてから射出シリンダ４２６の内に計量された樹脂を金型内に射出する。これらの動作は図示しない状態判定装置１からの指令により制御される。
　また、射出成形機２の各部には図示しないセンサ３が取り付けられており、成形動作の制御に必要な各種物理量が検出される。検出される物理量の例としては、駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダ４２６の温度、樹脂の流量、流速、振動や音などが例示される。検出された物理量は状態判定装置１に送られる。状態判定装置１では、検出された各物理量がＲＡＭ１３や不揮発性メモリ１４などに記憶される。
　射出成形機２に取り付けられているベルト４２０は一般に弾性体が用いられる。弾性体であるベルト４２０を介して駆動する制御対象の出力は、サーボモータ５０からの現在の入力だけでは決定されない。つまり、過去にサーボモータ５０から入力された力がベルト４２０の有する伝達機構（システム）の内に蓄積された結果として出力が決定される。即ち、ベルトの出力は、過去から現在に至るまでのサーボモータ５０からの入力と、そのベルト自身からの出力とを組み合わせた駆動状態の総和（積分）となる。振動動作においては、振動動作の開始からの経過時間までに蓄積されたベルトの駆動状態がベルト４２０の回転状態に影響する。特に、振動動作の後半の時間帯におけるベルト４２０の回転状態に強く影響して、ベルト４２０の回転状態を不安定にする。その結果、診断動作時に検出される物理量に乱れが生じ、そこから推定されるベルトの張力値の精度を悪化させる。
　図３は、本発明の第１実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、図１に示した状態判定装置１が備えるＣＰＵ１１がシステム・プログラムを実行し、状態判定装置１の各部の動作を制御することにより実現される。
　本実施形態の状態判定装置１は、制御部１１０、データ取得部１２０、検出部１３０、特徴量算出部１５０、判定部１６０を備える。状態判定装置１のＲＡＭ１３乃至不揮発性メモリ１４には、予め射出成形機２が備えるサーボモータ５０を制御するための制御用プログラム２００が記憶されており、また、データ取得部１２０がサーボモータ５０やセンサ３等から取得したデータを記憶するための領域として取得データ記憶部２１０、検出部１３０が検出した共振周波数または***振周波数の履歴を記憶するための領域である検出値記憶部２２０が予め用意されている。
　制御部１１０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、軸制御回路３０、ＰＭＣ１６を用いた射出成形機２の各部の制御処理、インタフェース１８を介した入出力処理が行われることで実現される。制御部１１０は、制御用プログラム２００のブロックを解析し、その解析結果に基づいて射出成形機２の各部を制御する。制御部１１０は、例えば制御用プログラム２００のブロックが射出成形機２の各軸を駆動させるように指令している場合には、ブロックによる指令に従って移動指令データを生成してサーボモータ５０に対して出力する。また、制御部１１０は、例えば制御用プログラム２００のブロックが射出成形機２に取り付けられたセンサ３等の周辺装置を動作させるように指令している場合には、該周辺装置を動作させる所定の信号を生成してＰＭＣ１６に出力する。その他にも、制御部１１０は、樹脂の射出などの射出成形機２の制御に係る一般的な指令を制御用プログラム２００のブロックによる指令に従って射出成形機２に対して出力することができる。一方で、制御部１１０は、サーボモータ５０の位置フィードバック、速度フィードバック、トルクフィードバックや、温度センサや湿度センサ等のセンサ３が検出した物理量データを取得し、データ取得部１２０へと出力する。
　制御用プログラム２００は、予めベルトを駆動するサーボモータ５０を所定の範囲の回転数（周波数）でスイープ動作させる指令をするブロックを含む。また、制御用プログラム２００は、スイープ動作中のサーボモータ５０の位置フィードバック、速度フィードバックやトルクフィードバックを時系列データとして取得する指令をするブロックを含み、更に、スイープ動作の開始時、スイープ動作中及びスイープ動作終了時の少なくともいずれかにおけるセンサ３により検出されたデータの取得を指令するブロックを含む。
