CN109420932B - 异常检测装置 - Google Patents

Abstract

本发明提供一种异常检测装置以及机器学习装置。该异常检测装置具备：状态观测部，其观测与工具更换装置中安装的工具的重量有关的工具重量数据、与工具平衡有关的工具平衡数据以及与更换工具时的状态有关的工具更换状态数据；工具更换状态数据存储部，其将工具重量数据、工具平衡数据以及工具更换状态数据关联起来进行存储；以及判定结果输出部，其根据在加工机更换工具时由状态观测部观测到的工具重量数据、工具平衡数据和工具更换状态数据、以及在工具更换状态数据存储部中存储的数据，检测工具更换的异常。

Description

异常检测装置

技术领域

本发明涉及一种异常检测装置以及机器学习装置，特别是涉及一种进行工具更换时的检测异常的异常检测装置以及机器学习装置。

背景技术

以往，使用一种工具更换装置，其自动地更换在机床的主轴安装的工具。在该工具更换装置中构成为：预先设置了作业所需的多个工具，使工具库进行旋转动作来对工具进行分度从而向主轴安装或拆卸工具，将安装在机床的主轴上的工具自动地更换为与加工状态相应地指定的工具。

在机床的工具更换装置中，有可能由于工具更换装置的机构部的磨损(减速机构的磨损)、螺栓松动等而使分度产生误差，或者由于保持工具的夹紧装置产生磨损，产生所设置的工具掉落这样的故障。在尽管发生了这些故障也继续使机器进行运行的情况下，有可能损坏机器主体、工具、夹具或工件。

作为解决这种问题的现有技术，例如在日本特开平11-333657号公报中公开了以下技术：使用对工具更换装置的工具库进行驱动的电动机的转矩波形、在更换工具时产生的声音(例如，电动机声音或工具的掉落声音)、振动等来检测机器的异常。

然而，在工具更换装置中，即使是相同的工具更换动作，也会由于在工具库中安装的各工具的重量、平衡等而发生变化。因此，即便使用日本特开平 11-333657号公报所记载的技术，由于应该检测为异常的电动机的转矩波形、声音、振动会根据工具库的工具安装状态而发生变化，因此难以一致地检测工具更换的异常。

发明内容

因此，本发明的目的在于，提供一种能够根据工具更换装置的工具的安装状态，恰当地检测工具更换异常的异常检测装置以及机器学习装置。

在本发明中，通过汇集多个机床中的通过工具更换装置更换工具时的数据来收集与各种工具重量/平衡有关的数据，根据工具重量、平衡对收集到的数据进行聚类分析，针对每个群组汇总转矩波形、声音等工具更换时的动作数据。而且，在通过自动工具更换装置更换工具时进行异常判定的情况下，根据判定时的工具重量、平衡来判定当前工具的安装状态属于哪个群组，通过与针对相应的群组汇总的动作数据进行比较来进行异常检测。

而且，本发明的一个方式是一种异常检测装置，其检测具有工具更换装置的加工机更换工具时的异常，该异常检测装置具备：状态观测部，其观测与上述工具更换装置中安装的工具的重量有关的工具重量数据、与工具平衡有关的工具平衡数据以及与更换工具时的状态有关的工具更换状态数据；工具更换状态数据存储部，其将上述工具重量数据、上述工具平衡数据以及上述工具更换状态数据关联起来进行存储；以及判定结果输出部，其根据上述加工机更换工具时由上述状态观测部观测的工具重量数据、工具平衡数据以及工具更换状态数据、以及在上述工具更换状态数据存储部中存储的数据，检测工具更换的异常。

根据本发明，能够根据工具的重量、平衡来恰当地检测工具更换装置的工具更换的异常。通过检测工具更换的异常，能够提前修理工具更换装置，避免由于工具掉落后的运行而导致的机器或工件的损伤。

附图说明

通过参照附图对以下的实施例进行说明，本发明的上述以及其它的目的以及特征变得更加明确。在这些附图中：

图1是一个实施方式的异常检测装置的概要性硬件结构图。

图2是一个实施方式的异常检测装置的概要性功能框图。

图3是表示异常检测装置的一个方式的概要性功能框图。

图4说明基于近邻算法的判定方法。

图5是表示安装了异常检测装置的系统的一个方式的概要性功能框图。

具体实施方式

以下，与附图一起说明本发明的实施方式。

图1是表示第一个实施方式的异常检测装置的主要部分的概要性硬件结构图。例如，能够作为对具备工具更换装置60的加工机50进行控制的控制装置，来安装异常检测装置1。另外，例如，能够作为与具备工具更换装置60 的加工机50一并设置的个人计算机、或经由网络与具备工具更换装置60的加工机50相连接的单元计算机、主计算机等计算机，来安装异常检测装置1。本实施方式的异常检测装置1所具备的CPU 11是整体地控制异常检测装置1 的处理器。CPU 11经由总线20读取在ROM 12中存储的系统程序，按照该系统程序控制整个异常检测装置1。在RAM 13中暂时存储临时的计算数据、显示数据、操作员经由未图示的输入部输入的各种数据等。

非易失性存储器14例如构成为通过未图示的电池进行支援等，即使异常检测装置1的电源被关闭也保持存储状态的存储器。在非易失性存储器14中存储了操作员经由未图示的输入部输入的各种数据(在工具更换装置60中安装的各工具的重量等)、经由接口19从加工机50输入的与工具更换装置60的工具更换动作的状态有关的信息(电动机的转矩、声音、振动等)。非易失性存储器14中存储的各种数据在使用时可以在RAM 13中展开。另外，在ROM 12 中预先写入了异常检测装置1的动作所需要的各种系统程序(包含用于对与后述的机器学习装置100之间的交换进行控制的系统程序)。

接口21是用于将异常检测装置1与机器学习装置100进行连接的接口。机器学习装置100具备：处理器101，其控制整个机器学习装置100；ROM 102，其存储了系统程序等；RAM103，其用于进行与机器学习有关的各处理的临时存储；以及非易失性存储器104，其用于存储学习模型等。机器学习装置100 能够经由接口21来观测异常检测装置1能够取得的各信息(例如，在工具更换装置60中安装的各工具的重量、与工具更换装置60的工具更换动作的状态有关的信息等)。另外，异常检测装置1接受从机器学习装置100输出的异常判定结果，发出警报或者输出使工具更换装置60停止的指令等。

图2是第一个实施方式的异常检测装置1和机器学习装置100的概要性功能框图。图1所示的异常检测装置1所具备的CPU 11以及机器学习装置100 的处理器101执行各系统程序，来控制异常检测装置1和机器学习装置100 各部的动作，由此来实现图2所示的各功能块。本实施方式的异常检测装置1 具备警报部30。

警报部30是以下的功能单元：在机器学习装置100根据从加工机50输入的工具更换装置60中安装的工具的重量和平衡以及工具更换动作的状态，检测出工具更换装置60的工具更换动作中存在异常时输出警报。

警报部30可以经由异常检测装置1所具备的未图示的显示部、声音输出部对作业员输出警报。另外，警报部30也可以将工具更换发生了异常作为警报对加工机50进行输出，此时，从警报部30接收到警报的加工机50可以从未图示的操作盘等通过灯、显示、声音等方式对于在工具更换动作中检测出异常的情况进行输出，中断加工动作和工具更换动作。

另一方面，异常检测装置1所具备的机器学习装置100学习模型结构，该模型结构用于表示在工具更换装置60中安装的工具的重量以及平衡的分布与工具更换动作的状态之间的关系。如图2的功能块所示，异常检测装置1所具备的机器学习装置100具备：状态观测部106，其观测状态变量S，该状态变量S包含与在工具更换装置60中安装的工具的重量有关的工具重量数据S1、与安装了工具的工具更换装置60的平衡有关的工具平衡数据S2、以及与工具更换动作的状态有关的工具更换状态数据S3；学习部110，其学习工具的重量以及平衡的分布与工具更换动作的状态之间的相关性；以及判定结果输出部 122，其使用学习部110已学习的模型来输出判定结果。

状态观测部106进行观测的状态变量S中的工具重量数据S1例如能够使用由作业员输入的工具更换装置60的工具库中安装的工具的信息。工具重量数据S1可以是工具库中安装的工具的总重量，或者也可以是工具的总重量和在工具库的各个工具安装位置安装的工具重量的数组。

状态变量S中的工具平衡数据S2例如能够使用由作业员输入的工具更换装置60的工具库中安装的工具的信息。工具平衡数据S2能够使用根据工具库中安装的各工具的重量、形状以及工具库的形状等计算出的工具库的重心位置的偏差等。

状态变量S中的工具更换状态数据S3例如能够使用在工具更换装置60 更换加工机50的工具时从安装在工具更换装置60各部的传感器等取得的信息。工具更换状态数据S3能够使用对工具更换装置60的工具库进行驱动的电动机的转矩波形、从工具更换装置60中安装的麦克风等取得的更换工具时的声音的波形、从工具更换装置60中安装的振动传感器取得的更换工具时的振动的波形等。

关于工具更换状态数据S3，可以根据由作业员输入的与工具更换的正常/ 异常有关的信息来仅选择并取得正常更换了工具时的信息或者未正常更换工具时的信息(异常时的信息)，或者也可以在工具更换状态数据S3自身中包含由作业员输入的与工具更换的正常/异常有关的信息。可以根据工具更换失败时由作业员输入的紧接工具更换之后的停止信号、由作业员输入的直接表示工具更换的异常的信息(之后，在工具更换装置60的维护等中使用)来判别工具更换的正常/异常，在作业员未进行这样的输入的情况下，可以判别为正常地进行了此时的工具更换动作。

此外，可以在机器学习装置100的所谓训练期中，从在过去的加工时使用未图示的数据记录器等记录的数据中取得状态变量S中包含的各数据。

学习部110按照被总称为机器学习的任意学习算法，基于工具重量数据 S1以及工具平衡数据S2进行聚类分析，并且针对通过该聚类分析而生成的每个群组，将工具重量数据S1以及工具平衡数据S2与工具更换状态数据S3关联起来记录到工具更换状态数据存储部120。学习部110也可以根据过去在工具更换状态数据存储部120中存储的工具重量数据S1以及工具平衡数据S2 进行聚类分析。学习部110还可以对作为聚类分析的结果而得到的各群组赋予标签，并将群组被赋予的标签与属于该群组的数据关联起来存储到工具更换状态数据存储部120。学习部110能够基于包含上述状态变量S的数据集合来反复执行学习。

通过反复进行这样的学习循环，学习部110将工具更换装置60的工具库中安装的工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的分布解析为群组集合，并且自动地解释各群组中的工具更换动作的状态(工具更换状态数据S3)。在学习算法的开始时，工具更换状态数据S3相对于工具重量数据 S1和工具平衡数据S2的群组的相关性实质上是未知的，但是随着学习部110 推进学习，在工具更换状态数据存储部120中逐渐积蓄与工具重量数据S1和工具平衡数据S2的各群组相对的工具更换状态数据S3，能够根据所积蓄的数据来解释工具更换状态数据S3相对于工具重量数据S1和工具平衡数据S2的群组的相关性。而且，当解释到以某种程度能够信赖的水准时，在当前安装了工具的状态下进行了工具更换动作时，能够在工具更换是否正常动作或者是否未正常动作的判定中使用学习部110的学习结果(已学习的模型)。

如上所述，在异常检测装置1所具备的机器学习装置100中，学习部110 使用由状态观测部106观测到的状态变量S，按照机器学习算法来学习工具更换动作的状态相对于工具更换装置60的工具库中安装的工具的重量和平衡的群组的相关性。根据异常检测装置1取得的各信息唯一地求出状态变量S的工具重量数据S1、工具平衡数据S2以及工具更换状态数据S3，因此根据异常检测装置1所具备的机器学习装置100，通过使用学习部110的学习结果，能够不依赖运算或估计而自动地且正确地判定在工具更换装置60的工具库中安装的工具的重量和平衡的群组中的工具更换动作的状态是否正常。

判定结果输出部122根据学习部110进行学习的结果，来判定与当前的工具的重量和平衡的群组相对的当前的工具更换动作的状态的正常/异常，并将该判定结果输出到警报部30。判定结果输出部122从学习部110取得当前输入的工具的重量和平衡归属的群组，并使用工具更换状态数据存储部120中存储的数据中的属于该群组的工具重量数据S1、工具平衡数据S2以及工具更换状态数据S3，来判定当前的工具更换动作的状态的正常/异常。例如，可以使判定结果输出部122根据工具更换状态数据存储部120中存储的属于当前的工具的重量和平衡的群组的工具更换状态数据S3，计算该群组中的工具更换动作的正常/异常的阈值(例如，判定为异常的转矩值的阈值、声音的大小、频率的阈值、振动大小的阈值等)，并将计算出的阈值与当前的工具更换动作的状态进行比较，由此检测工具更换动作的正常/异常。判定结果输出部122可以使用正常进行了工具更换动作时的工具更换状态数据S3来计算这样的阈值，也可以使用工具更换动作为异常时的工具更换状态数据S3来计算这样的阈值。并且，还可以使用正常进行了工具更换动作时的工具更换状态数据S3以及工具更换动作为异常时的工具更换状态数据S3这两者来计算阈值。

例如，还可以使判定结果输出部122根据工具更换状态数据存储部120 中存储的属于当前的工具的重量和平衡的群组的工具更换状态数据S3，来判定当前的工具更换状态数据S3接近于正常进行了工具更换动作时的工具更换状态数据S3的集合以及工具更换动作为异常时的工具更换状态数据S3的集合中的哪一个，由此检测工具更换动作的正常/异常。

例如，还可以使判定结果输出部122根据工具更换状态数据存储部120 中存储的属于当前的工具的重量和平衡的群组的工具更换状态数据S3，生成用于对该群组中的工具更换动作的正常/异常进行判定的判定式(例如，根据判定为异常的转矩值、声音的大小、频率、振动的大小等来计算预定的判定值的判定式)，使用根据所生成的判定式和当前的工具更换动作的状态计算出的判定值，来检测工具更换动作的正常/异常。

例如，还可以使判定结果输出部122预先针对各群组中的每个群组，使用属于群组的工具更换状态数据S3进行机器学习，来构建用于判别各群组中的每个群组的正常/异常的已学习模型，使用该已学习模型来检测当前的工具更换动作的正常/异常。

在异常检测装置1的一个变形例中，作为状态变量S，状态观测部106除了观测工具重量数据S1、工具平衡数据S2以及工具更换状态数据S3以外，还可以观测与工具更换时的指令有关的工具更换指令数据S4。例如，能够从加工程序的程序块取得工具更换指令数据S4ha。

根据上述变形例，机器学习装置100根据工具重量数据S1、工具平衡数据S2以及工具更换指令数据S4进行聚类分析，针对通过该聚类分析而生成的每个群组能够将工具更换状态数据S3进行比较，因此能够以更高精度检测工具更换的正常/异常。

在具有上述结构的机器学习装置100中，学习部110根据工具重量数据 S1和工具平衡数据S2执行的聚类分析的算法没有被特别地限定，作为机器学习能够采用公知的学习算法。图3表示图2所示的异常检测装置1的一个方式的结构，在该结构中具备作为学习算法的一例执行非监督学习的学习部110。非监督学习是指通过向学习装置只赋予大量的输入数据，来识别暗示输入数据之间的关系的特征，从而学习模型的方法，该模型用于推定与新的输入相对的所需的输出。在非监督学习中，即使不赋予与输入数据对应的训练数据，也能够对输入数据进行压缩、分类、整形等。

在图3所示的异常检测装置1所具备的机器学习装置100中，学习部110 具备模型更新部114，该模型更新部114根据状态变量S对用于表示工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的分布的模型M进行更新。通过由模型更新部114反复进行模型M的更新，学习部110学习工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的分布。

模型M的初始值例如为将工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的分布简化而(例如通过一次函数)表现的值，在开始非监督学习之前向学习部110赋予模型M的初始值。模型更新部114根据向学习部110赋予的大量的状态变量S来识别工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的分布的特征，并根据该特征，例如按照预定的更新规则来更新模型M。

在通过非监督学习对于工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的分布进行了聚类分析的情况下，在判定新取得的工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)属于哪一个群组时，作为一例能够使用近邻算法。作为根据机器学习装置100所具备的状态观测部106在机器学习装置 100的训练期观测到的状态变量S进行更新后的模型M，例如在使用将工具的重量(工具重量数据S1)以及平衡(工具平衡数据S2)设为各轴的图表时，如图4 所示，形成工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)具备某种倾向的群组集合(此外，在图4中为了使说明简单，关于工具重量数据S1和工具平衡数据S2，设为各自取一个值并通过二维图表来表现，但实际上各数据通过数组来表现，因此作为多维图表进行处理)。在近邻算法中，当在模型M的图表上描绘了在运用期由状态观测部106观测到的工具的重量(工具重量数据 S1)和平衡(工具平衡数据S2)的组合(标本)的情况下，能够通过位于标本点附近的k个点属于哪个群组来判定标本归属的群组。另外，在从标本点起预定的预定距离r以内不存在k个点的情况下，能够判定为标本不属于任何群组。例如，在设为k＝5的情况下，在图4中，在标本a附近存在5个属于群组A的工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的组合，因此标本a属于群组A，在标本b附近存在5个属于群组B的工具的重量(工具重量数据S1)和平衡(工具平衡数据S2)的组合，因此标本b属于群组B。

上述异常检测装置1的结构能够记述为处理器101所执行的机器学习方法 (或者软件)。该机器学习方法是对工具的重量以及平衡的分布与工具更换动作的状态之间的关系进行学习的机器学习方法，计算机的CPU执行以下步骤：观测工具重量数据S1、工具平衡数据S2以及工具更换状态数据S3来作为表示环境的当前状态的状态变量S；以及使用状态变量S，将工具的重量以及平衡的分布与工具更换动作的状态关联起来进行学习。

图5表示一实施方式的具备多个加工机50的系统170，该多个加工机50 具备工具更换装置60。系统170具备异常检测装置1、至少具备相同的工具更换装置60的多个加工机50以及将它们相互连接的有线/无线的网络172。

在具有上述结构的系统170中，异常检测装置1所具备的机器学习装置 100的学习部110能够学习多个加工机50各自的工具更换装置60的工具的重量以及平衡的分布与工具更换动作的状态之间的关系，并能够使用该学习结果，不依赖于运算、估计，自动地且正确地判定各加工机50中的工具更换装置60 的工具更换动作的正常/异常。根据这样的系统170的结构，对于多个工具更换装置60取得更多样的数据集合(包含状态变量S)，将取得的数据集合作为输入，从而能够提高工具更换装置60的工具的重量以及平衡的分布与工具更换动作的状态之间的关系的学习速度和可靠性。

系统170还能够采用以下结构：安装成将异常检测装置1与网络172连接的云服务器等。根据该结构，与多个工具更换装置60各自所在的地点、时期无关，在需要时能够将所需数量的工具更换装置60(具备工具更换装置60的加工机50)与机器学习装置100连接。

以上，说明了本发明的实施方式，但是本发明并不仅限于上述实施方式的示例，通过恰当地施加变更，能够以各种方式来实施。

例如，机器学习装置100所执行的学习算法、机器学习装置100所执行的运算算法等并不限于上述算法，能够采用各种算法。

另外，在上述实施方式中，说明了异常检测装置1和机器学习装置100 是具有不同的CPU(处理器)的装置，但是机器学习装置100也可以通过异常检测装置1所具备的CPU 11以及在ROM 12中存储的系统程序来实现。

以上，说明了本发明的实施方式，但是本发明并不限于上述实施方式的示例，通过恰当地施加变更能够以其它方式来实施。

Claims (5)

1.一种异常检测装置，其检测具有工具更换装置的加工机更换工具时的异常，其特征在于，

上述异常检测装置具备：

状态观测部，其观测与上述工具更换装置中安装的多个工具的重量有关的工具重量数据、与安装了上述多个工具的上述工具更换装置的平衡有关的工具平衡数据以及与更换工具时的上述工具更换装置的状态有关的工具更换状态数据；

工具更换状态数据存储部，其将上述工具重量数据、上述工具平衡数据以及上述工具更换状态数据关联起来进行存储；以及

判定结果输出部，其根据在上述加工机更换工具时由上述状态观测部观测到的工具重量数据、工具平衡数据和工具更换状态数据、以及在上述工具更换状态数据存储部中存储的数据，检测工具更换的异常。

2.根据权利要求1所述的异常检测装置，其特征在于，

上述异常检测装置具备学习部，该学习部对于上述工具更换状态数据存储部中存储的工具重量数据以及工具平衡数据进行聚类分析，

上述学习部将用于对作为上述聚类分析的结果而得到的群组进行识别的信息与在上述工具更换状态数据存储部中存储的上述工具重量数据、上述工具平衡数据以及上述工具更换状态数据关联起来进行存储。

3.根据权利要求2所述的异常检测装置，其特征在于，

在上述加工机更换工具时由上述状态观测部观测到工具重量数据、工具平衡数据以及工具更换状态数据时，上述学习部判别上述工具重量数据以及上述工具平衡数据属于哪个群组，

上述判定结果输出部根据上述工具更换状态数据以及在上述工具更换状态数据存储部中存储的工具更换状态数据内属于上述群组的工具更换状态数据来检测工具更换的异常。

4.根据权利要求3所述的异常检测装置，其特征在于，

上述判定结果输出部基于阈值来检测工具更换的异常，

上述阈值是根据在上述工具更换状态数据存储部中存储的工具更换状态数据内属于上述群组的工具更换状态数据而计算出的阈值。

5.根据权利要求1～4中的任意一项所述的异常检测装置，其特征在于，

上述工具更换状态数据包含与工具更换为正常还是异常的结果有关的信息。

Images