CN107272586A - 机械学习装置、机械学习方法、故障预知装置及系统 - Google Patents

机械学习装置、机械学习方法、故障预知装置及系统 Download PDF

Info

Publication number
CN107272586A
CN107272586A CN201710229453.5A CN201710229453A CN107272586A CN 107272586 A CN107272586 A CN 107272586A CN 201710229453 A CN201710229453 A CN 201710229453A CN 107272586 A CN107272586 A CN 107272586A
Authority
CN
China
Prior art keywords
motor
main shaft
failure
data
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710229453.5A
Other languages
English (en)
Other versions
CN107272586B (zh
Inventor
神谷洋平
山田泰生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN107272586A publication Critical patent/CN107272586A/zh
Application granted granted Critical
Publication of CN107272586B publication Critical patent/CN107272586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/02—Details or accessories of testing apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2696—Wheels, Gears, Bearings
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37616—Use same monitoring tools to monitor tool and workpiece

Abstract

本发明涉及机械学习装置、机械学习方法、故障预知装置及系统。机械学习装置(5)学习机床(2)的主轴(212)或驱动主轴的电动机(214)的故障预知，其具备：状态观测部(52)，其观测状态变量，该状态变量包含以下输出数据中的至少一个：控制所述电动机的电动机控制装置(3)的输出数据、检测所述电动机状态的检测器(11)的输出数据、以及测定所述主轴或所述电动机的状态的测定器(12)的输出数据；判定数据取得部(51)，其取得判定所述主轴或所述电动机有无故障或故障程度的判定数据；以及学习部(53)，其按照基于所述状态变量及所述判定数据的组合而制成的数据集，来学习所述主轴或所述电动机的故障预知。