　データ取得部１２０は、射出成形機２の動作時においてサーボモータ５０から取得される位置フィードバック、速度フィードバック、トルクフィードバックなどのフィードバックデータや、センサ３が検出した室温や、プラテン等の駆動装置の振動、ベルトの走行音などの物理量データを取得し、取得データ記憶部２１０に記憶する。データ取得部１２０が取得する位置フィードバック、速度フィードバック、トルクフィードバックなどのフィードバックデータは、時系列データである。データ取得部１２０が取得する物理量データは、所定のタイミングで取得されるデータ値であってもよい。なお、データ取得部１２０は、ネットワーク５を介して他の産業機械４から当該産業機械４で検出されたデータを取得してもよい。また、オペレータが入力装置７１から入力したデータや、外部機器７２を介して入力されたデータを取得するようにしてもよい。
　検出部１３０は、データ取得部１２０が取得したデータから、その周波数特性を示す周波数応答データを算出する。そして、算出した周波数応答データを解析することで、周波数応答データの極値点を検出する。極値点は、その点の近傍において局所的に最大値（極大値）又は最小値（極小値）を取る点である。検出した極値点の周波数は共振周波数または***振周波数の候補となる。例えば、極大値となる周波数は共振周波数の候補となり、極小値となる周波数は***振周波数の候補となる。検出部１３０は、検出した極値点の周波数（共振周波数、***振周波数）を検出値として検出値記憶部２２０に逐次記憶する。
　検出部１３０は、例えば、取得データ記憶部２１０に記憶されるサーボモータ５０のフィードバックデータを周波数解析して得られた周波数－ゲイン特性を示す周波数応答データを算出する。周波数応答データは、所定の範囲の周波数の範囲における値を所定の周波数周期でサンプリングしたデータであってよい。図４は、速度フィードバックを周波数解析した例を示す図である。図４の例では、極値点Ｐ０，Ｐ１，Ｐ２，…が検出され、極大値を黒丸、極小値を白丸で示している。図４では、周波数ｆａの位置にゲインの第１の極小値、周波数ｆｂの位置に第１の極大値、周波数ｆｃの位置に第２の極小値、周波数ｆｄの位置に第２の極大値、他にもいくつかの極値が、それぞれ検出されている。検出部１３０は、周波数応答データの値の変化を解析して、このような極大値及び極小値を検出する。検出部１３０は、周波数特性を示す周波数応答データから極値を検出する際に、ノイズ等を除去するために該周波数応答データに対して移動平均、局所回帰などの平準化を行うようにしてもよい。なお、周波数応答データは、周波数－位相特性を示す周波数応答データであってもよい。
　特徴量算出部１５０は、検出値記憶部２２０に記憶された診断動作時に検出された検出値（共振周波数または***振周波数）の内で、連続する複数回の診断動作に対応する複数の共振周波数または***振周波数を読み出し、読み出した複数の共振周波数または***振周波数の組に基づいて特徴量を算出する。特徴量算出部１５０が算出する特徴量は、検出値のバラツキを示す特徴量、または検出値の内の外れ値に係る特徴を示すものであってよい。検出値のバラツキを示す特徴量としては、例えば分散値や標準偏差値、平均偏差、変動係数などが例示される。また、外れ値に係る特徴量としては、所定の基準値（加重平均、相加平均、重み付き調和平均、刈り込み平均、二乗和平均平方根、最頻値、加重中央値など）と各検出値の差分の絶対値の最大値である最大外れ量や、所定の閾値以上の外れ値の頻度などが例示される。
　図５は、複数回の診断動作において検出された検出値としての１次***振周波数をプロットしたグラフである。グラフの横軸は、診断動作を行った回数である。図５では、説明を簡単にするために、ベルトの張力の診断時に診断動作を３回連続して行い、３回分を１組としてベルトの張力の診断を行う例を示している。図５のグラフでは、診断回数１回目、２回目、…において検出された１次***振周波数をそれぞれ、点Ｐｆ1，点Ｐｆ2，…としてプロットしている。また、それぞれの検出された１次***振周波数はｆ1，ｆ2，…であるとする。この例では、特徴量算出部１５０が連続する３回の診断動作毎に特徴量を算出する。この場合、最初の診断時に３回分の診断動作を行った時点で、特徴量算出部１５０は検出された１次***振周波数の組（ｆ1，ｆ2，ｆ3）の分散値や標準偏差値を算出して出力する。そして、次の診断時に更に３回分の診断動作を行った時点で検出された１次***振周波数の組（ｆ4，ｆ5，ｆ6）の分散値、次の診断時に検出された１次***振周波数の組（ｆ7，ｆ8，ｆ9）の分散値、…といったように、バラツキに係る特徴量を算出する。また、同様に、最初の診断時に３回分の診断動作を行った時点で、特徴量算出部１５０は検出された１次***振周波数の組（ｆ1，ｆ2，ｆ3）における最大外れ量や外れ値の頻度、次の診断時に検出された１次***振周波数の組（ｆ4，ｆ5，ｆ6）における最大外れ量や外れ値の頻度、といったように、外れ値に係る特徴量を算出する。なお、特徴量の算出に用いる検出値は、１次共振周波数であってもよいし、２次以降の共振周波数または***振周波数であってもよい。
　判定部１６０は、特徴量算出部１５０が算出した特徴量に基づいてベルトの張力の状態を判定し、その判定結果を出力する。判定部１６０は、例えば特徴量算出部１５０が算出した検出値の分散値が、予め定めた所定の監視値Ｖthを超える場合に、ベルトの張力に異常が生じていると判定するようにしてもよい。また、判定部１６０は、例えば特徴量算出部１５０が算出した検出値の最大外れ量が、予め定めた所定の監視値Ｏthを超える場合に、ベルトの張力に異常が生じていると判定するようにしてもよい。監視値は、それぞれの特徴量ごとに設定されていてよい。１つの特徴量に対して複数の段階で監視値が設定されていてよい。更に、判定部１６０は、複数の種類の特徴量を組み合わせた判定をするようにしてもよい。例えば、判定部１６０は、検出値の最大外れ量が所定の監視値Ｏth1以下の場合には、検出値の外れ値の頻度が所定の監視値Ｏｆth1以下であればベルトの異常と判定しないが、検出値の最大外れ量が所定の監視値Ｏth1以上の場合には、検出値の外れ値の頻度に関わらずベルトの異常と判定する、といったように複合的な判定をするようにしてよい。このような判定を行うようにすることで、例えば検出値に単発の外れ値が生じた場合、その外れ度合いが大きなものでなければ、一時的な外乱の影響で誤った検出値が出力されたものとして異常とはみなさない、といった柔軟な判定をすることができる。
　判定部１６０による判定結果は、例えば表示装置７０に表示出力しても良い。また、ネットワーク５を介して監視端末等のパソコンやフォグコンピュータ６やクラウドサーバ７に送信出力するようにしても良い。また、ベルトの張力が異常であるという判定結果が出た場合には、ベルトの張力が異常であることを検知したことを示すアラートを出力したり、射出成形機２の運転の停止、減速、原動機の駆動トルクを制限する信号を出力したり、警告灯の点灯などをするようにしてもよい。
　上記構成を備えた本実施形態による状態判定装置１は、ベルトの張力が低下してきて、ベルトの診断動作で得た検出値にばらつきが生じやすくなる状況においても、バラツキを示す特徴量（例えば、分散値、標準偏差値）の大きさに基づいて精度よくベルトの張力の異常を判定することが可能となる。ベルトの張力が設計時の規定範囲内（下限～上限）であったとしても、ベルトの張力が規定範囲（下限）に近づくにつれ、生産に支障が生じないレベルだが、ベルトの回転状態が暴れるため、診断動作で得られる周波数特性が乱れる現象が生じる。この現象は、ベルトは弾性体であるため、ベルトが駆動されている状態において、（１）ベルトの回転状態は過去から現在に至るまでのモータからの入力と、そのベルト自身からの出力とを組み合わせた駆動状態の総和がベルトの振動動作（スイープ動作）に影響すること、（２）ベルトが緩むとベルトの歯や、駆動装置が備えるプーリやボールネジなどの部品の噛み合い具合が変動すること、によって生じる。診断動作より得た周波数特性が乱れると、周波数特性より検出される検出値がバラつくため、従来手法（例えば、ベルトの張力の推定値など診断に用いる検出値と閾値の大小関係で判定）ではベルトの正常または異常を誤判定する課題があった。本実施形態の状態判定装置１では、連続した複数回の診断動作において取得された物理量に対応した複数の検出値より算出した特徴量（例えば、分散値、標準偏差値）を用いて正常または異常を判定することによって、検出値のバラつきが大きい場合は異常、バラつきが小さい場合は正常と判定することによって、検出値がバラつく状況であっても正常または異常の判定を精度良く行うことができる。そのため、バラツキの大きいベルトの張力の推定値など診断に用いる検出値からそのままベルトの張力の異常を判定するやり方と比較して判定精度の向上が見込まれる。
　また、上記構成を備えた本実施形態による状態判定装置１は、一時的な外乱の影響で誤ったベルトの張力の推定値が出力されるような状況においても、直ぐにはベルトの張力の異常と判定せずに機械の運転を継続するため、生産のダウンタイムを低減することが可能となる。診断動作（スイープ動作）が外乱を受けると、フィードバックデータが乱れ、検出値が突発的に外れ値（イレギュラーな値）となり、そこから推定されるベルトの張力も外れ値となる。その後、外乱の影響が無くなると、検出値は正常な値に戻る。本実施形態による状態判定装置１では、判定に用いる特徴量として最頻値や加重中央値を用いて、複数の検出値の内の外れ値を識別し、外れ値と監視値を比較して正常異常の判定を精度良く行うことができる。また、突発的な外れ値は一時的な外乱の影響を受けた誤った検出値の可能性があるため、突発的な外れ値が生じても直ぐにはベルトの張力の異常と判定せずに機械の運転を継続することによって、チョコ停を抑制し、生産のダウンタイムを低減できる。外乱が継続して機械の運転に影響がでる状態や、ベルトの回転が不安定な状態においては、外れ値が頻繁に生じるが、本実施形態による状態判定装置１では、このように外れ値が頻繁に生じる場合には、機械の運転を停止したり、ベルトの回転速度やトルクを低減して、機械が損傷したり、歩留まりが悪化することを防ぐことができる。このように、ベルトの診断動作時の検出値に外れ値が含まれている場合であっても、外れ値を異常と誤判定することを低減し、正常または異常の判定精度を向上することが見込まれる。
　図６は本発明の第２実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。本発明の状態判定装置１は、産業機械としての射出成形機２に取り付けられているベルトを所定の範囲の回転数（周波数）でスイープ動作させた際に得られた周波数応答データと、ベルトの張力との相関性を学習する。また、その学習結果としての学習モデルを用いてベルトの張力を推定する。本実施形態による状態判定装置は、機械学習装置を備えている点を除いて、第１実施形態による状態判定装置と同様の構成を備える。
　本実施形態による状態判定装置１が備えるインタフェース２１は、ＣＰＵ１１と機械学習装置３００とを接続するためのインタフェースである。機械学習装置３００は、機械学習装置３００全体を統御するプロセッサ３０１と、システム・プログラム等を記憶したＲＯＭ３０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ３０３、及び学習モデル等の記憶に用いられる不揮発性メモリ３０４を備える。機械学習装置３００は、インタフェース２１を介して状態判定装置１で取得可能な各情報（例えば、サーボモータ５０の動作状態を示すデータ、図示しない温度センサや湿度センサのセンサ３の観測値等）を観測することができる。また、状態判定装置１は、機械学習装置３００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対してネットワーク５等を介して送信する。
　図７は、本発明の第２実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、図６に示した状態判定装置１が備えるＣＰＵ１１と、機械学習装置３００が備えるプロセッサ３０１とがシステム・プログラムを実行し、状態判定装置１及び機械学習装置３００の各部の動作を制御することにより実現される。
　本実施形態の状態判定装置１は、制御部１１０、データ取得部１２０、検出部１３０、張力推定部１４０、特徴量算出部１５０、判定部１６０を備える。また、状態判定装置１のＲＡＭ１３乃至不揮発性メモリ１４には、予め射出成形機２が備えるサーボモータ５０を制御するための制御用プログラム２００が記憶されており、また、データ取得部１２０がサーボモータ５０やセンサ３等から取得したデータを記憶するための領域として取得データ記憶部２１０、張力推定部１４０が推定したベルトの張力の推定値の履歴を記憶するための領域である推定値記憶部２３０が予め用意されている。
　本実施形態による張力推定部１４０は、機械学習装置３００の上に実装される。張力推定部１４０は、学習部１４２、推定部１４４を備える。また、機械学習装置３００のＲＡＭ３０３乃至不揮発性メモリ３０４上には、学習モデルを記憶するための領域である学習モデル記憶部１４８が予め用意されている。
　本実施形態による制御部１１０、データ取得部１２０、検出部１３０は、第１実施形態による制御部１１０、データ取得部１２０、検出部１３０と同様の機能を備える。
　本実施形態による張力推定部１４０は、検出部１３０が検出した極値点の周波数（共振周波数または***振周波数）に基づいて、射出成形機２に取り付けられているベルトの張力値の学習及び推定を行う。
　学習部１４２は、検出部１３０が検出した極値点の周波数群（共振周波数または***振周波数）を入力データ、実際に測定されたベルトのテンション値に基づいて算出されるベルトの張力を出力データとした学習データ（教師データ）を用いた機械学習を行うことで学習モデルを生成または更新し、生成または更新した学習モデルを学習モデル記憶部１４８に記憶する。ここで学習に用いる入力データとしては、１次***振周波数のみを用いてもよいし、更に１次共振周波数を追加したり、２次以降の共振周波数または***振周波数を追加してもよい。また、ベルトの張力として学習に用いる出力データは、入力装置７１を介してデータ取得部１２０が取得した値としてもよい。例えば、オペレータが音波式ベルト張力計等のテンションメータを用いて測定したベルトのテンション値を入力装置７１に入力して得た値を学習に用いる出力データとしてもよい。また、例えば制御部１１０が所定のセンサ（テンションメータ）により自動的に取得したベルトの張力をデータ取得部１２０が取得して得た値を学習に用いる出力データとしてもよい。
　学習部１４２が行う機械学習は公知の教師あり学習である。学習部１４２が生成または更新する学習モデルは、入力データとしての極値点の周波数群に対する出力データとしてのベルトの張力値の相関性を学習したものとなる。学習部１４２が作成する学習モデルとしては、例えばｍｕｌｔｉｌａｙｅｒ　ｐｅｒｃｅｐｔｒｏｎ、ｒｅｃｕｒｒｅｎｔ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ、Ｌｏｎｇ　Ｓｈｏｒｔ－Ｔｅｒｍ　Ｍｅｍｏｒｙ、ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ等のニューラルネットワークが挙げられる。また、線形回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰、ＥｌａｓｔｉｃＮｅｔ回帰、多項式回帰、重回帰等の機械学習を用いてベルトの張力を推定する学習モデルとしてもよい。回帰による学習モデルは構成が単純であり、プロセッサ３０１の計算負荷が小さい利点がある。一方ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ等のディープラーニングによる学習モデルは、ベルトの張力の推定精度が上がる効果が期待できる。
　推定部１４４は、検出部１３０が検出した極値点の周波数群（共振周波数または***振周波数）を入力データとして、学習モデル記憶部１４８に記憶されている学習モデルを用いたベルトの張力の推定処理を実行し、その推定結果を出力する。推定部１４４が行う推定処理は、学習部１４２により作成された学習モデルを用いた推定処理である。例えば、学習モデル記憶部１４８に記憶される学習モデルがニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ）として作成されている場合、推定部１４４は、極値点の周波数群のデータをニューラルネットワークに入力し、その出力であるベルトの張力の推定値を推定結果として出力する。推定部１４４が出力したベルトの張力の推定値の履歴は、推定値記憶部２３０に逐次記憶される。
　本実施形態による特徴量算出部１５０は、推定値記憶部２３０に記憶されたベルトの張力の推定値の内で、連続する複数回の診断動作に対応する複数の張力の推定値を呼び出し、呼び出した複数の張力の推定値の組に基づいて特徴量を算出する。特徴量算出部１５０が算出する特徴量は、推定値のバラツキを示す特徴量、または推定値の内の外れ値に係る特徴を示すものであってよい。推定値のバラツキを示す特徴量としては、例えば分散値や標準偏差値、平均偏差、変動係数などが例示される。また、外れ値に係る特徴量としては、所定の基準値（加重平均、相加平均、重み付き調和平均、刈り込み平均、二乗和平均平方根、最頻値、加重中央値など）と各推定値の差分の絶対値の最大値である最大外れ量や、所定の閾値以上の外れ値の頻度などが例示される。
　本実施形態による判定部１６０は、特徴量算出部１５０が算出した特徴量に基づいてベルトの張力の状態を判定し、その判定結果を出力する。判定部１６０は、例えば特徴量算出部１５０が算出した推定値の分散値が、予め定めた所定の監視値Ｖth2を超える場合に、ベルトの張力に異常が生じていると判定するようにしてもよい。また、判定部１６０は、例えば特徴量算出部１５０が算出した最大外れ量が、予め定めた所定の監視値Ｏth2を超える場合に、ベルトの張力に異常が生じていると判定するようにしてもよい。監視値は、それぞれの特徴量ごとに設定されていてよい。１つの特徴量に対して複数の段階で監視値が設定されていてよい。更に、判定部１６０は、複数の種類の特徴量を組み合わせた判定をするようにしてもよい。
　判定部１６０による判定結果は、例えば表示装置７０に表示出力しても良い。また、ネットワーク５を介して監視端末等のパソコンやフォグコンピュータ６やクラウドサーバ７に送信出力するようにしても良い。また、ベルトの張力が異常であるという判定結果が出た場合には、ベルトの張力が異常であることを検知したことを示すアラートを出力したり、射出成形機２の運転の停止、減速、原動機の駆動トルクを制限する信号を出力したり、警告灯の点灯などをするようにしてもよい。
　上記構成を備えた本実施形態による状態判定装置１は、ベルトの張力が低下してきて、ベルトの張力の推定値にばらつきが生じやすくなる状況においても、バラツキを示す特徴量の大きさに基づいて精度よくベルトの張力の異常を判定することが可能となる。また、上記構成を備えた本実施形態による状態判定装置１は、一時的な外乱の影響で誤ったベルトの張力の推定値が出力された場合であっても、直ぐにはベルトの異常と判定せずに機械の運転を継続するため、生産のダウンタイムを低減することが可能となる。
　以上、本発明の実施形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
　上記した実施形態では、ベルトを備えた産業機械として射出成形機を例として説明しているが、ベルトを用いて動力を伝達する構成を備えた産業機械であれば、他の産業機械に対して本願発明を用いても好適に動作する。
　また、機械学習の技術を用いる場合には、対象となる機械の属性に応じて、複数の学習モデルを揃えるとよい。例えば、機械の種類やベルトの種類、モータの種類ごとに個別に学習した学習モデルを作成し、ベルトの張力を推定する際に適宜使い分けることで、推定の精度の向上が見込まれる。
　上記した実施形態では、状態判定装置１を射出成形機２を制御する制御装置上に実装した例を示しているが、例えばフォグコンピュータ６やクラウドサーバ７の上に実装し、ネットワーク５を介して産業機械４からデータを取得し、取得したデータに基づいて推定処理や学習処理を行うように構成してもよい。このように構成する場合、各産業機械４からの要求に基づいて、制御部１１０は周波数スイープ動作を産業機械４に指令し、その指令に基づいて行われた診断動作中に取得されたデータに基づいた推定処理や学習処理を行う。推定結果は産業機械４に対して送信され、各産業機械４はその結果に応じた動作をする。
　　　１　状態判定装置
　　　２　射出成形機
　　　３　センサ
　　　４　産業機械
　　　５　ネットワーク
　　　６　フォグコンピュータ
　　　７　クラウドサーバ
　　１１　ＣＰＵ
　　１２　ＲＯＭ
　　１３　ＲＡＭ
　　１４　不揮発性メモリ
　　１５，１７，１８，２０，２１　インタフェース
　　２２　バス
　　７０　表示装置
　　７１　入力装置
　　７２　外部機器
　１１０　制御部
　１２０　データ取得部
　１３０　検出部
　１４０　張力推定部
　１４２　学習部
　１４４　推定部
　１４８　学習モデル記憶部
　２００　制御用プログラム
　２１０　取得データ記憶部
　２２０　検出値記憶部
　２３０　推定値記憶部
　３００　機械学習装置
　３０１　プロセッサ
　３０２　ＲＯＭ
　３０３　ＲＡＭ
　３０４　不揮発性メモリ
　４０１　型締ユニット
　４０２　射出ユニット
　４１１　固定側金型
　４１２　可動側金型
　４１４　固定プラテン
　４１６　可動プラテン
　４２０　ベルト
　４２２　プーリ
　４２６　射出シリンダ
　４３６　ホッパ
　４４０　ノズル

Claims (14)

  1. 　産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定装置であって、
    　前記ベルトを駆動する診断動作を制御する制御部と、
    　前記診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、
    　前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出する検出部と、
    　前記検出部が検出した前記共振周波数または前記***振周波数の内で、連続した複数回の前記診断動作に対応する複数の前記共振周波数または前記***振周波数について、そのバラツキを示す特徴量を少なくとも算出する特徴量算出部と、
    　前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定する判定部と、
    を備えた状態判定装置。
  2. 　産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定装置であって、
    　前記ベルトを駆動する診断動作を制御する制御部と、
    　前記診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、
    　前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出する検出部と、
    　前記ベルトの診断動作時に検出された共振周波数または***振周波数と前記ベルトの張力との相関性を機械学習した前記ベルトの張力を推定する学習モデルを記憶する学習モデル記憶部と、
    　前記検出部が検出した共振周波数または***振周波数に基づいて、前記学習モデル記憶部に記憶された前記学習モデルを用いて前記ベルトの張力の推定値を推定する推定部と、
    　前記推定部が推定した前記ベルトの張力の推定値の内で、連続した複数回の前記診断動作に対応する複数の前記推定値について、そのバラツキを示す特徴量を少なくとも算出する特徴量算出部と、
    　前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定する判定部と、
    を備えた状態判定装置。
  3. 　前記診断動作は、周波数スイープ動作である、
    請求項１または２に記載の状態判定装置。
  4. 　前記フィードバックデータは、ベルトに係る速度または位置またはトルクのいずれかであり、
    　前記周波数特性は、周波数－ゲイン特性または周波数－位相特性のいずれかである、
    請求項１または２に記載の状態判定装置。
  5. 　前記検出部が検出した共振周波数または***振周波数と、前記ベルトの張力との相関性を機械学習して前記ベルトの張力を推定する学習モデルを生成または更新する学習部を更に備える、
    請求項２に記載の状態判定装置。
  6. 　前記データ取得部は、更に前記診断動作を行った際の前記ベルトの張力の測定値を取得し、
    　前記学習部は、共振周波数または***振周波数を入力データ、前記データ取得部が取得した前記ベルトの張力の測定値を出力データとして含む学習データに基づいて、教師あり学習によって前記学習モデルを生成する、
    請求項５に記載の状態判定装置。
  7. 　前記教師あり学習によって生成される学習モデルは、線形回帰モデル、Ｌａｓｓｏ回帰モデル、Ｒｉｄｇｅ回帰モデル、ＥｌａｓｔｉｃＮｅｔ回帰モデル、多項式回帰モデル、重回帰モデル、ニューラルネットワークモデル、のいずれか１つである、
    請求項６に記載の状態判定装置。
  8. 　前記特徴量算出部が算出する前記バラツキを示す特徴量は、分散、標準偏差、平均偏差、変動係数のいずれかの統計処理をすることで算出された統計量である、
    請求項１または２に記載の状態判定装置。
  9. 　前記特徴量算出部は、加重平均、相加平均、重み付き調和平均、刈り込み平均、二乗和平均平方根、最頻値、加重中央値、のいずれかの統計処理をすることで算出された統計量を基準値とした最大外れ量、または外れ値の頻度を、外れ値に係る特徴量として更に算出する、
    請求項１または２に記載の状態判定装置。
  10. 　前記判定部がベルトの張力の異常と判定した場合、前記産業機械の運転を停止、減速、または前記産業機械を駆動する原動機の駆動トルクを制限する信号のうち少なくともいずれかを出力する、
    請求項１または２に記載の状態判定装置。
  11. 　前記データ取得部は、有線または無線のネットワークを介して接続され複数の産業機械からデータを取得する、
    請求項１または２に記載の状態判定装置。
  12. 　前記産業機械と有線又は無線のネットワークを介して接続された上位装置上に実装されている、
    請求項１または２に記載の状態判定装置。
  13. 　産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定方法であって、
    　前記ベルトを駆動する診断動作を制御するステップと、
    　前記診断動作から得られるフィードバックデータを少なくとも取得するステップと、
    　前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出するステップと、
    　前記検出するステップで検出された前記共振周波数または前記***振周波数の内で、連続した複数回の前記診断動作に対応する複数の前記共振周波数または前記***振周波数について、そのバラツキを示す特徴量を少なくとも算出するステップと、
    　前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定する判定するステップと、
    を実行する状態判定方法。
  14. 　産業機械が備える動力を伝達するベルトの張力の異常を検知する状態判定方法であって、
    　前記ベルトを駆動する診断動作を制御するステップと、
    　前記診断動作から得られるフィードバックデータを少なくとも取得するステップと、
    　前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出して、それぞれの極値点における周波数を共振周波数または***振周波数として検出するステップと、
    　前記ベルトの診断動作時に検出された共振周波数または***振周波数と前記ベルトの張力との相関性を機械学習した前記ベルトの張力を推定する学習モデルを用いて、前記検出するステップで検出された共振周波数または***振周波数に基づいた前記ベルトの張力の推定値の推定をするステップと、
    　前記推定するステップで推定された前記ベルトの張力の推定値の内で、連続した複数回の前記診断動作に対応する複数の前記推定値について、そのバラツキを示す特徴量を少なくとも算出するステップと、
    　前記特徴量と所定の監視値を比較し、その比較結果に基づいて前記ベルトの張力の異常と判定するステップと、
    を実行する状態判定方法。
PCT/JP2021/031224 2021-08-25 2021-08-25 状態判定装置及び状態判定方法 WO2023026416A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/031224 WO2023026416A1 (ja) 2021-08-25 2021-08-25 状態判定装置及び状態判定方法
JP2021566979A JP7011106B1 (ja) 2021-08-25 2021-08-25 状態判定装置及び状態判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/031224 WO2023026416A1 (ja) 2021-08-25 2021-08-25 状態判定装置及び状態判定方法

Publications (1)

Publication Number Publication Date
WO2023026416A1 true WO2023026416A1 (ja) 2023-03-02

Family

ID=80678876

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/031224 WO2023026416A1 (ja) 2021-08-25 2021-08-25 状態判定装置及び状態判定方法

Country Status (2)

Country Link
JP (1) JP7011106B1 (ja)
WO (1) WO2023026416A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0577299A (ja) * 1991-05-22 1993-03-30 Niigata Eng Co Ltd 電動射出成形機のベルト異常検出装置
JPH11294181A (ja) * 1998-04-10 1999-10-26 Nippon Soken Inc ベルト張力低下判定装置
JP2012021948A (ja) * 2010-07-16 2012-02-02 Chugoku Electric Power Co Inc:The ベアリング診断方法
JP2020038172A (ja) * 2018-09-05 2020-03-12 富士電機株式会社 機械診断装置及び機械診断プログラム
WO2020183975A1 (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム
JP2021076395A (ja) * 2019-11-05 2021-05-20 ファナック株式会社 診断装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0577299A (ja) * 1991-05-22 1993-03-30 Niigata Eng Co Ltd 電動射出成形機のベルト異常検出装置
JPH11294181A (ja) * 1998-04-10 1999-10-26 Nippon Soken Inc ベルト張力低下判定装置
JP2012021948A (ja) * 2010-07-16 2012-02-02 Chugoku Electric Power Co Inc:The ベアリング診断方法
JP2020038172A (ja) * 2018-09-05 2020-03-12 富士電機株式会社 機械診断装置及び機械診断プログラム
WO2020183975A1 (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム
JP2021076395A (ja) * 2019-11-05 2021-05-20 ファナック株式会社 診断装置

Also Published As

Publication number Publication date
JPWO2023026416A1 (ja) 2023-03-02
JP7011106B1 (ja) 2022-01-26

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP6787971B2 (ja) 状態判定装置及び状態判定方法
US10981315B2 (en) State determination device
JP7332438B2 (ja) 診断装置
JP7425094B2 (ja) 診断装置
CN110920009B (zh) 状态判定装置以及状态判定方法
JP2020128014A (ja) 状態判定装置及び状態判定方法
JP2019148971A (ja) 異常要因特定装置
US11892814B2 (en) Diagnostic device and machine learning device
WO2023026416A1 (ja) 状態判定装置及び状態判定方法
JP2020128013A (ja) 状態判定装置及び状態判定方法
WO2023026419A1 (ja) 制御装置及び制御方法
WO2023026411A1 (ja) 状態判定装置及び状態判定方法
WO2022075181A1 (ja) 状態判定装置及び状態判定方法
CN111936278B (zh) 机器人控制装置、维护管理方法以及计算机可读存储介质
US20230367304A1 (en) State determination device and state determination method
WO2022075242A1 (ja) 状態判定装置及び状態判定方法
US20240028020A1 (en) State determination device and state determination method
JP2020040137A (ja) 異常判定装置及び異常判定方法
WO2023053453A1 (ja) 制御装置及び制御方法
JP5815451B2 (ja) 周波数特性の管理機能を有する射出成形機の管理装置
JP7184997B2 (ja) 状態判定装置及び状態判定方法
WO2024089851A1 (ja) 判定装置及び判定方法
US20230405902A1 (en) State determination device and state determination method
TW202326327A (zh) 動力傳達機構之管理裝置、動力傳達機構之管理方法及管理系統

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021566979

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 21955030

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE