CN107576499A - 机械学习装置、寿命预测装置以及机械学习方法 - Google Patents

机械学习装置、寿命预测装置以及机械学习方法 Download PDF

Info

Publication number
CN107576499A
CN107576499A CN201710537384.4A CN201710537384A CN107576499A CN 107576499 A CN107576499 A CN 107576499A CN 201710537384 A CN201710537384 A CN 201710537384A CN 107576499 A CN107576499 A CN 107576499A
Authority
CN
China
Prior art keywords
bearing
bimetry
rote
learning device
return
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.)
Withdrawn
Application number
CN201710537384.4A
Other languages
English (en)
Inventor
岩波俊介
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 CN107576499A publication Critical patent/CN107576499A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G01M13/04—Bearings
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种学习轴承的预测寿命的机械学习装置、寿命预测装置以及机械学习方法，机械学习装置(2)学习轴承(11)的预测寿命，具有：状态观测部(21)，其对状态变量进行观测，该状态变量包含所述轴承(11)的振动、声音、温度以及载荷中的至少一个；以及学习部(22)，其根据所述状态观测部(21)的输出，来学习所述轴承(11)的预测寿命。

Description

机械学习装置、寿命预测装置以及机械学习方法
技术领域
本发明涉及学习轴承的预测寿命的机械学习装置、寿命预测装置以及机械学习方法。
背景技术
以往，例如在机床或机器人等工业机械中，以电动机为首各种轴承被大量使用。在这些轴承中，通常是设定预测寿命，并根据该预测寿命进行轴承或机械部件的更换。
即，例如机床的主轴或者驱动该主轴的电动机的故障原因大多是因为主轴或者电动机轴承的劣化或损坏。这里，当在主轴完全故障的状态下使用机床时，例如，会造成例如工件的加工精度降低而成为不良品。此外，当花费时间进行主轴的恢复时，在机床中产生较大的停机时间(停止时间)，从而导致机床的运转率降低。
因此，在轴承发生故障之前，根据预测轴承寿命的预测寿命，来预测轴承寿命，进行轴承或机械部件的更换。但是，轴承的预测寿命例如是基于设计者在机器上计算出的结果或实验结果等作出的，不能说反映了实际的使用情况。
而以往，作为更准确地获得轴承的预测寿命的装置提议了各种方案。例如，日本专利第5910124号公报(专利文献1)公开了如下的轴承的剩余寿命预测方法：以非破坏的方式检查安装到机械装置中的轴承，高精度地预测轴承的剩余寿命(高精度地求出预测寿命)。该专利文献1所公开的轴承的剩余寿命预测方法使用可变地输出励磁电流频率的涡电流装置，使施加到实验线圈的励磁电流频率从高频域到低频域多阶段地变化，按励磁电流频率分别检测出针对轴承在使用前后的实验线圈的输出电压。并且，计算出轴承在使用前后的励磁电流的每一频率的输出电压之差即第一差量、以及相邻设定的频率间的第一差量之间的差即第二差量，使用基于轴承深度方向在使用前后的组织变化程度的第二差量的值，来预测轴承的剩余寿命。
此外，例如日本专利第2963146号公报(专利文献2)公开了如下富有通用性的轴承的寿命预知装置：可以在剥离的极其微小的阶段(初始阶段)高精度地预知剩余寿命(高精度地求出预测寿命)。该专利文献2所公开的轴承的寿命预知装置通过AE传感器检测来自轴承的声发射(acoustic emission，AE)，将来自该AE传感器的AE信号与阈值进行比较，计算出AE信号超过阈值的AE信号的产生周期。并且，将计算出的每一产生周期的产生数量进行合计，并除以对应于各产生周期的每个部位的理论产生数量，计算每个部位的AE产生概率，计算与该计算出的AE产生概率的时间对应的梯度。然后，根据计算出的梯度和求出该梯度的时间点的AE产生概率，来计算剩余寿命。
并且，例如日本专利第3891049号公报(专利文献3)公开了如下轴承的寿命预测方法以及轴承的寿命预测装置：不分解轴承单元地预测轴承的剩余寿命，而且可以正确地进行该预测(可以正确地求出预测寿命)。该专利文献3所公开的轴承的寿命预测技术，例如在开始使用后测定轴承的润滑剂特性，根据该测定出的润滑剂特性的信息换算对轴承寿命造成的影响度，从而计算轴承寿命。
如上所述，以往轴承的预测寿命例如是基于设计者在机器上计算出的结果或实验结果等而作出的，并非反映实际的使用情况。
此外，作为更准确地获得轴承的预测寿命的装置，例如做出了现有技术文献1～3这样的提案，但都是基于规定算法来获得轴承的预测寿命。然而，轴承的预测寿命因轴承的使用条件或环境等不同而发生变化，并且轴承的损坏模式多种多样，因此现有技术文献1～3都不能说所获得的轴承的预测寿命满足各种模式。
发明内容
鉴于上述的现有技术的课题，本发明的目的在于提供一种机械学习装置、寿命预测装置以及机械学习方法，可以获得基于实际使用轴承的实际环境的轴承的预测寿命。
根据本发明涉及的第一实施方式，提供一种机械学习装置，其学习轴承的预测寿命，其特征在于，所述机械学习装置具有：状态观测部，其对状态变量进行观测，该状态变量包含所述轴承的振动、声音、温度以及载荷中的至少一个；以及学习部，其根据所述状态观测部的输出，来学习所述轴承的预测寿命。
还可以是，所述机械学习装置还具有：意图决定部，其参照所述学习部学习而得的所述预测寿命，决定用于预测所述轴承的寿命的预测寿命变化曲线。还可以是，所述学习部具有：回报计算部，其根据所述状态观测部的输出来计算回报；以及价值函数更新部，其根据所述状态观测部的输出以及所述回报计算部的输出，对应于所述回报来更新与所述轴承的预测寿命相关的价值函数。优选的是，在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量为规定值以上时，所述回报计算部给予负回报，在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量比规定值小时，所述回报计算部给予正回报。
还可以是，所述机械学习装置还具有：用于取得数据的数据取得部，该数据包含所述轴承的种类、大小、环境条件、使用条件以及运转时间中的至少一个，所述学习部根据所述状态观测部的输出以及所述数据取得部的输出，来学习所述轴承的预测寿命。优选的是，在多个轴承的预测寿命中，所述学习部根据所述数据取得部的输出来学习所确定的轴承的预测寿命。还可以是，所述学习部具有神经网络。
也可以是，所述机械学习装置经由网络与其他机械学习装置相互共享或者交换数据。也可以是，所述学习部使用由所述其他机械学习装置的学习部更新而得的其他行为值表，来更新自己的行为值表。也可以是，所述机械学习装置存在于云端服务器上。
根据本发明涉及的第二实施方式，提供一种寿命预测装置，具有：上述的本发明第一实施方式的机械学习装置；以及轴承寿命显示器，其显示所述学习到的所述轴承的预测寿命。
根据本发明涉及的第三实施方式，提供一种用于学习轴承的预测寿命的机械学习方法，其特征在于，对状态变量进行观测，该状态变量包含所述轴承的振动、声音、温度以及载荷中的至少一个，根据观测到的所述状态变量，学习所述轴承的预测寿命。
还可以是，在所述机械学习方法中，还参照学习到的所述预测寿命，决定用于预测所述轴承的寿命的预测寿命变化曲线。还可以是，在所述预测寿命的学习中，根据观测到的所述状态变量，来计算回报，在所述预测寿命的学习中，根据观测到的所述状态变量以及计算出的所述回报，对应于所述回报来更新与所述轴承的预测寿命相关的价值函数。优选的是，在计算所述回报时，在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量为规定值以上时，给予负回报，在计算所述回报时，在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量比规定值小时，给予正回报。
附图说明
通过参照以下的附图，可以更明确地理解本发明。
图1是表示本发明涉及的机械学习装置的一实施方式的框图，
图2是表示应用了图1所示的机械学习装置的工业机械的一部分的框图，
图3是示意性地表示神经元模型的图，
图4是示意性地表示将图3所示的神经元组合而构成的三层神经网络的图，
图5是用于说明图1所示的机械学习装置的动作的一例的流程图，
图6A、图6B以及图6C是用于对图1所示的机械学习装置涉及的轴承的预测寿命的处理的一例进行说明的图，
图7是用于对图1所示的机械学习装置的动作的其他示例进行说明的流程图，
图8是用于对轴承的预测寿命的处理的一例进行说明的图。
具体实施方式
首先，在对本发明涉及的机械学习装置、寿命预测装置以及机械学习方法的实施方式进行详细描述之前，参照图8对轴承的预测寿命的处理的一例进行说明。图8是用于对轴承的预测寿命的处理的一例进行说明的图，表示振动相对于轴承的运转时间(经过时间)的大小变化。另外，在图8中，参照符号Vmax表示轴承为寿命内时的振动大小(寿命振动)，L0表示轴承的预测寿命相对于经过时间的变化情况(预测寿命变化曲线)。
如图8所示，预测寿命变化曲线L0例如是根据设计者在机器上计算出的结果或实验结果等，将自开始轴承的使用的初始状态起到振动大小超过寿命振动Vmax表示为振动相对于经过时间的大小变化。并且，例如若某轴承的预测寿命变化曲线L0超过寿命振动Vmax，则该轴承到寿命了而要进行更换等。
这样，图8所示的预测寿命变化曲线L0例如是根据设计者在机上计算出的结果或实验结果等而制作出的，不能说反映了轴承的实际使用情况。即，认为轴承的寿命因使用条件或环境等不同而发生变化。因此，例如在将余富量估计得大地设定预测寿命变化曲线L0时，实际上也能进一步长时间的使用，在这之前，判断为到了轴承寿命而进行更换等。反之，在将余富量估计得小地设定预测寿命变化曲线L0时，不论判断为是否到轴承寿命，都会产生轴承的故障而导致工件的加工精度降低或产生机床中较大的停机时间。
以下参照附图，对本发明涉及的机械学习装置、寿命预测装置以及机械学习方法的实施方式进行详细描述。图1是表示本发明涉及的机械学习装置的一实施方式的框图，表示应用了“强化学习(Q学习)”的机械学习装置的示例。
如图1所示，机械学习装置2学习轴承11的预测寿命，包含：状态观测部21、学习部22、意图决定部23、以及数据取得部24。例如，通过直接设置于轴承11的、或者安装于轴承11附近的各种传感器12获得的状态量(状态变量)，例如轴承11的振动、声音、温度以及载荷等被输入到状态观测部21。另外，状态观测部21不需要全部受理这些轴承11的振动、声音、温度以及载荷，而是将它们中的至少一个作为状态变量来受理。此外，作为状态观测部21受理的状态变量，不限于轴承11的振动、声音、温度以及载荷，也可以将与轴承11相关的其他信息作为状态变量来受理。此外，在图1中通过参照符号1表示集中了轴承11以及传感器12的装置。
数据取得部24例如从控制装置3取得轴承11的种类、大小、环境条件、使用条件以及运转时间的数据，将基于该取得的数据的输出给予到学习部22。这里，数据取得部24不需要受理这些轴承11的种类、大小、环境条件、使用条件以及运转时间的所有数据，也可以受理它们中的至少一个、或者受理别的其他数据。此外，作为环境条件以及使用条件，例如包含使用轴承11的周围的温度和湿度、以及所设定的载荷等。
学习部22根据数据取得部24的输出，例如识别出作为对象的轴承11的种类或大小等而进行学习。另外，例如在机械学习装置2将作为对象的轴承11归为一类而周围环境也稳定时等，也可以不必设置数据取得部24。或者，当然也可以将轴承11的种类、大小、环境条件、使用条件以及运转时间等数据输入到状态观测部21。此外，假设控制装置3掌握例如CNC(Computerized Numerical Control，计算机数值控制)装置或机器人控制装置这样的轴承11的种类、大小、环境条件、使用条件以及运转时间等信息，但是输入到数据取得部24的数据不限于来自控制装置3的数据，例如还包含操作员输入的数据，可以有各种情况。
学习部22根据状态观测部21的输出以及数据取得部24的输出来学习轴承11的预测寿命，包含回报计算部221以及价值函数更新部222。回报计算部221根据状态观测部21的输出计算回报，价值函数更新部222根据状态观测部21的输出以及回报计算部221的输出，对应于回报来更新与轴承11的预测寿命相关的价值函数。意图决定部23参照学习部22学习到的预测寿命，决定预测出轴承11的寿命的预测寿命变化曲线。另外，轴承寿命显示器4例如根据意图决定部23的输出，显示轴承11的预测寿命。该轴承寿命显示器4例如设为设置了机械学习装置2的寿命预测装置的显示部，例如可以显示基于意图决定部23的输出的轴承11的剩余寿命，或者，可以显示到更换轴承11为止的期间。并且，也可以设为：在迫近轴承11的寿命时，产生表示轴承11的更换时间日期的警报等。
图2是表示应用了图1所示的机械学习装置的工业机械的一部分的框图，表示针对n个轴承以及传感器1a～1n设置有机械学习装置2。这里，轴承以及传感器1a～1n分别对应于图1的参照符号1所示的轴承11以及传感器12，分别经由信号线5而与机械学习装置2连接。另外，轴承以及传感器1a～1n是全部相同结构的轴承11以及传感器12。
轴承以及传感器1a～1n中的各轴承(11)中，直接或者在附近安装各种传感器(12)，来自这些各种传感器的信号经由信号线5输入到机械学习装置2。即，例如来自各轴承以及传感器1a～1n的振动、声音、温度以及载荷等状态变量输入到机械学习装置2(状态观测部21)。此外，虽然在图2中进行了省略，但是例如将轴承以及传感器1a～1n中的各轴承(11)的种类、大小、环境条件、使用条件以及运转时间等数据输入到数据取得部24。
这里，在轴承以及传感器1a中，例如考虑如下情况：若在轴承(11)振动大小(振动加速度)在达到fa[m/s2]则设定为到寿命。另外，经过时间(时间)中的振动加速度(状态变量)分别经由信号线5被输入记录(存储)到具有学习部22的机械学习装置2的状态观测部21中。在学习部22中，根据汇集于机械学习装置2的信息，预测各轴承(11)的寿命。例如将运转开始初期(初始状态)的轴承11的状况、与运转开始后经过了某一时间时的轴承11的状况进行比较，通过用时间的函数进行表示而将寿命t预测为f(t)＝fa。此外，以一定的间隔将学习部22预测出的轴承11的状况的函数f(t)与实际的轴承11的状况的变化f(tr)进行比较。
例如，在将预测寿命的允许范围设为PR时，在回报计算部221中，如果|f(t)-f(tr)|＜PR成立，则设定正回报，反之，如果|f(t)-f(tr)|≥PR成立，则设定负回报。然后，通过价值函数更新部222，根据状态观测部21的输出以及由回报计算部221计算出的回报，来更新用于决定预测寿命的价值函数。由此，例如不论轴承11的规格或环境，都能预测正确的轴承11的寿命。另外，在后面参照图5～图7对它们的处理进行详细描述。
而如图2所示，机械学习装置2例如可以经由以太网(注册商标)或互联网等网络6与其他机械学习装置(2)相连，能够与其他机械学习装置相互进行数据的共享和交换。此外，机械学习装置2例如可以设置于使用轴承11的工业机械中或其附近，或者设置于具有该工业机械的工场等，但是不限于此，例如也能够设置于经由网络6的云端服务器上。并且，还能够将机械学习装置2以及轴承寿命显示器4内置于控制装置3，使控制装置3具有作为寿命预测装置的功能。
上述的本实施方式的机械学习装置2可以广泛地应用于应用了轴承11的各种机械，尤其是能够进行轴承11的更换(包含轴承11在内的部件的更换)，此外，在由于轴承11的劣化或损坏而产生故障时，在应用于工件的加工精度降低或产生停机时间这样的工业机械时，可以期待较大的作用效果。作为这样的工业机械，想到各种工业用机器人或机床。此外，作为机械学习装置，并不局限于应用了参照图1所说明的“强化学习(Q学习)”的机械学习装置2。
而机械学习装置具有如下功能：通过解析而从输入到装置的数据集合中提取出其中有用的规则和知识表现、判断基准等，输出其判断结果，并且进行知识的学习(机械学习)。该机械学习的方法是多种多样的，但是大致分类为例如“有教师学习”、“无教师学习”以及“强化学习”。并且，在实现这些方法的基础上，存在对特征量本身的提取进行学习的、称为“深度学习(深度学习：Deep Learning)”的方法。
如上所述，表示图1所示的机械学习装置2应用了“强化学习(Q学习)”的示例，该机械学习装置2还可以使用广泛使用的计算机或者处理器，但是例如，在应用GPGPU(General-Purpose computing on Graphics Processing Units，通用图形处理器)或大规模PC簇时，能够进一步进行高速处理。
另外，所谓有教师学习是通过将教师数据、即某种输入与结果(label)的数据组大量地给予到机械学习装置，学习这些数据集(data set)中的特征，能够归纳性地获得从输入推定出结果的模型(误差模型)、即其相关性。例如，能够使用后述的神经网络等算法来实现。
此外，所谓无教师学习是如下技术：通过只将输入数据大量地给予到机械学习装置，学习输入数据进行怎样的分布，即使不给予对应的教师输出数据，也能学习针对输入数据进行压缩、分类、整形等的装置。例如，能够将处于这些数据集之中的特征聚类于相似者之间等。使用其结果来进行设定某个基准而使其为最佳化这样的输出分配，由此，能够实现预测输出。
并且，作为无教师学习和有教师学习中间的问题设定而被称为半有教师学习，其对应于如下情况：例如，仅存在一部分输入和输出的数据组，除此之外仅有输入数据。在本实施方式中，在无教师学习中能够利用即使实际上不使工业机械元件(多个工业机械)动作也能够获得的数据(图像数据和模拟数据等)来高效地进行学习。
接下来，对强化学习进行说明。首先，以如下方式来考虑强化学习的问题设定。
·例如，轴承的寿命预测装置(机械学习装置)观测环境状态，决定行为。
·环境按照某种规则进行变化，并且自身行为有时也对环境给予变化。
·每次进行行为时反馈回来回报信号。
·想要最大化的是到将来的(折扣)回报的总和。
·从完全不知道行为引起的结果或者从只是不完全知道的状态起，开始学习。即，以数值控制装置实际动作开始，能够将其结果获得为数据。也就是说，需要一边试错一边探索最佳的行为。
·可以将像模仿人类动作这样事前学习(所述的称为有教师学习、逆强化学习这样的技术)了的状态设为初始状态，来从较好的开始点起开始学习。
这里，所谓强化学习是用于如下学习的方法：不单进行判定和分类，还通过学习行为而在行为给予环境的相互作用基础上学习适当的行为，即，使将来获得的回报最大化。以下，作为示例，以Q学习的情况继续说明，但是并非局限于Q学习。
Q学习是在某种环境状态s下学习选择行为a的价值Q(s、a)的方法。也就是说，在某种状态s时，将价值Q(s、a)最高的行为a选择为最佳行为a。但是，最开始对于状态s与行为a的组合来说，完全不知道价值Q(s、a)的正确值。因此，智能体(行为主体)在某种状态s下选择各种各样的行为a，并针对当时的行为a给予回报。由此，智能体继续学习更好的行为选择，即学习正确的价值Q(s、a)。
并且，行为的结果是想要使到将来获得的回报的总和最大化，所以目标是最终成为Q(s、a)＝E[Σ(γt)rt]。这里，按最佳行为改变状态时得到期望值，由于不知道期望值，因此一边探索一边学习。这样的价值Q(s、a)的更新式例如可以通过如下数学式(1)来表示。
在上述的数学式(1)中，st表示时刻t的环境状态，at表示时刻t的行为。通过行为at，状态变化为st+1。rt+1表示通过该状态的变化而得到的回报。此外，带有max的项是：在状态st+1下，将γ乘以选择出当时知道的Q值最高的行为a时的Q值。这里，γ是0＜γ≤1的参数，被称为折扣率。此外，α是学习系数，设α的范围为0＜α≤1。
上述的数学式(1)表示如下方法：根据试行at的结果而反馈回来的回报rt+1，更新状态st下的行为at的评价值Q(st、at)。即，表示了：若回报rt+1+行为a导致的下一状态下的最佳行为max a的评价值Q(st+1、max at+1)比状态s下的行为a的评价值Q(st、at)大，则增大Q(st、at)，反之如果小，则减小Q(st、at)。也就是说，使某种状态下的某种行为值，接近在作为结果即时反馈回来的回报和该行为导致的下一状态下的最佳的行为值。
这里，Q(s、a)在计算机上的表现方法有以下方法：针对所有的状态行为对(s、a)，将其值保持为表格的方法、以及准备近似Q(s、a)这样的函数的方法。在后者的方法中，可以通过随机梯度下降法等方法来调整近似函数的参数来实现上述的数学式(1)。另外，作为近似函数，可以使用后述的神经网络。
此外，作为强化学习中的价值函数的近似算法，可以使用神经网络。图3是示意性地表示神经元模型的图，图4是示意性地表示将图3所示的神经元组合而构成的三层神经网络的图。即，例如由模拟了图3所示那样的神经元模型的运算装置以及存储器等构成神经网络。
如图3所示，神经元输出针对多个输入x(在图3中，作为一个示例输入x1～x3)的输出(结果)y。对各输入x(x1、x2、x3)乘以与该输入x对应的权值W(W1、W2、W3)。由此，神经元输出由如下数学式(2)表现的结果y。另外，输入x、结果y以及权值w都是向量。此外，在下述的数学式(2)中，θ是偏置(bias)，fk是激活函数。
参照图4对组合了图3所示的神经元而构成的三层神经网络进行说明。如图4所示，从神经网络的左侧输入多个输入x(这里作为一例是输入x1～输入x3)，从右侧输出结果y(这里作为一例，结果y1～结果y3)。具体来说，输入x1、x2、x3乘以对应的权值而被输入到三个神经元N11～N13的每一个。与这些输入相乘的权值统一标记为W1。
神经元N11～N13分别输出z11～z13。在图4中，这些z11～z13可以被统一标记为特征向量Z1，看作是提取出输入向量的特征量而得的向量。该特征向量Z1是权值W1与权值W2间的特征向量。z11～z13乘以对应的权值而被输入到两个神经元N21以及N22的每一个。与这些特征向量相乘的权值被统一标记为W2。
神经元N21、N22分别输出z21、z22。在图4中，这些z21、z22被统一标记为特征向量Z2。该特征向量Z2是权值W2与权值W3之间的特征向量。z21、z22乘以对应的权值而被输入到三个神经元N31～N33的每一个。与这些特征向量相乘的权值被统一标记为W3。
最后，神经元N31～N33分别输出结果y1～结果y3。在神经网络的动作中有学习模式和价值预测模式。例如，在学习模式中使用学习数据集来学习权值W，在预测模式中使用其参数进行数值控制装置的行为判断。另外，为了方便而写为预测，但是也可以是检测、分类、推论等多种多样的任务。
这里，可以是在预测模式下对实际运行数值控制装置而获得的数据进行即时学习，并反映到下一行为中(在线学习)，也可以是使用预先收集好的数据组来进行汇总学习，以后一直用该参数进行检测模式(批量学习)。或者，每当积攒了其中间的某种程度数据时，就可以插入学习模式。
此外，可以通过误差反传播法(back propagation)来学习权值W1～W3。另外，误差信息从右侧进入流向左侧。误差反传播法是如下技术：针对各神经元调整(学习)各自的权值使得降低输入了输入x时的输出y与真的输出y(教师)之间的差量。这样的神经网络还可以在三层以上进一步增加层(称为深层学习)。此外，还可以阶段性地进行输入的特征提取，仅从教师数据自动地获得用于反馈结果的运算装置。
图5是用于说明图1所示的机械学习装置的动作的一例的流程图，图6A、图6B以及图6C是用于对图1所示的机械学习装置涉及的轴承的预测寿命的处理的一例进行说明的图。
首先，如图5所示，在开始机械学习(学习开始)时，在步骤ST11中，数据取得部24例如取得轴承11的种类、大小、环境条件、使用条件以及运转时间的数据，向步骤ST12前进。另外，在步骤11中，数据取得部24取得的数据可以不是轴承11的种类、大小、环境条件、使用条件以及运转时间的全部，而是其中一部分，还可以是取得另外的其他数据。
在步骤ST12中，状态观测部21经由设置于轴承11的传感器(振动传感器)12取得与轴承11的振动相关的信息。这里，状态观测部21例如对包含轴承11的振动、声音、温度以及载荷中的至少一个的状态变量进行观测即可，例如经由直接设置于轴承11或者安装于轴承11附近的各种传感器12来对这些进行观测。此外，作为状态观测部21观测的轴承11的状态变量(状态量)，是振动、声音、温度以及载荷中的至少一个即可，但也可以包含它们中的多个，或者另外的其他状态变量。另外，在后述的图7中，对基于轴承11的两个状态变量(振动以及温度)的处理进行说明。
接下来，向步骤ST13前进，判定基于轴承11振动的轴承11的变化是否在预测寿命的允许范围内。例如，如图6A所示，在经过时间(运转时间)T1，在将基于轴承11振动(实际观测到的振动)的轴承11的变化设为f(t1r)，将此前的(例如，初始设定的)预测寿命变化曲线设为L0时，判定与基于此前的预测寿命变化曲线L0的时间T1中轴承的变化f(t1)之差是否比预测寿命的允许范围PR小(|f(t1)-f(t1r)|＜PR)。
在步骤ST13中，在判定为基于轴承11振动的轴承11的变化在预测寿命的允许范围内(ST13：是)，即|f(t1)-f(t1r)|＜PR成立时，向步骤ST14前进，设定正回报而向步骤ST15前进。另一方面，在步骤ST13中，在判定为基于轴承11振动的轴承11的变化不在预测寿命的允许范围内(ST13：否)，即|f(t1)-f(t1r)|≥PR时，向步骤ST16前进，设定负回报向步骤ST15前进。
在步骤ST15中，进行基于步骤ST14的“正回报”以及基于步骤ST16的“负回报”的回报计算，向步骤ST17前进，更新预测寿命(更新基于价值函数更新部222的价值函数)，返回到步骤ST11，重复同样的处理。
这里，图6A以及图6B是在步骤ST13中判定为基于轴承11振动的轴承11的变化不在预测寿命的允许范围内(ST13：否)的情况，即，图6A是判定为|f(t1)-f(t1r)|≥PR的情况，以及、图6B是判定为|f(t2)-f(t2r)|≥PR的情况。由此，在图6A中，此前的预测寿命变化曲线L0在时间T1以后被设为基于更新后的价值函数的新预测寿命变化曲线L1，此外，在图6B中，此前的预测寿命变化曲线L1在时间T2以后被设为基于更新后的价值函数的新预测寿命变化曲线L2。
与此相对地，图6C是在步骤ST13中，判定为基于轴承11振动的轴承11的变化在预测寿命的允许范围内(ST13：是)的情况，即，判定为|f(t1)-f(t1r)|＜PR成立的情况，此时，由于设定了正回报，因此此前的预测寿命变化曲线L2在时间T3以后也维持着预测寿命变化曲线L2。这里，作为进行图5所示的处理的时间间隔，对应于作为对象的轴承11能够被设定为各种形式，例如1小时～数小时一次，或者也可以在应用了轴承11的机床等的起动时等时候进行执行。
图7是用于对图1所示的机械学习装置的动作的其他示例进行说明的流程图。图7所示的机械学习装置的动作的其他示例相当于除了基于参照图5所说明的轴承11振动的处理之外，还追加了基于轴承11温度的处理。
如图7所示，在开始机械学习(学习开始)时，首先，在步骤ST21中，数据取得部24例如取得轴承11的种类、大小、环境条件、使用条件以及运转时间的数据，向步骤ST22前进。在步骤ST22中，状态观测部21经由设置于轴承11的传感器(振动传感器以及温度传感器)12取得与轴承11的振动以及温度相关的信息。
接下来，向步骤ST23前进，判定基于轴承11振动的轴承11的变化是否在预测寿命的允许范围内。这些与参照图5～图6C所说明的处理相同，省略其说明。这里，图7中的步骤ST23以及ST28对应于图5的步骤ST13以及ST16。并且，向步骤ST24前进，判定基于轴承11温度的轴承11的变化是否在预测寿命的允许范围内。该步骤ST24的处理也与所述的图5中的步骤ST13的处理相同，例如如图6A所示，在经过时间T1，在将基于轴承11温度(实际观测到的温度)的轴承11的变化设为f(t1r)，将此前的(例如，初始设定的)预测寿命变化曲线设为L0时，判定与基于此前的预测寿命变化曲线L0的时间T1中轴承的变化f(t1)之差是否比预测寿命的允许范围PR小(|f(t1)-f(t1r)|＜PR)。
在步骤ST24中，在判定为基于轴承11温度的轴承11的变化在预测寿命的允许范围内(ST24：是)，即|f(t1)-f(t1r)|＜PR成立时，向步骤ST25前进，设定正回报而向步骤ST27前进。另一方面，在步骤ST24中，在判定为基于轴承11温度的轴承11的变化不在预测寿命的允许范围内(ST24：否)，即|f(t1)-f(t1r)|≥PR时，向步骤ST26前进，设定负回报向步骤ST27前进。
在步骤ST27中，进行基于步骤ST25的“正回报”和基于步骤ST26以及ST28的“负回报”的回报计算，向步骤ST29前进，更新预测寿命(更新基于价值函数更新部222的价值函数)，返回到步骤ST21，重复同样的处理。另外，在图7中对根据轴承11的振动以及温度进行学习处理的情况进行了说明，但是也可以如上所述地使用另外的其他状态变量。
根据本发明涉及的机械学习装置、寿命预测装置以及机械信息方法，实现了可以获得基于实际使用轴承的实际环境的轴承的预测寿命这样的有益效果。
以上，对实施方式进行了说明，但是这里所记载的所有示例和条件以帮助应用于发明以及技术的发明概念的理解为目的而被记载，特别是所记载的示例和条件并不用于限制发明范围。此外，说明书的记载也并不表示发明的优点以及缺点。虽然详细地记载了发明的实施方式，但是应当理解在不脱离本发明精神以及范围的情况下可以进行各种变更、置换、变形例。

Claims (15)

1.一种机械学习装置，其学习轴承的预测寿命，其特征在于，所述机械学习装置具有：
状态观测部，其对状态变量进行观测，该状态变量包含所述轴承的振动、声音、温度以及载荷中的至少一个；以及
学习部，其根据所述状态观测部的输出，来学习所述轴承的预测寿命。
2.根据权利要求1所述的机械学习装置，其特征在于，
所述机械学习装置还具有：意图决定部，其参照所述学习部学习而得的所述预测寿命，决定用于预测所述轴承的寿命的预测寿命变化曲线。
3.根据权利要求1或2所述的机械学习装置，其特征在于，
所述学习部具有：
回报计算部，其根据所述状态观测部的输出来计算回报；以及
价值函数更新部，其根据所述状态观测部的输出以及所述回报计算部的输出，对应于所述回报来更新与所述轴承的预测寿命相关的价值函数。
4.根据权利要求3所述的机械学习装置，其特征在于，
在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量为规定值以上时，所述回报计算部给予负回报，
在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量比规定值小时，所述回报计算部给予正回报。
5.根据权利要求1～4中任一项所述的机械学习装置，其特征在于，
所述机械学习装置还具有：用于取得数据的数据取得部，该数据包含所述轴承的种类、大小、环境条件、使用条件以及运转时间中的至少一个，
所述学习部根据所述状态观测部的输出以及所述数据取得部的输出，来学习所述轴承的预测寿命。
6.根据权利要求5所述的机械学习装置，其特征在于，
在多个轴承的预测寿命中，所述学习部根据所述数据取得部的输出来学习所确定的轴承的预测寿命。
7.根据权利要求1～6中任一项所述的机械学习装置，其特征在于，
所述学习部具有神经网络。
8.根据权利要求1～7中任一项所述的机械学习装置，其特征在于，
所述机械学习装置经由网络与其他机械学习装置相互共享或者交换数据。
9.根据权利要求8所述的机械学习装置，其特征在于，
所述学习部使用由所述其他机械学习装置的学习部更新而得的其他行为值表，来更新自己的行为值表。
10.根据权利要求1～9中任一项所述的机械学习装置，其特征在于，
所述机械学习装置存在于云端服务器上。
11.一种寿命预测装置，其特征在于，具有：
如权利要求1至权利要求10中任一项记载的机械学习装置；以及
轴承寿命显示器，其显示所述学习到的所述轴承的预测寿命。
12.一种用于学习轴承的预测寿命的机械学习方法，其特征在于，
对状态变量进行观测，该状态变量包含所述轴承的振动、声音、温度以及载荷中的至少一个，
根据观测到的所述状态变量，学习所述轴承的预测寿命。
13.根据权利要求12所述的机械学习方法，其特征在于，
在所述机械学习方法中，还参照学习到的所述预测寿命，决定用于预测所述轴承的寿命的预测寿命变化曲线。
14.根据权利要求12或13所述的机械学习方法，其特征在于，
在所述预测寿命的学习中，根据观测到的所述状态变量，来计算回报，
在所述预测寿命的学习中，根据观测到的所述状态变量以及计算出的所述回报，对应于所述回报来更新与所述轴承的预测寿命相关的价值函数。
15.根据权利要求14所述的机械学习方法，其特征在于，
在计算所述回报时，在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量为规定值以上时，给予负回报，
在计算所述回报时，在基于所述状态变量的所述轴承的状态变化的推移与预测出的状态变化的差异量比规定值小时，给予正回报。
CN201710537384.4A 2016-07-04 2017-07-04 机械学习装置、寿命预测装置以及机械学习方法 Withdrawn CN107576499A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016132529A JP2018004473A (ja) 2016-07-04 2016-07-04 軸受の予測寿命を学習する機械学習装置、寿命予測装置および機械学習方法
JP2016-132529 2016-07-04

Publications (1)

Publication Number Publication Date
CN107576499A true CN107576499A (zh) 2018-01-12

Family

ID=60662503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710537384.4A Withdrawn CN107576499A (zh) 2016-07-04 2017-07-04 机械学习装置、寿命预测装置以及机械学习方法

Country Status (4)

Country Link
US (1) US20180003588A1 (zh)
JP (1) JP2018004473A (zh)
CN (1) CN107576499A (zh)
DE (1) DE102017006054A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215108A (zh) * 2020-09-29 2021-01-12 三一专用汽车有限责任公司 搅拌车故障预判方法、装置和计算机可读存储介质
CN113607413A (zh) * 2021-08-26 2021-11-05 上海航数智能科技有限公司 一种基于可控温湿度的轴承部件故障监测预测方法

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521725A (zh) * 2016-11-04 2024-02-06 渊慧科技有限公司 加强学习系统
JP6577527B2 (ja) * 2017-06-15 2019-09-18 ファナック株式会社 学習装置、制御装置及び制御システム
JP2019132773A (ja) * 2018-02-01 2019-08-08 オークマ株式会社 回転軸装置の診断装置
JP2019132809A (ja) * 2018-02-02 2019-08-08 Ntn株式会社 転がり軸受の振動分析装置および転がり軸受の検査方法
JP6540911B1 (ja) * 2018-02-21 2019-07-10 株式会社安川電機 モータ制御システム、モータ制御装置、及びベアリング寿命診断方法
JP7054641B2 (ja) * 2018-03-30 2022-04-14 株式会社Ｎｔｔドコモ 構造物特性評価システム
DE102018205871A1 (de) * 2018-04-18 2019-10-24 Robert Bosch Gmbh Betriebsüberwachungsverfahren
EP3567395A1 (en) * 2018-05-08 2019-11-13 Rohde & Schwarz GmbH & Co. KG Method for direction finding of at least one stationary and/or moving transmitter as well as system for direction finding
JP7103878B2 (ja) * 2018-07-10 2022-07-20 ファナック株式会社 温度推定装置及び寿命評価装置
DE102019112877A1 (de) * 2019-05-16 2020-11-19 Homag Gmbh Verfahren zur Überwachung eines Spindellagers
SG11202112494YA (en) 2019-09-27 2021-12-30 Gentle Energy Corp Self-powered sensor, and monitoring system including same
KR20220041339A (ko) * 2020-09-25 2022-04-01 젠틀에너지 주식회사 자가 발전식 센서, 이를 포함하는 모니터링 시스템
CN114402521A (zh) * 2019-09-27 2022-04-26 文雅能源公司 自发电式传感器、包括其的监视系统
JP7430317B2 (ja) * 2019-09-30 2024-02-13 国立大学法人大阪大学 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム
JP7290221B2 (ja) * 2019-09-30 2023-06-13 国立大学法人大阪大学 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム
JP2021056153A (ja) * 2019-10-01 2021-04-08 国立大学法人大阪大学 余寿命予測装置、余寿命予測システム、および余寿命予測プログラム
JP6879434B1 (ja) * 2020-02-25 2021-06-02 三菱電機株式会社 圧縮機、空気調和機、冷凍機および圧縮機制御方法
EP3876047A1 (de) * 2020-03-04 2021-09-08 Siemens Aktiengesellschaft Verfahren und sicherheitsgerichtete steuerungseinrichtung zur ermittlung und/oder auswahl eines sicheren zustands
DE102020118805A1 (de) 2020-07-16 2022-01-20 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zum autonomen Konstruieren und/oder Designen von zumindest einer Komponente für ein Bauteil
CN117664576B (zh) * 2023-11-29 2024-06-21 东北大学 一种基于改进优化器深度学习模型的轴承健康评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005214631A (ja) * 2004-01-27 2005-08-11 Kansai Electric Power Co Inc:The 状態監視保全装置及び状態監視保全方法
US8301406B2 (en) * 2008-07-24 2012-10-30 University Of Cincinnati Methods for prognosing mechanical systems
CN103048133A (zh) * 2012-12-03 2013-04-17 陕西科技大学 一种基于贝叶斯网络的滚动轴承故障诊断方法
CN103163864A (zh) * 2013-03-07 2013-06-19 电子科技大学 机械设备状态评估的优化方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5910124A (ja) 1982-07-08 1984-01-19 株式会社東芝 周波数変化率継電器
JP2963146B2 (ja) 1990-05-31 1999-10-12 光洋精工株式会社 軸受の寿命予知装置
JP3188812B2 (ja) * 1994-06-30 2001-07-16 横河電機株式会社 設備診断システム
JP2002090266A (ja) * 2000-09-20 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 余寿命予測装置
JP2002133390A (ja) * 2000-10-18 2002-05-10 Matsushita Electric Ind Co Ltd 学習装置および記録媒体
JP3891049B2 (ja) 2002-06-17 2007-03-07 日本精工株式会社 軸受の寿命予測方法及び軸受の寿命予測装置
DE102007036271A1 (de) * 2007-07-31 2009-02-05 Baumer Hübner GmbH Drehgeber mit Überwachung des Lagerverschleißes sowie Verfahren hierzu
JP2013097713A (ja) * 2011-11-04 2013-05-20 Nippon Telegr & Teleph Corp <Ntt> 消費電力推定装置、方法及びプログラム
JP5749676B2 (ja) * 2012-03-28 2015-07-15 株式会社Ｎｔｔドコモ レコメンド情報生成装置およびレコメンド情報生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005214631A (ja) * 2004-01-27 2005-08-11 Kansai Electric Power Co Inc:The 状態監視保全装置及び状態監視保全方法
US8301406B2 (en) * 2008-07-24 2012-10-30 University Of Cincinnati Methods for prognosing mechanical systems
CN103048133A (zh) * 2012-12-03 2013-04-17 陕西科技大学 一种基于贝叶斯网络的滚动轴承故障诊断方法
CN103163864A (zh) * 2013-03-07 2013-06-19 电子科技大学 机械设备状态评估的优化方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
奚立峰等: "基于神经网络的球轴承剩余寿命预测", 《机械工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215108A (zh) * 2020-09-29 2021-01-12 三一专用汽车有限责任公司 搅拌车故障预判方法、装置和计算机可读存储介质
CN113607413A (zh) * 2021-08-26 2021-11-05 上海航数智能科技有限公司 一种基于可控温湿度的轴承部件故障监测预测方法

Also Published As

Publication number Publication date
US20180003588A1 (en) 2018-01-04
DE102017006054A1 (de) 2018-01-04
JP2018004473A (ja) 2018-01-11

Similar Documents

Publication Publication Date Title
CN107576499A (zh) 机械学习装置、寿命预测装置以及机械学习方法
CN106815642B (zh) 机械学习装置及方法以及电动机控制装置
CN108115682B (zh) 机械学习装置、机器人系统以及机械学习方法
CN106557069B (zh) 机械学习装置和方法以及具有该机械学习装置的机床
CN106560751B (zh) 机器学习装置、机器学习方法及具备机器学习装置的机床
CN107305370A (zh) 设定与产品的异常相关的变量的判定值的生产系统
CN106557070B (zh) 机器学习装置、电动机控制装置、加工机及机器学习方法
CN107825422A (zh) 机械学习装置、机器人系统以及机械学习方法
CN108241296A (zh) 学习组装动作的机器学习装置以及部件组装系统
CN106612088A (zh) 机械学习装置及方法、校正值计算装置及马达驱动装置
CN106826812A (zh) 机械学习器及机械学习方法、层叠芯制造装置及系统
JP6174669B2 (ja) 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム
CN108628253A (zh) 异常检测装置以及机器学习装置
CN110187672A (zh) 故障诊断装置和机器学习装置
CN107301489A (zh) 实施生产计划的生产系统
CN106814606B (zh) 机械学习器、电动机控制系统以及机械学习方法
CN106560997A (zh) 机械学习装置以及电动机控制装置
CN110303492A (zh) 控制装置、机器学习装置以及系统
CN106557816B (zh) 具备机械学习器以及组装试验器的生产设备
CN107704984A (zh) 具有传感器和机械学习部的作业管理系统
CN110171159A (zh) 控制装置以及机器学习装置
Shabanian et al. A neuro-fuzzy online fault detection and diagnosis algorithm for nonlinear and dynamic systems
CN106990760A (zh) 单元控制装置、以及生产系统
CN108803499A (zh) 控制装置以及机器学习装置
CN106557815A (zh) 机械学习装置以及电动机用磁化装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180112