Description

机械学习装置、机械学习方法、故障预知装置及系统
技术领域
本发明涉及学习主轴或驱动主轴的电动机的故障预知的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统。
背景技术
机床的主轴或驱动该主轴的主轴电动机(电动机)的故障原因大多是由主轴或电动机的轴承劣化或损坏所引起。这里，若在主轴完全故障的状态下使用机床，则例如使工件的加工精度下降从而产生不合格品。另外，若主轴恢复花费时间，则将使机床产生较大的中断时间(停止时间)，从而造成机床的工作效率下降。
因此，在主轴完全故障之前检知该征兆(劣化)，例如，如果运行修理主轴等的合适装置，则可以削减(缩短)中断时间并提高机床的工作效率。过去，作为检知主轴异常的方法，例如已知测量主轴或电动机的振动恶化、或通过检知异常声音来检测主轴异常。
例如，在日本特开2005-074545号公报中公开了一种机床的状态监视装置，这里，接受主轴旋转指令和进给轴驱动指令，并使用AE传感器、放大器及带通滤波器来测量振动数据。并且，记载有以下内容：在电平计数电路中对该测量出的振动数据超过由主轴旋转信息求出的阈值的数量进行计数，并对该计数值与警报等级进行比较来判断主轴的状态，如果有需要则在警报显示器上显示警报。
另外，在日本特开2001-259972号公报中公开了一种用于机床的磁轴承装置，这里记载有以下内容：通过设置检测主轴振动的振动检测单元、提取振动检测单元的输出信号中的与主轴旋转同步的振动成分的频率特性可变滤波器、将所提取的信号的频率特性可变滤波器的输出信号的电平超过规定电平的状态判定为异常状态的判定单元，由此能够自动检测工具布置的安装不良或旋转不良等异常状态，从而能够减低工件的加工劣化。
进而，在日本特开昭63-123105号公报中公开了一种对正常状态的机器人的基准动作模式与运转中的机器人的动作模式进行比较，从而预知机器人故障的故障预知诊断方法。
并且，在日本特开平10-039908号公报中公开了一种故障预知方法，其通过对基于驱动轴的实际动作状态的负载侧的功率与基于针对驱动轴的动作指令的驱动侧的功率之间的差、以及判定值进行比较，由此评价机器人机构部有无劣化及劣化等级。
此外，在本说明书中，“机床”这个词，不只是指通过工业用机器人或计算机数值控制(CNC：Computer Numerical Control)装置控制的工业机械，还包括服务用机器人或各种机械装置。
例如，为了检测机床主轴的振动，需要在电动机或主轴上安装振动测量器等，但是在通过手动测量振动的情况下，作业员等持有该振动测量器，必须定期测量机床各部的振动，这对作业员将形成较大负担。另一方面，虽然也可以考虑通过振动传感器等来自动测量主轴的振动，但是此时，需要将该振动传感器始终安装在主轴上，将造成机床的成本增加。
另外，例如在通过听取主轴异常声音来检知异常的情况下，通过人的听觉定期检查各个机床的异常声音，对于作业员仍将造成较大的工作量。另一方面，虽然也可以考虑使用麦克风等自动检测异常声音，但是通常来说，由于机床所设置的工厂内噪声较大，因此不容易适当检测异常声音，而且，也将花费设置麦克风所需要的费用。
另外，近年来伴随着机床的复杂化和高度化，造成故障的主要原因也呈复杂化，从而也难以对机床的主轴或驱动主轴的电动机形成故障预知。即，在按照一定基准执行的故障预知方法中，有时无法适用于实际状况、或者欠缺准确性，从而寻求一种可以根据状况来进行准确的故障预知的技术。
因此，本发明的目的在于，提供可以在机床的主轴或驱动主轴的电动机故障之前，检测该故障的征兆(异常)的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统。另外，本发明的目的还在于，提供可以比上述现有技术更早发现机床主轴或电动机上的故障预兆，并削减中断时间的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统。进而，本发明的目的还在于，提供例如通过与过去学习的比较来推定主轴等的寿命，由此可以更有计划性地修理或配备维修品从而有助于削减中断时间或减少成本有的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统。
发明内容
根据本发明所涉及的第1实施方式，提供一种机械学习装置，其对机床的主轴或驱动主轴的电动机的故障预知进行学习，其中，所述机械学习装置具备：状态观测部，其对状态变量进行观测，所述状态变量包含以下输出数据中的至少一个：控制所述电动机的电动机控制装置的输出数据、检测所述电动机的状态的检测器的输出数据、以及测定所述主轴或所述电动机的状态的测定器的输出数据；判定数据取得部，其取得对所述主轴或所述电动机有无故障或故障程度进行判定而得的判定数据；以及学习部，其按照基于所述状态变量及所述判定数据的组合而制成的数据集，来学习所述主轴或所述电动机的故障预知。
优选的是，所述电动机控制装置的输出数据包含驱动所述电动机的扭矩指令值及速度指令值，所述检测器包含以下检测部中的至少一个：检测所述电动机的电流的电流检测部、以及检测所述电动机的速度的速度检测部，所述测定器包含以下部件中的至少一个：振动测定部，其测定所述主轴或所述电动机的振动；声音测定部，其测定所述主轴或所述电动机附近的声音；以及温度测定部，其测定所述主轴或所述电动机附近的温度。可以是，所述主轴在预先确定的时间以上的间隔执行预先确定的动作模式，所述状态观测部在以下各状态中的至少一种状态下观测所述状态变量：处于所述动作模式中的所述主轴的加速中、所述主轴的恒速运转中、以及在所述主轴的减速中或切断驱动力时的惯性移动中。
可以是，所述学习部按照对所述主轴或所述电动机制成的多个所述数据集，来学习所述主轴或所述电动机的故障预知。另外，优选的是，所述学习部仅在某个一定期间内学习正常状态，然后对基于所述判定数据取得部的故障发生进行检知。可以是，在所述判定数据取得部取得表示所述主轴或所述电动机的故障的判定数据时，所述学习部根据从故障发生时起追溯至取得所述判定数据时为止的时间长度，对所述数据集中包含的所述判定数据进行加权，来更新用于所述主轴或所述电动机的故障预知的条件式。可以是，所述状态观测部经由网络来取得当前的所述状态变量。
根据本发明所涉及的第2实施方式，提供一种故障预知装置，其具备上述第一实施方式的机械学习装置，并进行所述主轴或所述电动机的故障预知，其特征在于，该故障预知装置还具备：故障信息输出部，其基于所述学习部按照所述数据集学习而得的结果，响应当前的所述状态变量的输入，来输出表示所述主轴或所述电动机有无故障或故障程度的故障信息。
可以是，所述学习部按照基于当前的所述状态变量及所述判定数据的组合而制成的补充数据集，对所述主轴或所述电动机的故障预知进行再学习。可以是，所述机械学习装置存储在于云服务器上。可以是，所述机械学习装置内置于控制所述机床的控制装置中。可以是，在多台所述机床中共用所述机械学习装置的学习结果。
根据本发明所涉及的第3实施方式，提供一种故障预知系统，其具备：上述第2实施方式的故障预知装置、所述检测器、所述测定器、以及向操作员通知所述故障信息的故障信息通知部。优选地，通过所述故障信息通知部向操作员通知所述故障信息的时期满足以下情况中的至少一个：从发生故障的时期起追溯且由第1预定期间确定的时期之前；以及从发生故障的时期起追溯且由第2预定期间确定的时期之后。
根据本发明所涉及的第4实施方式，提供一种机械学习方法，其对机床的主轴或驱动主轴的电动机的故障预知进行学习，其中，对状态变量进行观测，所述状态变量包含以下输出数据中的至少一个：控制所述电动机的电动机控制装置的输出数据、检测所述电动机的状态的检测器的输出数据、以及测定所述主轴或所述电动机的状态的测定器的输出数据，取得对所述主轴或所述电动机有无故障或故障程度进行判定而得的判定数据，按照基于所述状态变量及所述判定数据的组合而制成的数据集，来学习所述主轴或所述电动机的故障预知。
附图说明
图1是表示一实施方式所涉及的故障预知系统的一例的框图。
图2是用于说明基于图1中的机械学习装置的学习处理的一例的流程图。
图3A及图3B是用于说明适用于图1所示的故障预知系统的动作模式的例子的图。
图4是表示神经网络的结构例的图。
图5是用于说明无教师学习的手法中的学习期间的一例的图。
图6A及图6B是用于说明递归型神经网络的一例的图。
图7是表示其他实施方式所涉及的故障预知系统的一例的框图。
图8A、图8B及图8C是用于说明实施方式所涉及的故障预知系统中的表示故障程度的指标值的例子的图(其1)。
图9是用于说明实施方式所涉及的故障预知系统中的表示故障程度的指标值的例子的图(其2)。
图10是用于说明利用学习结果的故障预知处理的一例的流程图。
具体实施方式
下面，参照添加附图，对本发明所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统的实施方式进行说明。图1是表示一实施方式所涉及的故障预知系统的一例的框图，且仅对主要部件进行图示。这里，故障预知系统1使用具有机械学习功能的机械学习装置5，来对机床2的主轴212或驱动主轴212的电动机214的故障预知进行学习。另外，故障预知系统1可以基于机械学习装置5学习到的结果，制成表示机床2的主轴212或驱动主轴212的电动机214有无故障或故障程度的故障信息。
在本说明书中，“机床”是指包含由工业用机器人、服务用机器人及计算机数值控制(CNC)装置控制的机械的各种机械装置。另外，“机床的主轴或驱动主轴的电动机的故障”包含机床的结构部件的故障。即，“机床的主轴或驱动主轴的电动机的故障”并不局限于无法执行所期望的机床功能的状态，例如，当然也包含无法暂时或持久再现正常时的动作的状态。
由故障预知系统1制成的“故障信息”包含表示机床2的主轴212或驱动主轴212的电动机214有无故障的信息或表示故障程度的信息。另外，“故障信息”也可以包含表示机床正常状态的信息。这里，“故障程度”是指故障的严重性，例如也可以限制最大值或最小值中的某一个。“故障程度”可以是连续量也可以是离散量，例如操作员根据“故障程度”，对直接进行对象结构部件的更换或修理、或者还是应在下一次维修作业时进行等进行判断。
在下面的说明中，对用于机床(工业机械)2的主轴212、或驱动主轴212的电动机214的故障的故障预知系统1进行说明。然而，对于其他任意的机床(机械装置)当然也能够同样适用本发明。
如图1所示，本实施方式的故障预知系统1包含例如电动机控制装置3、电动机驱动放大器30、故障判定部31、检测器11、测定器12及机械学习装置5。机械学习装置5包含判定数据取得部51、状态观测部52及学习部53。
机床2中包含例如主轴212、以及对主轴212旋转驱动的伺服电动机等电动机214，电动机214经由电动机驱动放大器30被电动机控制装置3控制。主轴212包含可旋转地构成的主轴转子218、以及对主轴转子218的轴向的两端部可旋转地支撑的主轴轴承220、222。另外，电动机214包含可旋转地构成的电动机转子224、以及可旋转地支撑电动机转子224的轴向的两端部的电动机轴承226、228。
电动机控制装置3例如为具备连接至未图示的CPU、ROM、RAM、非易失性存储器及外部装置的接口等的数字计算机，经由电动机驱动放大器30控制电动机214，并且例如将驱动电动机214的扭矩指令值及速度指令值输出至机械学习装置5的状态观测部52。故障判定部31对机床2(电动机214)有无故障或故障程度进行判定，并将该判定出的数据(判定数据)输出至机械学习装置5的判定数据取得部51。
即，故障判定部31例如利用公知的故障诊断方法来判定机床2的故障。这里，故障判定部31单独通过故障预知系统1制成的故障信息，对机床2有无故障或故障程度进行判定。例如，在由扭矩传感器检测出的干扰扭矩、或者传感器的输出数据的振动振幅超过预先确定的阈值时，故障判定部31判定为发生了故障。另外，故障判定部31也可以基于例如存储在电动机控制装置3中的控制软件的内部数据，来判定为机床2发生了故障。这样，故障判定部31判定基于各种主要原因的故障。此外，故障判定部31的判定结果被输入至后述的机械学习装置5的判定数据取得部51。另外，在其他实施方式中，机械学习装置5也可以构成为发现机床2的故障、或者响应可知的操作员的输入操作，将故障信息输入至判定数据取得部51。
检测器11例如对驱动电动机214的电流及速度进行检测，并输出至状态观测部52。即，检测器11包含例如机床2中的检测电动机214的驱动电流的电流检测部111、以及检测电动机214的速度(旋转速度)的速度检测部112。此外，通常在驱动控制电动机时需要检测器11中的电流检测部111及速度检测部112，从而也可以不补充新结构。
测定器12测定主轴212或电动机214的状态，并且具备例如测定主轴212或电动机214的振动的振动测定部121、测定主轴212或电动机214附近的声音的声音测定部122、以及测定主轴212或电动机214附近的温度的温度测定部123。
这里，振动测定部121例如通过设置在主轴轴承220或电动机轴承226上的振动传感器，测定并输出主轴轴承220(主轴212)或电动机轴承226(电动机214)的振动。另外，声音测定部122例如通过设置在主轴轴承220或电动机轴承226附近的收音麦克风，测定并输出主轴212或电动机214附近的声音。进而，温度测定部123例如通过设置在主轴轴承220或电动机轴承226上的温度传感器，测定并输出主轴212或电动机214附近的温度。此外，温度测定部123例如可以通过热电偶(温度传感器)及数据记录器(热电偶对应温度数据记录器)来实现。另外，振动传感器、收音麦克风及温度传感器当然也可以根据机床2的种类或形状及规格等，设置在最合适的位置。
这样，在机械学习装置5中，判定数据取得部51取得从故障判定部31输出的对主轴212或电动机214有无故障或故障程度进行判定后的判定数据。另外，状态观测部52被输入如下机床2的状态变量(状态量)：从电动机控制装置3输出的驱动电动机214的扭矩指令值及速度指令值、从检测器11(电流检测部111、速度检测部112)输出的电动机214的驱动电流及旋转速度、还有从测定器12(振动测定部121、声音测定部122、温度测定部123)输出的主轴212或电动机214的振动、以及主轴212或电动机214附近的声音及温度。此外，状态观测部52即使没有完全接收到上述全部状态变量，仍可以接收其一部分、或者更进一步的状态变量。
学习部53基于根据从状态观测部52输出的状态变量、以及从判定数据取得部51输出的判定数据的组合而制成的数据集，来学习故障预知。这里，数据集是与状态变量及判定数据相互关联的数据。即，通常，在使用机床2的环境中，例如由于周围的噪声或振动较大，在单纯地设置阈值来进行控制的手法中，难以进行主轴212或电动机214的故障预知。对此，在本实施方式的故障预知系统中，通过机械学习，例如将周围的影响分离，并基于给主轴212或电动机214的故障带来的影响(状态变量)的特征，可以进行更准确的故障预知。
此外，机械学习装置5被用于学习驱动主轴212的电动机214的故障预知，但是该机械学习装置5也可以例如是经由网络连接至机床2，是与电动机控制装置3不同的数字计算机。另外，在其他实施方式中，机械学习装置5也可以内置于电动机控制装置3。此时，机械学习装置5利用电动机控制装置3的处理器来执行机械学习。并且，在其他实施方式中，机械学习装置5还可以存在于云服务器上。
图2是用于说明基于图1中的机械学习装置的学习处理的一例的流程图。如图2所示，若通过基于机械学习装置5的学习处理的一例，则在步骤S201中，状态观测部52取得如下状态变量：例如从电动机控制装置3输出的扭矩指令值及速度指令值、从检测器11输出的驱动电流及旋转速度、以及来自测定器12的主轴212或电动机214的振动、主轴212或电动机214附近的声音及温度。
进一步地，转入步骤S202，判定数据取得部51取得从故障判定部31输出的对主轴212或电动机214有无故障或故障程度进行判定后的判定数据。然后，转入步骤S203，学习部53按照基于在步骤S201中取得的状态变量、以及在步骤S202中取得的判定数据的组合而制成的数据集，来学习故障预知。
此外，重复执行步骤S201～S203的处理，直至例如通过机械学习装置5充分学习主轴212或电动机214的故障预知为止。这里，主轴212(电动机214)例如优选在预先确定的时间以上的间隔执行预先确定的动作模式。
图3A及图3B是用于说明适用于图1所示的故障预知系统的动作模式的例子的图。这里，图3A表示相对于使主轴212变换为[加速]→[恒速]→[减速]时的时间的主轴212的速度变化的一例(预先确定的动作模式的一例)，图3B表示相对于使主轴212进行[加速]→[恒速]→[惯性移动]时的时间的主轴212的速度变化的另一例(预先确定的动作模式的另一例)。此外，图3B所示的[惯性移动]表示在以恒速旋转控制主轴212(电动机214)时切断驱动力，由此通过惯性来进行动作的状态。
优选地，在通过机械学习装置5来学习主轴212或电动机214的故障预知时，例如在图3A及图3B所示的预先确定的时间以上的间隔执行预先确定的动作模式，状态观测部52在以下状态中的至少一个状态下观测状态变量：该动作模式中的主轴212的加速中、主轴212的恒速运转中、以及主轴212的减速中或惯性移动中。
即，执行图3A及图3B的预先确定的动作模式，相当于健康检查动作，通过基于这种健康检查动作来进行机械学习，可以汇集数据测定时的条件并促进学习，另外，由于使数据测定只限于有特征的动作，因此可以抑制数据大小。
进而，例如由于主轴212为高速(高速旋转)，因此可以认为故障预兆高频出现的情况较多。这样，为了捕捉高频的预兆，寻求使采样高速化，但是此时，每个单位时间的数据大小变大，若取得长时间数据，则由于难以处理该取得的数据，因此优选在预先确定的时间以上的间隔执行预先确定的动作模式。此外，惯性移动如上所述，将通过切断针对电动机214的动力来进行。此外，在惯性移动中，不能进行电流的测定，但是取而代之的是可以观测排除了电流影响的状态，因此可以捕捉到与减速时不同的故障预兆。
图4是表示神经网络的结构例的图。上述机械学习装置5中的学习部53例如也可以按照神经网络模型来学习故障预知。如图4所示，神经网络包含：含有1个神经元x1、x2、x3、···、xl的输入层、含有m个神经元y1、y2、y3、···、ym的中间层(隐层)、以及含有n个神经元z1、z2、z3、···、zn的输出层。此外，在图4中，虽然中间层仅表示为1层，但是也可以设置2层以上的中间层。另外，机械学习装置5(神经网络)也可以使用通用的计算机或处理器，但是若应用于GPGPU(General-Purpose computing on Graphics Processing Units，通用计算图形处理器)或大规模PC集群等，则可以更高速地处理。
神经网络对与机床2的故障相关联的主轴212或驱动主轴212的电动机214的故障预知进行学习。神经网络按照由状态观测部52观测出的状态变量、以及基于由判定数据取得部51取得的判定数据组合所制成的数据集，通过所谓的“有教师学习”，来学习状态变量与故障发生的关系性、即、主轴212或电动机214的故障预知。这里，“有教师学习”是指，通过将某个输入与结果(标签)的数据集大量地给予学习装置，来学习这些数据集中具有的特征，从而可以归纳性地获得根据输入来推定结果的模型、即、其相关性。
或者，神经网络仅积蓄在没有故障的状态下、即、机床2正常动作时的状态变量，通过所谓的“无教师学习”，也可以学习主轴212或电动机214的故障预知。例如，在机床2故障的频率极低时，“无教师学习”的手法将会有效。这里，“无教师学习”是指，仅将输入数据大量地给予机械学习装置5，由此学习输入数据进行了哪种分布，即使没有给予对应的有教师输出数据，仍将学习对输入数据进行压缩、分类、整形等的装置的手法。可以对这些数据集中具有特征相似的数据之间进行聚类等。使用该结果，设置某些基准来进行与其最合适的输出分配，由此可以实现输出的预测。另外，作为“无教师学习”与“有教师学习”的中间问题设定，存在称为“半有教师学习”，其为仅存在一部分输入与输出的数据集，除此以外，其相当于仅有输入的数据的情况。
图5是用于说明无教师学习的手法中的学习期间的一例的图。这里，横轴表示时间(时间经过)，纵轴表示故障程度。如图5所示，上述“无教师学习”的手法例如将机床2刚出厂后、或者刚维护后等作为起点，将某个一定期间例如将数周期间作为学习期间，仅在该学习期间更新状态变量，并定义为正常状态。并且，在该学习期间之后，不进行状态变量的更新，根据由神经网络输出的输出结果，基于距正常模型的距离来输出“故障程度”，仅进行异常判定，由此可以实现进行异常检知。
另外，在本实施方式中，例如由于使与时间相关的时序数据模型化，因此使用被称为递归型的神经网络也将有效。递归神经网络(RNN：Recurrent Neural Network)并不只是使用仅当前时刻的状态来形成学习模型，而是也利用至此时刻的内部状态。递归神经网络通过将时间轴的网络展开来进行考虑，从而可以与通常的神经网络同样地进行处理。这里，递归神经网络也有多种，但是作为一例，对简单递归型网络(埃尔曼网络：Elman Network)进行说明。
图6A及图6B是用于说明递归型神经网络的一例的图，图6A表示埃尔曼网络的时间轴展开，图6B表示误差反向传播法(反向传播：Backpropagation)的通过时间反向传播法(BPTT：Back Propagation Through Time)。这里，如果是如图6A所示的埃尔曼网络的构造，则可以应用反向传播。
但是，在埃尔曼网络中，与通常的神经网络不同，如图6B所示，以回溯时间的方式传输误差，将这种反向传播称为BPTT(通过时间反向传播法)。通过应用这种神经网络构造，可以推定立足于至此的输入变化的输出模型，例如可以将该推定出的输出值是否为某个异常值使用于与故障发生的关系性。
在进行后述的故障预知时，响应输入至神经网络的输入层的状态变量，输出层输出上述对应故障信息的表示有无故障的信息或“故障程度”。此外，“故障程度”的取值可以是对最大值或最小值中的某一个进行限制的值、或者连续量或离散量中的某一个。
根据上述实施方式所涉及的机械学习装置及机械学习方法，相较于基于由判定数据取得部51输出的判定数据的故障预知，可以学习与实际使用状况相对应的准确的故障预知。即，即使在涉及故障的主要原因较为复杂、或者难以预先设定故障预知的情况下，仍可以进行高精度的故障预知。
在一实施方式中，当判定数据取得部51取得表示机床2的故障的判定数据时，学习部53也可以根据从故障发生时追溯至取得各个判定数据时为止的时间长度，分别对该判定数据加权并更新故障预知。这里，在取得判定数据之后直至故障实际发生为止的时间越短，则推定为越接近直接关联于故障发生的状态。因此，如果根据从取得数据集时起的经过时间来对判定数据加权，则可以有效学习上述故障预知。
另外，在一实施方式中，学习部53也可以按照针对多个机床2制成的数据集，对主轴212或驱动主轴212的电动机214的故障预知进行学习。此外，学习部53可以从在同一现场使用的多台机床2取得数据集、或者也可以利用从在不同现场独立工作的多台机床2收集的数据集来学习故障预知。进而，还可以在中途将收集数据集的机床2补充为对象、或者相反地将其从对象中去除。
接着，作为共用(通用)多台机床2的数据集的方法，下面举出了3个例子，但是当然也可以应用除此以外的方法。首先，作为第1例，以使神经网络的模型相同的方式来进行共用的方法，例如对于网络的各权重系数，使用通信单元发送各机床2之间的差分来进行反映。另外，作为第2例，通过共用神经网络的输入和输出的数据集，从而可以共用机械学习装置5的权重等。进而，作为第3例，准备某个数据库，通过对其访问来读取更妥当的神经网络模型，由此共用状态(设为相同的模型)。
图7是表示其他实施方式所涉及的故障预知系统得一例的框图。如图7所示，本实施方式的故障预知系统1具备故障预知装置4，其利用通过机械学习装置5学习到的结果，制成机床2的故障信息。此外，在图7中，省略机械学习装置5及机床2中参照附图标记等。
故障预知装置4具备状态观测部41和故障信息输出部42。状态观测部41与参照图1进行说明的状态观测部52同样地发挥作用，取得反映机床2及周围环境的状态的状态变量。故障信息输出部42基于上述机械学习装置5的学习部53按照数据集学习到的结果，对经由状态观测部41的状态变量输入响应，输出机床2的故障信息。
如图7所示，电动机控制装置3包含通知部(故障信息通知部)32。通知部32向操作员通知由故障信息输出部42输出的故障信息。通知故障信息的形式只要是操作员可知的，就不用特别限定。例如，可以在未图示的显示装置上显示所预知到的有无故障或故障程度、或者是根据故障信息的内容产生警告音这样的各种形式。
图8A、图8B、图8C及图9是用于说明实施方式所涉及的故障预知系统中的表示故障程度的指标值的例子(第1例～第4例)的图。这里，在图8A、图8B、图8C及图9中，横轴表示时间(时间的经过)，纵轴表示故障程度。首先，如图8A所示，例如可以在第1例中，构成为确定表示“故障程度”的指标值随着越接近故障而变得越大，从而故障信息输出部42将通过学习获得的指标值直接作为故障信息来输出。另外，如图8B所示，例如，也可以在第2例中，构成为对上述指标值设置阈值，如果在阈值以上则为异常，如果未达到阈值则为正常，故障信息输出部42将这样表示有无故障的信息作为故障信息来输出。进而，如图8C所示，例如，还可以在第3例中，构成为对上述指标值设置多个阈值(阈值1～阈值3)，故障信息输出部42将对各阈值分别划分的等级(故障等级1～故障等级4)作为故障信息输出。
如图9所示，例如在第4例中，基于达到多种故障的数据(有教师数据)，求取上述指标值与直至达到故障为止的时间之间的关系，基于上述关系求取第1阈值，其用于满足从故障发生的时期起追溯且由第1预定期间确定的时期之前的情况。另外，确定第2阈值，其用于满足从故障发生的时期起追溯且由第2预定期间确定的时期之后的情况。并且，在满足指标值未达到第1阈值、以及指标值为第2阈值以上这两者中的至少一个时，可以使故障信息输出部42将指标值本身、或者用阈值对指标值划分而成的等级作为故障信息输出。此时的阈值的决定方法例如可以是将阈值设置成过去的有教师数据全部满足条件、或者设置根据需要而设定余量的阈值，进一步地，还可以将阈值决定为在概率方面容许在某个一定概率内的判定错误。
图10是用于说明利用了学习结果的故障预知的处理的一例的流程图。如图10所示，若利用了机械学习装置5学习到的结果的故障预知处理的一例开始，则在步骤S501中，状态观测部41取得如下状态变量：例如由电动机控制装置3输出的扭矩指令值及速度指令值、由检测器11输出的驱动电流及旋转速度、以及来自测定器12的主轴212或电动机214的振动、主轴212或电动机214附近的声音及温度。
进而，转入步骤S502，故障信息输出部42基于上述机械学习装置5的学习结果，输出与步骤S501中取得的状态变量相对应的故障信息。此外，在故障预知系统1具备通知部32的情况下，也可以在步骤S502之后执行向操作员通知故障信息的工序。
基于参照图10说明的故障预知装置4的故障预知处理，可以在机床2执行预先确定的特定动作时进行。或者，也可以在机床2进行动作中或静止中并行地继续执行步骤S501及S502的处理。或者，还可以在预先确定的时刻定期进行故障预知处理。
在本实施方式中，也可以与执行基于故障预知装置4的故障预知并行地执行基于机械学习装置5的机械学习。此时，在故障预知装置4制成故障信息的同时，基于经由故障判定部31或操作员的操作取得的判定数据和该时刻的状态变量，机械学习装置5的学习部53对故障预知进行再次学习。
在上述说明中，对利用神经网络来进行机械学习的实施方式进行了说明，但是也可以按照其他已知手法例如遗传编程、功能逻辑编程、支持向量机等来执行机械学习。另外，虽然有所重复，但是在本说明书中，如上所述“机床”一词是指包含由工业用机器人、服务用机器人及计算机数值控制(CNC)装置控制的机械的各种机械装置。
这样，本实施方式所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统可以在机床的主轴或驱动主轴的电动机达到故障之前，检测出其故障的征兆。另外，本实施方式所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统可以比现有技术更早地发现机床的主轴或电动机上的故障预兆，从而削减中断时间。进而，本实施方式所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统通过与过去学习的比较来推定主轴等的寿命，由此可以更有计划性地修理或配备维修品，并可以有利于中断时间的削减或减少成本。
本发明所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统将实现以下效果：可以在机床的主轴或驱动主轴的电动机达到故障之前，检测出其故障征兆。另外，本发明所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统还将实现以下效果：可以比现有技术更早地发现机床的主轴或电动机上的故障预兆，从而削减中断时间。进而，本发明所涉及的机械学习装置及机械学习方法、以及具备机械学习装置的故障预知装置及故障预知系统还将实现以下效果：通过与过去学习的比较来推定主轴等的寿命，由此可以更有计划性地修理或配备维修品，并可以有助于中断时间的削减或减少成本。
以上，对本发明的各种实施方式进行了说明，但是如果是本领域技术人员，则应当知道通过其他实施方式也可以实现本发明要实现的作用效果。尤其是，可以在不脱离本发明范围的情况下，对上述实施方式的结构要素削除或置换，或者可以进一步附加公知的手段。另外，本领域技术人员清楚知道通过对本说明书中明示或暗示公开的多个实施方式的特征进行任意组合，仍可以实施本发明。

Claims (15)

1.一种机械学习装置，其对机床的主轴或驱动主轴的电动机的故障预知进行学习，其特征在于，所述机械学习装置具备：
状态观测部，其对状态变量进行观测，所述状态变量包含以下输出数据中的至少一个：控制所述电动机的电动机控制装置的输出数据、检测所述电动机的状态的检测器的输出数据、以及测定所述主轴或所述电动机的状态的测定器的输出数据；
判定数据取得部，其取得对所述主轴或所述电动机有无故障或故障程度进行判定而得的判定数据；以及
学习部，其按照基于所述状态变量及所述判定数据的组合而制成的数据集，来学习所述主轴或所述电动机的故障预知。
2.根据权利要求1所述的机械学习装置，其特征在于，
所述电动机控制装置的输出数据包含驱动所述电动机的扭矩指令值及速度指令值，
所述检测器包含以下检测部中的至少一个：检测所述电动机的电流的电流检测部、以及检测所述电动机的速度的速度检测部，
所述测定器包含以下部件中的至少一个：振动测定部，其测定所述主轴或所述电动机的振动；声音测定部，其测定所述主轴或所述电动机附近的声音；以及温度测定部，其测定所述主轴或所述电动机附近的温度。
3.根据权利要求1或2所述的机械学习装置，其特征在于，
所述主轴在预先确定的时间以上的间隔执行预先确定的动作模式，
所述状态观测部在以下各状态中的至少一种状态下观测所述状态变量：处于所述动作模式中的所述主轴的加速中、所述主轴的恒速运转中、以及在所述主轴的减速中或切断驱动力时的惯性移动中。
4.根据权利要求1至3中任一项所述的机械学习装置，其特征在于，
所述学习部按照对所述主轴或所述电动机制成的多个所述数据集，来学习所述主轴或所述电动机的故障预知。
5.根据权利要求1至4中任一项所述的机械学习装置，其特征在于，
所述学习部仅在某个一定期间内学习正常状态，然后对基于所述判定数据取得部的故障发生进行检知。
6.根据权利要求1至5中任一项所述的机械学习装置，其特征在于，
在所述判定数据取得部取得表示所述主轴或所述电动机的故障的判定数据时，所述学习部根据从故障发生时起追溯至取得所述判定数据时为止的时间长度，对所述数据集中包含的所述判定数据进行加权，来更新用于所述主轴或所述电动机的故障预知的条件式。
7.根据权利要求1至6中任一项所述的机械学习装置，其特征在于，
所述状态观测部经由网络来取得当前的所述状态变量。
8.一种故障预知装置，其具备权利要求1至7中任一项所述的机械学习装置，并进行所述主轴或所述电动机的故障预知，其特征在于，
该故障预知装置还具备：故障信息输出部，其基于所述学习部按照所述数据集学习而得的结果，响应当前的所述状态变量的输入，来输出表示所述主轴或所述电动机有无故障或故障程度的故障信息。
9.根据权利要求8所述的故障预知装置，其特征在于，
所述学习部按照基于当前的所述状态变量及所述判定数据的组合而制成的补充数据集，对所述主轴或所述电动机的故障预知进行再学习。
10.根据权利要求8或9所述的故障预知装置，其特征在于，
所述机械学习装置存储在于云服务器上。
11.根据权利要求8或9所述的故障预知装置，其特征在于，
所述机械学习装置内置于控制所述机床的控制装置中。
12.根据权利要求8至11中任一项所述的故障预知装置，其特征在于，
在多台所述机床中共用所述机械学习装置的学习结果。
13.一种故障预知系统，其特征在于，
该故障预知系统具备：权利要求8至12中任一项所述的故障预知装置、所述检测器、所述测定器、以及向操作员通知所述故障信息的故障信息通知部。
14.根据权利要求13所述的故障预知系统，其特征在于，
通过所述故障信息通知部向操作员通知所述故障信息的时期满足以下情况中的至少一个：从发生故障的时期起追溯且由第1预定期间确定的时期之前；以及从发生故障的时期起追溯且由第2预定期间确定的时期之后。
15.一种机械学习方法，其对机床的主轴或驱动主轴的电动机的故障预知进行学习，其特征在于，
对状态变量进行观测，所述状态变量包含以下输出数据中的至少一个：控制所述电动机的电动机控制装置的输出数据、检测所述电动机的状态的检测器的输出数据、以及测定所述主轴或所述电动机的状态的测定器的输出数据，
取得对所述主轴或所述电动机有无故障或故障程度进行判定而得的判定数据，
按照基于所述状态变量及所述判定数据的组合而制成的数据集，来学习所述主轴或所述电动机的故障预知。
CN201710229453.5A 2016-04-08 2017-04-10 机械学习装置、机械学习方法、故障预知装置及系统 Active CN107272586B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016078247A JP6140331B1 (ja) 2016-04-08 2016-04-08 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP2016-078247 2016-04-08

Publications (2)

Publication Number Publication Date
CN107272586A true CN107272586A (zh) 2017-10-20
CN107272586B CN107272586B (zh) 2019-12-10

Family

ID=58794461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710229453.5A Active CN107272586B (zh) 2016-04-08 2017-04-10 机械学习装置、机械学习方法、故障预知装置及系统

Country Status (4)

Country Link
US (1) US11521105B2 (zh)
JP (1) JP6140331B1 (zh)
CN (1) CN107272586B (zh)
DE (1) DE102017003165A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108527005A (zh) * 2018-04-18 2018-09-14 深圳市大讯永新科技有限公司 一种cnc刀具状态检测方法和系统
CN109270921A (zh) * 2018-09-25 2019-01-25 深圳市元征科技股份有限公司 一种故障诊断方法及装置
CN109693354A (zh) * 2017-10-23 2019-04-30 发那科株式会社 状态判定装置
CN109753019A (zh) * 2017-11-06 2019-05-14 发那科株式会社 控制装置和机器学习装置
CN109814499A (zh) * 2017-11-22 2019-05-28 发那科株式会社 噪声产生原因推定装置
CN109842335A (zh) * 2017-11-24 2019-06-04 宝时得科技（中国）有限公司 电动设备及电机控制装置
CN110091084A (zh) * 2018-01-30 2019-08-06 发那科株式会社 学习激光装置的故障发生机制的机器学习装置
CN110110803A (zh) * 2019-05-15 2019-08-09 广东工业大学 一种机器人故障诊断方法、装置及设备
CN110187694A (zh) * 2018-02-22 2019-08-30 发那科株式会社 故障预测装置以及机器学习装置
CN110297461A (zh) * 2018-03-23 2019-10-01 发那科株式会社 异常检测装置
CN110515351A (zh) * 2018-05-21 2019-11-29 发那科株式会社 异常检测器
CN111352388A (zh) * 2018-12-21 2020-06-30 发那科株式会社 学习用数据确认辅助装置、机器学习装置、故障预测装置
CN111624973A (zh) * 2019-02-28 2020-09-04 北京新能源汽车股份有限公司 一种故障信号分级测试方法、装置及汽车
CN111788042A (zh) * 2018-03-05 2020-10-16 库卡德国有限公司 机器人的预见性分析
CN111965259A (zh) * 2020-08-19 2020-11-20 深圳职业技术学院 基于声波的故障检测及巡检系统
CN112041771A (zh) * 2019-03-26 2020-12-04 东芝三菱电机产业系统株式会社 异常判定辅助装置
CN114026507A (zh) * 2019-06-28 2022-02-08 德马吉森精机有限公司 信息处理装置、信息处理方法及信息处理程序
CN114391093A (zh) * 2019-09-17 2022-04-22 日产自动车株式会社 异常判定装置以及异常判定方法
CN115335785A (zh) * 2020-10-14 2022-11-11 三菱电机株式会社 外部信号输入输出单元、控制系统、机器学习装置及推断装置

Families Citing this family (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015211255A1 (de) * 2015-06-18 2016-12-22 Robert Bosch Gmbh Steuerschaltung und Verfahren zum Qualifizieren eines Fehlers für eine Synchronmaschine
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
WO2018069922A2 (en) * 2016-10-10 2018-04-19 Augury Systems Ltd. Systems and methods for acoustic emission monitoring of semiconductor devices
JP6592039B2 (ja) 2017-07-04 2019-10-16 ファナック株式会社 熱変位補正装置
JP6603272B2 (ja) * 2017-07-18 2019-11-06 ファナック株式会社 情報収集装置及び情報収集方法
JP7082461B2 (ja) * 2017-07-26 2022-06-08 株式会社Ye Digital 故障予知方法、故障予知装置および故障予知プログラム
JP6756676B2 (ja) 2017-07-27 2020-09-16 ファナック株式会社 製造システム
JP6380628B1 (ja) 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
DE112017007980T5 (de) * 2017-08-28 2020-06-10 Mitsubishi Electric Corporation Numerisches steuerungssystem
KR101986230B1 (ko) * 2017-09-28 2019-06-07 김영태 웨이퍼 로봇의 결함 진단 시스템
US10695907B2 (en) * 2017-09-29 2020-06-30 Intel Corporation Methods and apparatus for monitoring robot health in manufacturing environments
EP3474103B1 (en) 2017-10-20 2022-03-09 Goodrich Actuation Systems Limited Monitoring system for identifying an operating state of a motor
EP3474091B1 (de) * 2017-10-20 2023-07-05 aixprocess GmbH Verfahren und vorrichtung zur regelung eines prozesses innerhalb eines systems, nämlich eines mahlprozesses in einer mahlvorrichtung
JP6744277B2 (ja) 2017-10-30 2020-08-19 ファナック株式会社 寿命予測装置
CN111448752B (zh) * 2017-12-13 2023-07-14 三菱电机株式会社 电力转换装置及空气调节机
JP7124321B2 (ja) * 2018-01-18 2022-08-24 トヨタ自動車株式会社 情報処理装置、データ管理システム、データ管理方法及びプログラム
JP6813521B2 (ja) * 2018-02-08 2021-01-13 ファナック株式会社 温度計測装置
US10921777B2 (en) 2018-02-15 2021-02-16 Online Development, Inc. Automated machine analysis
JP2019141869A (ja) * 2018-02-19 2019-08-29 ファナック株式会社 制御装置及び機械学習装置
CN111771113A (zh) * 2018-02-28 2020-10-13 日产自动车株式会社 异常种类判定装置以及异常种类判定方法
WO2019199845A1 (en) 2018-04-09 2019-10-17 Well Checked Systems International LLC System and method for machine learning predictive maintenance through auditory detection on natural gas compressors
JP6740277B2 (ja) 2018-04-13 2020-08-12 ファナック株式会社 機械学習装置、制御装置、及び機械学習方法
JP6909410B2 (ja) * 2018-05-08 2021-07-28 オムロン株式会社 ロボット制御装置、保守管理方法、及び保守管理プログラム
JP7154823B2 (ja) * 2018-05-28 2022-10-18 キヤノン株式会社 情報処理装置、ロボット制御装置、情報処理方法及びプログラム
JP6987030B2 (ja) * 2018-07-18 2021-12-22 株式会社日立製作所 システム及び工作機械の異常又は加工作業に関する分析方法
JP7236127B2 (ja) * 2018-07-20 2023-03-09 中日本炉工業株式会社 処理装置の稼働管理システム
JP7148311B2 (ja) * 2018-08-07 2022-10-05 ファナック株式会社 製品検査装置
JP6777696B2 (ja) 2018-08-31 2020-10-28 ファナック株式会社 加工環境推定装置
JP6856591B2 (ja) 2018-09-11 2021-04-07 ファナック株式会社 制御装置、ｃｎｃ装置及び制御装置の制御方法
JP6893750B2 (ja) * 2018-09-14 2021-06-23 株式会社日本製鋼所 射出成形機、射出成形機の状態報知システム、射出成形機の状態報知方法
JP6806746B2 (ja) * 2018-09-21 2021-01-06 ファナック株式会社 モータ制御装置
JP7205751B2 (ja) * 2018-11-02 2023-01-17 オムロン株式会社 噛み込み検知システム
US11907833B2 (en) * 2018-11-27 2024-02-20 The Boeing Company System and method for generating an aircraft fault prediction classifier
JP2020106773A (ja) * 2018-12-28 2020-07-09 京セラドキュメントソリューションズ株式会社 画像形成装置および画像形成方法
US11157374B2 (en) 2018-12-28 2021-10-26 Intel Corporation Technologies for efficient reliable compute operations for mission critical applications
TW202026096A (zh) 2019-01-02 2020-07-16 財團法人工業技術研究院 刀具壽命預測系統及其方法
JP7101131B2 (ja) * 2019-01-31 2022-07-14 ファナック株式会社 数値制御システム
JP7010861B2 (ja) * 2019-02-07 2022-01-26 ファナック株式会社 状態判定装置及び状態判定方法
JP6975188B2 (ja) 2019-02-07 2021-12-01 ファナック株式会社 状態判定装置及び状態判定方法
JP7163218B2 (ja) * 2019-02-27 2022-10-31 三菱重工コンプレッサ株式会社 監視装置、監視方法、軸振動判定モデルの作成方法及びプログラム
JP7279413B2 (ja) 2019-02-27 2023-05-23 株式会社デンソー 故障予知システム
WO2020179063A1 (ja) * 2019-03-07 2020-09-10 三菱電機株式会社 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム
JP2020154896A (ja) * 2019-03-20 2020-09-24 株式会社日立製作所 故障予兆検知システム及び故障予兆検知方法
WO2020213062A1 (ja) * 2019-04-16 2020-10-22 三菱電機株式会社 モータ制御装置
JP2020177378A (ja) * 2019-04-17 2020-10-29 株式会社ジェイテクト 異常予兆検知装置及び異常予兆検知方法
JP7379894B2 (ja) 2019-07-18 2023-11-15 株式会社デンソー モータ制御装置
JP7436169B2 (ja) * 2019-09-18 2024-02-21 ファナック株式会社 診断装置および診断方法
EP3876047A1 (de) * 2020-03-04 2021-09-08 Siemens Aktiengesellschaft Verfahren und sicherheitsgerichtete steuerungseinrichtung zur ermittlung und/oder auswahl eines sicheren zustands
JP2021160031A (ja) * 2020-03-31 2021-10-11 セイコーエプソン株式会社 故障予測方法および故障予測装置
DE102020205265A1 (de) 2020-04-27 2021-10-28 Kuka Deutschland Gmbh Detektieren von Störungen in Roboteranordnungen
JP7441718B2 (ja) 2020-05-07 2024-03-01 国立大学法人広島大学 故障予測システム及び故障予測方法
CN112798955B (zh) * 2020-12-31 2022-04-19 南通威尔电机有限公司 一种特种电机的故障检测方法及装置
DE102021126188A1 (de) * 2021-10-08 2023-04-13 Dürr Systems Ag Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage
CN117092933B (zh) * 2023-07-26 2024-04-16 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质
CN117092980B (zh) * 2023-08-05 2024-02-06 淮阴师范学院 一种基于大数据的电气故障检测控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030027363A1 (en) * 2001-07-23 2003-02-06 Fuji Machine Mfg. Co., Ltd. Circuit-substrate working system and electronic-circuit fabricating process
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN102478825A (zh) * 2010-11-23 2012-05-30 大连兆阳软件科技有限公司 数控机床远程监测与故障诊断系统实现方法
JP2014096050A (ja) * 2012-11-09 2014-05-22 Toshiba Corp プロセス監視診断装置、プロセス監視診断プログラム
CN104391480A (zh) * 2014-12-04 2015-03-04 宁波市华正信息技术有限公司 一种基于专家系统的数控机床故障诊断系统
CN105081879A (zh) * 2015-08-27 2015-11-25 成都飞机工业（集团）有限责任公司 一种数控机床主轴的故障诊断与预测的方法
CN205129520U (zh) * 2015-11-23 2016-04-06 四川文理学院 机床主轴故障智能诊断系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63123105A (ja) 1986-11-13 1988-05-26 Kobe Steel Ltd テイ−チング・プレイバツク方式ロボツトの故障予知診断方法
JP3607009B2 (ja) 1996-07-18 2005-01-05 株式会社不二越 産業用ロボットの故障予知方法
JP3288255B2 (ja) * 1997-05-01 2002-06-04 株式会社日立ビルシステム 搬送装置の故障予兆点検作業支援装置
US6326758B1 (en) * 1999-12-15 2001-12-04 Reliance Electric Technologies, Llc Integrated diagnostics and control systems
JP2001259972A (ja) 2000-03-21 2001-09-25 Matsushita Electric Ind Co Ltd 工作機械用の磁気軸受装置
JP2005074545A (ja) 2003-08-29 2005-03-24 Okuma Corp 工作機械の状態監視装置
GB0323887D0 (en) * 2003-10-11 2003-11-12 Goodrich Control Sys Ltd Pump health monitoring
JP4424133B2 (ja) * 2004-09-24 2010-03-03 株式会社ジェイテクト 入出力データ管理装置
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
US9205560B1 (en) * 2013-06-24 2015-12-08 Redwood Robotics, Inc. System and method for failure detection of a robot actuator
US9367424B2 (en) * 2014-03-13 2016-06-14 International Business Machines Corporation Method for performance monitoring and optimization via trend detection and forecasting
JP6340236B2 (ja) 2014-04-15 2018-06-06 三菱重工工作機械株式会社 工作機械の診断方法及びシステム
JP5684941B1 (ja) * 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
US10648735B2 (en) * 2015-08-23 2020-05-12 Machinesense, Llc Machine learning based predictive maintenance of a dryer
US10503145B2 (en) * 2015-03-25 2019-12-10 Honeywell International Inc. System and method for asset fleet monitoring and predictive diagnostics using analytics for large and varied data sources
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030027363A1 (en) * 2001-07-23 2003-02-06 Fuji Machine Mfg. Co., Ltd. Circuit-substrate working system and electronic-circuit fabricating process
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN102478825A (zh) * 2010-11-23 2012-05-30 大连兆阳软件科技有限公司 数控机床远程监测与故障诊断系统实现方法
JP2014096050A (ja) * 2012-11-09 2014-05-22 Toshiba Corp プロセス監視診断装置、プロセス監視診断プログラム
CN104391480A (zh) * 2014-12-04 2015-03-04 宁波市华正信息技术有限公司 一种基于专家系统的数控机床故障诊断系统
CN105081879A (zh) * 2015-08-27 2015-11-25 成都飞机工业（集团）有限责任公司 一种数控机床主轴的故障诊断与预测的方法
CN205129520U (zh) * 2015-11-23 2016-04-06 四川文理学院 机床主轴故障智能诊断系统

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109693354B (zh) * 2017-10-23 2020-11-13 发那科株式会社 状态判定装置
CN109693354A (zh) * 2017-10-23 2019-04-30 发那科株式会社 状态判定装置
CN109753019A (zh) * 2017-11-06 2019-05-14 发那科株式会社 控制装置和机器学习装置
CN109814499A (zh) * 2017-11-22 2019-05-28 发那科株式会社 噪声产生原因推定装置
CN109842335A (zh) * 2017-11-24 2019-06-04 宝时得科技（中国）有限公司 电动设备及电机控制装置
CN110091084A (zh) * 2018-01-30 2019-08-06 发那科株式会社 学习激光装置的故障发生机制的机器学习装置
CN110187694B (zh) * 2018-02-22 2021-07-02 发那科株式会社 故障预测装置以及机器学习装置
CN110187694A (zh) * 2018-02-22 2019-08-30 发那科株式会社 故障预测装置以及机器学习装置
US11531319B2 (en) 2018-02-22 2022-12-20 Fanuc Corporation Failure prediction device and machine learning device
CN111788042A (zh) * 2018-03-05 2020-10-16 库卡德国有限公司 机器人的预见性分析
CN110297461A (zh) * 2018-03-23 2019-10-01 发那科株式会社 异常检测装置
CN108527005A (zh) * 2018-04-18 2018-09-14 深圳市大讯永新科技有限公司 一种cnc刀具状态检测方法和系统
CN110515351A (zh) * 2018-05-21 2019-11-29 发那科株式会社 异常检测器
CN110515351B (zh) * 2018-05-21 2024-03-01 发那科株式会社 异常检测器
CN109270921A (zh) * 2018-09-25 2019-01-25 深圳市元征科技股份有限公司 一种故障诊断方法及装置
CN111352388A (zh) * 2018-12-21 2020-06-30 发那科株式会社 学习用数据确认辅助装置、机器学习装置、故障预测装置
CN111624973A (zh) * 2019-02-28 2020-09-04 北京新能源汽车股份有限公司 一种故障信号分级测试方法、装置及汽车
CN112041771A (zh) * 2019-03-26 2020-12-04 东芝三菱电机产业系统株式会社 异常判定辅助装置
CN110110803A (zh) * 2019-05-15 2019-08-09 广东工业大学 一种机器人故障诊断方法、装置及设备
CN114026507A (zh) * 2019-06-28 2022-02-08 德马吉森精机有限公司 信息处理装置、信息处理方法及信息处理程序
CN114026507B (zh) * 2019-06-28 2024-04-16 德马吉森精机有限公司 信息处理装置及信息处理方法
CN114391093A (zh) * 2019-09-17 2022-04-22 日产自动车株式会社 异常判定装置以及异常判定方法
CN114391093B (zh) * 2019-09-17 2023-10-24 日产自动车株式会社 异常判定装置以及异常判定方法
CN111965259B (zh) * 2020-08-19 2021-05-07 深圳职业技术学院 基于声波的故障检测及巡检系统
CN111965259A (zh) * 2020-08-19 2020-11-20 深圳职业技术学院 基于声波的故障检测及巡检系统
CN115335785A (zh) * 2020-10-14 2022-11-11 三菱电机株式会社 外部信号输入输出单元、控制系统、机器学习装置及推断装置

Also Published As

Publication number Publication date
JP2017188030A (ja) 2017-10-12
DE102017003165A1 (de) 2017-10-12
JP6140331B1 (ja) 2017-05-31
CN107272586B (zh) 2019-12-10
US20170293862A1 (en) 2017-10-12
US11521105B2 (en) 2022-12-06

Similar Documents

Publication Publication Date Title
CN107272586A (zh) 机械学习装置、机械学习方法、故障预知装置及系统
Camci et al. Feature evaluation for effective bearing prognostics
US6694286B2 (en) Method and system for monitoring the condition of an individual machine
US6845340B2 (en) System and method for machining data management
CN110515351A (zh) 异常检测器
CN108628253A (zh) 异常检测装置以及机器学习装置
JP6752866B2 (ja) 刃具状態検査システム及び方法
CN101241359A (zh) 用来监视工业机器人的状况的方法和控制系统
WO2020039565A1 (ja) 回転機械に用いられる軸受の異常診断方法
CN110187694A (zh) 故障预测装置以及机器学习装置
CN112272763B (zh) 异常探测装置、异常探测方法以及计算机可读取的存储介质
CA2114634A1 (fr) Procede de diagnostic d'un processus evolutif
JP5268637B2 (ja) 生産機械のための評価装置の動作方法
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN108427374A (zh) 诊断用数据取得系统、诊断用系统以及计算机可读介质
KR20220062547A (ko) 센서 애그나스틱 기계적 기계 결함 식별
Băban et al. Maintenance decision-making support for textile machines: A knowledge-based approach using fuzzy logic and vibration monitoring
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN105675321B (zh) 一种设备性能退化雷达图确定方法
CN112987682A (zh) 控制方法、控制装置和机械设备
US20210178615A1 (en) Abnormality diagnosis device and abnormality diagnosis method
Lin et al. Performance analysis of rotating machinery using enhanced cerebellar model articulation controller (E-CMAC) neural networks
Kolar et al. Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research
Srilakshmi et al. A Review on Fault Detection, Diagnosis and Prognosis, in Vibration Measurement through Wavelets on Machine Elements

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant