CN109947144A - 控制系统、机器学习装置、维护辅助装置和方法、数据生成方法 - Google Patents
控制系统、机器学习装置、维护辅助装置和方法、数据生成方法 Download PDFInfo
- Publication number
- CN109947144A CN109947144A CN201811382138.7A CN201811382138A CN109947144A CN 109947144 A CN109947144 A CN 109947144A CN 201811382138 A CN201811382138 A CN 201811382138A CN 109947144 A CN109947144 A CN 109947144A
- Authority
- CN
- China
- Prior art keywords
- information
- retarder
- maintenance
- prediction
- concentration
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 154
- 238000010801 machine learning Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 31
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 66
- 238000010276 construction Methods 0.000 claims abstract description 35
- 239000004519 grease Substances 0.000 claims abstract description 19
- 230000001050 lubricating effect Effects 0.000 claims abstract description 19
- 230000000630 rising effect Effects 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 32
- 238000005259 measurement Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000000314 lubricant Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
-
- 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
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42155—Model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Manipulator (AREA)
- General Details Of Gearings (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种对于在更适当的使其进行减速器的维护来说是有效的致动器的控制系统、机器学习装置、维护辅助装置和方法、数据生成方法。控制系统(1)包括:数据库(302),将速度数据、转矩数据以及浓度数据相对应地存储,该速度数据与包含减速器(18)的致动器(11~16)中的减速器(18)的旋转速度相关,该转矩数据与作用于减速器(18)的转矩相关,该浓度数据表示减速器(18)的润滑脂的铁粉浓度;以及模型构建部(303),通过基于被存储在数据库(302)中的信息的机器学习来构建浓度预测模型,该浓度预测模型表示速度数据及转矩数据与浓度数据的关系。
Description
技术领域
本公开涉及控制系统、机器学习装置、维护辅助装置、数据生成方法以及维护辅助方法。
背景技术
专利文献1中公开有基于减速器的额定寿命、额定速度及额定转矩与该减速器的平均转矩及平均旋转速度来导出减速器的寿命的方法。
在先技术文献
专利文献
专利文献1:日本专利文献特开2013-144349号公报。
发明内容
本公开的目的在于,提供对于在更适当的时间进行致动器的减速器的维护来说是有效的控制系统、机器学习装置、维护辅助装置、数据的生成方法以及维护辅助方法。
本公开的一方面涉及的控制系统包括将第一信息、第二信息以及第三信息相对应地存储,第一信息与包含减速器的致动器中的减速器的旋转速度相关,第二信息与作用于减速器的转矩相关,第三信息表示减速器的润滑脂的铁粉浓度;第一模型构建部,通过基于被存储在数据库的信息的机器学习来构建浓度预测模型,浓度预测模型表示第一信息及第二信息与第三信息的关系;以及维护辅助装置,基于所述浓度预测模型,导出所述减速器的维护的推荐时间。
本公开的其他方面涉及的机器学习装置包括:数据库,将第一信息、第二信息以及第三信息相对应地存储,第一信息与包含减速器的致动器中的减速器的旋转速度相关,第二信息与作用于减速器的转矩相关,第三信息表示减速器的润滑脂的铁粉浓度;以及模型构建部,通过基于被存储在数据库的信息的机器学习来构建浓度预测模型,浓度预测模型表示第一信息及第二信息与第三信息的关系,所述浓度预测模型用于导出所述减速器的维护的推荐时间。
本公开的其他方面涉及的维护辅助装置包括:浓度预测部,向浓度预测模型输入第一信息以及第二信息,并导出第三信息的预测值,第一信息与包含减速器的致动器中的减速器的旋转速度相关,第二信息与作用于减速器的转矩相关,第三信息表示减速器的润滑脂的铁粉浓度;模型构建部,基于第三信息的预测值的随时间变化,构建第三信息的上升预测模型;以及第一维护辅助部,基于上升预测模型,导出减速器的维护的推荐时间。
本公开的其他方面涉及的数据的生成方法包括:获取使第一信息、第二信息以及第三信息相对应的学习用数据,第一信息与包含减速器的致动器中的减速器的旋转速度相关,第二信息与作用于减速器的转矩相关,第三信息表示减速器的润滑脂的铁粉浓度;以及通过基于学习用数据的机器学习来构建浓度预测模型,浓度预测模型表示第一信息及第二信息与第三信息的关系,所述浓度预测模型用于导出所述减速器的维护的推荐时间。
本公开的其他方面涉及的维护辅助方法包括:向浓度预测模型输入第一信息及第二信息,并导出第三信息的预测值,浓度预测模型表示第一信息、第二信息以及第三信息的关系,第一信息与包含减速器的致动器中的减速器的旋转速度相关,第二信息与作用于减速器的转矩相关,第三信息表示减速器的润滑脂的铁粉浓度;基于第三信息的预测值的随时间变化,构建第三信息的上升预测模型;以及基于上升预测模型,导出减速器的维护的推荐时间。
根据本公开,能够提供对于在更适当的时间进行致动器的减速器的维护来说是有效的控制系统、机器学习装置、维护辅助装置、数据的生成方法以及维护辅助方法。
附图说明
图1是示出控制系统的整体构成的示意图;
图2是示出具备致动器的机器人的构成的示意图;
图3是示出控制系统的功能上的构成的框图;
图4是示出控制系统的硬件构成的框图;
图5是示出机器学习处理顺序的流程图;
图6是示出模型更新处理顺序的流程图;
图7是示出维护推荐时间的导出处理顺序的流程图;
图8是示出维护推荐时间的导出处理顺序的流程图。
具体实施方式
以下,针对实施方式,参照附图进行详细说明。在说明中,有时针对相同元件或具有相同功能的元件标注相同符号,并省略重复说明。
〔控制系统〕
本实施方式涉及的控制系统是致动器的控制系统,进行致动器的减速器的维护时间的管理。图1中示出的控制系统1例如应用于使用多轴机器人10的现场,该多轴机器人10针对工件(未图示)进行加工/组装等作业。控制系统1例如包括:控制多轴机器人10的机器人控制器100、与机器人控制器100连接的维护辅助装置200以及用于学习的机器学习装置300。
多轴机器人10例如针对工件进行加工/组装等作业。如图2所示,多轴机器人10例如为串行链接型的多关节机器人,具有多个(例如,六个轴)关节轴J1~J6及多个(例如,三个)臂部A1~A3、以及通过分别驱动关节轴J1~J6来摆动臂部A1~A3的多个致动器11~16。
致动器11~16分别具备马达17、减速器18以及传感器19(参照图3)。马达17例如为电动马达,作为致动器11~16的动力源而发挥功能。减速器18将马达17的旋转转矩以比马达17的旋转速度小的旋转速度传递给关节轴J1~J6。传感器19检测与马达17的位置(旋转角度)以及旋转速度相关的信息(即,与减速器18的输入轴侧的旋转角度以及旋转速度相关的信息)。传感器19例如为编码器,输出与马达17的旋转速度成比例的频率的脉冲信号。此外,传感器19还可以检测出与减速器18的输出轴侧的旋转角度以及旋转速度相关的信息。
(机器人控制器)
机器人控制器100控制多轴机器人10的致动器11~16的马达17。机器人控制器100作为功能上的构成(以下,称为“功能模块”)具有位置控制部101、速度控制部102以及转矩控制部103。
位置控制部101基于由上位控制器(例如,可编程逻辑控制器)等设定的目标位置(目标旋转角度)、以及从传感器19反馈的马达17的实测位置(实测旋转角度),生成速度指令值以使得实测位置接近目标位置。实测位置能够通过对从传感器19输出的脉冲信号的计数来获取。例如,位置控制部101对目标位置与实测位置的偏差(以下,称为“位置偏差”)实施比例运算、比例/积分运算、或者比例/积分/微分运算等来生成速度指令值。
速度控制部102基于由位置控制部101生成的速度指令值、以及从传感器19反馈的马达17的实测旋转速度,生成转矩指令值以使得实测旋转速度接近速度指令值。实测旋转速度能够通过检测从传感器19输出的脉冲信号的频率来获取。例如,速度控制部102对速度指令值与实测旋转速度的偏差(以下,称为“速度偏差”)实施比例运算、比例/积分运算、或者比例/积分/微分运算等来生成转矩指令值。
转矩控制部103向马达17输出驱动电流,以使得马达17发生与由速度控制部102生成的转矩指令值对应的转矩。
此处,在致动器11~16的减速器18中发生了齿隙(backlash)的情况下,通过该齿隙,减速器18以及多轴机器人10的臂部A1~A3振动。在该振动中产生的惯性力成为干扰,而在上述位置偏差以及速度偏差中产生波动,为了抑制该波动,在速度指令值以及转矩指令值中也会产生波动。即,速度指令值以及转矩指令值的波动成分中还包含起因于齿隙的波动成分。
(维护辅助装置)
维护辅助装置200通过浓度预测模型导出减速器的维护的推荐时间,具体来说,执行如下步骤:向浓度预测模型输入速度数据以及转矩数据,并导出浓度数据的预测值,上述浓度预测模型表示速度数据(第一信息)、转矩数据(第二信息)以及浓度数据(第三信息)的关系,该速度数据与包含减速器18的致动器11~16中的减速器18的旋转速度相关,该转矩数据与作用于减速器18的转矩相关,该浓度数据表示速度数据及转矩数据与减速器18的润滑脂的铁粉浓度;基于浓度数据的预测值的随时间变化,构建浓度数据的上升预测模型;以及基于上升预测模型,导出减速器18的维护的推荐时间。
维护辅助装置200可以构成为进一步执行如下步骤:修正预测式,以使得基于预测式导出的减速器的维护的推荐时间接近由第一维护辅助部导出的减速器的维护的推荐时间,该预测式表示减速器的旋转速度及作用于该减速器的转矩与减速器的维护的推荐时间的关系;以及基于减速器的旋转速度及作用于该减速器的转矩与由预测式修正部修正的预测式,导出减速器的维护的推荐时间。
维护辅助装置200可以构成为进一步执行:从机器学习装置300接收浓度预测模型的数据。维护辅助装置200还可以构成为进一步执行:将速度数据及转矩数据、以及向浓度预测模型输入该速度数据及该转矩数据而导出的浓度数据的预测值对应起来发送给机器学习装置300。
维护辅助装置200包括主体20、监视器21以及输入设备22。监视器21例如包括液晶监视器等,用于针对用户的信息显示。输入设备22例如为小键盘等,获取用户的输入信息。监视器21以及输入设备22可以如触摸屏那样一体化。另外,主体20、监视器21以及输入设备22的整体可以为一体化。
主体20作为功能上的构成(以下,称为“功能模块”)包括:速度/转矩数据获取部201、浓度数据获取部202、数据存储部203、数据发送部204、模型接收部205、模型存储部206、浓度预测部207、模型构建部208(第二模型构建部)、维护辅助部209(第一维护辅助部)、预测式修正部210以及维护辅助部211(第二维护辅助部)。
速度/转矩数据获取部201获取上述速度数据以及转矩数据并保存到数据存储部203。例如,速度/转矩数据获取部201从机器人控制器100的速度控制部102获取马达17的实测旋转速度并作为速度数据,并且获取被输入到机器人控制器100的转矩控制部103的转矩指令值并作为转矩数据。速度/转矩数据获取部201将速度数据以及转矩数据与这些获取时刻相对应地保存到数据存储部203。此外,速度/转矩数据获取部201可以获取被输入到速度控制部102的速度指令值并作为速度数据,也可以从转矩控制部103获取马达17的驱动电流并作为转矩数据。
浓度数据获取部202获取与减速器18的润滑脂的铁粉浓度相关的浓度数据。浓度数据包括:根据填充于减速器18的润滑脂来在上述预定期间经过时测量的铁粉浓度的实测值(以下,称为“实测铁粉浓度”)、以及基于速度数据以及转矩数据导出的铁粉浓度的预测值(以下,称为“预测铁粉浓度”)。实测铁粉浓度例如能够从减速器18采集润滑脂来进行测量。实测铁粉浓度在预定时刻由作业者测量,并被输入到浓度数据获取部202。关于预测铁粉浓度的导出,后面叙述。浓度数据获取部202将浓度数据与其获取时刻相对应地保存到数据存储部203。此外,浓度数据的获取时刻包括实测铁粉浓度的获取时刻以及预测铁粉浓度的获取时刻两者。实测铁粉浓度的获取时刻可以是作业者采集了润滑脂的时刻,也可以是浓度数据获取部202获取了实测铁粉浓度的时刻。预测铁粉浓度的获取时刻可以是预测铁粉浓度的导出完成时刻,也可以是预测铁粉浓度的导出完成时刻的预定时间之前的时刻。
数据发送部204将浓度数据以及与该浓度数据的获取时刻对应的固定期间的速度数据及转矩数据作为一组(以下,将该一组称为“学习用数据集”)发送给机器学习装置300。此外,浓度数据的获取时刻与上述固定期间的关系预先设定为该固定期间的速度数据及转矩数据与浓度数据相关联。例如,上述固定期间可以是浓度数据的获取时刻的紧接之前的期间,也可以是包含该获取时刻的期间。
模型存储部206存储浓度预测模型,该浓度预测模型表示速度数据及转矩数据与浓度数据的关系。浓度预测模型是与速度数据以及转矩数据的输入对应地输出预测铁粉浓度的程序模块。作为浓度预测模型的具体例子,可以举出连结包含速度数据及转矩数据的输入矢量与包含浓度数据的输出矢量的神经网络。
模型接收部205从机器学习装置300接收浓度预测模型的数据。浓度预测模型的数据可以是浓度预测模型自身,也可以是用于确定浓度预测模型的参数(例如,神经网络的节点的权重参数)。模型接收部205根据从机器学习装置300获取的数据,更新被存储在模型存储部206中的浓度预测模型。例如,模型接收部205将从机器学习装置300获取的参数覆盖保存到模型存储部206。
浓度预测部207从数据存储部203获取固定期间的速度数据以及转矩数据(以下,将这些称为“输入数据集”),向存储于模型存储部206的浓度预测模型输入该输入数据集,并导出上述预测铁粉浓度。
模型构建部208基于预测铁粉浓度的随时间变化来构建上升预测模型,该上升预测模型包括预测铁粉浓度的未来的随时间变化。例如,模型构建部208判断数据存储部203中是否储存有预定数量的新的预测铁粉浓度(模型构建部208中未被用于上升预测模型的构建中的预测铁粉浓度),当判断为储存有预定数量的新的预测铁粉浓度时,基于该预定数量的预测铁粉浓度来构建浓度数据的上升预测模型。上升预测模型例如为表示减速器的总驱动时间与预测铁粉浓度的关系的函数。例如,模型构建部208通过针对该预定数量的预测铁粉浓度的多项式插值等来构建上升预测模型。
维护辅助部209基于从模型构建部208获取的上升预测模型,来导出减速器18的维护的推荐时间。减速器18的维护的推荐时间是指:例如,减速器18的润滑脂的铁粉浓度到达预定的阈值的时间。该阈值基于过去的记录而被预先设定。例如,维护辅助部209基于上升预测模型,将上述预测铁粉浓度到达预定的阈值为止的总驱动时间计算为减速器18的维护的推荐时间(以下,称为“第一推荐时间”)。此外,维护辅助部209可以将减速器18的润滑脂的铁粉浓度的上升速度到达预定的阈值为止的总驱动时间计算为第一推荐时间。维护辅助部209生成用于显示所导出的第一推荐时间的图像数据,并向监视器21输出。
预测式修正部210修正预测式,以使得基于预测式导出的减速器18的维护的推荐时间(以下,称为“第二推荐时间”)接近由维护辅助部209导出的第一推荐时间。预测式是表示减速器18的旋转速度及作用于减速器18的转矩与减速器18的维护的推荐时间的关系的数学式,例如可以举出减速器的轴承的寿命预测式。例如,预测式修正部210以使得基于下述式(1)表示的预测式导出的第二推荐时间接近第一推荐时间的方式修正补正系数A的值。此外,预测式修正部210可以对以表示第二推荐时间与第一推荐时间的关系的方式预先设定的近似函数进行修正(例如,修正系数)。
【数1】
L:第二推荐时间(h)
K:减速器18的轴承的额定寿命(h)
N0:减速器18的额定速度(rpm)
Nn:每小时的减速器18的旋转速度(rpm/h)
T0:减速器18的额定转矩(Nm)
Tn:每小时的减速器18的转矩(Nm/h)
P:按照减速器的18的种类决定的常数
维护辅助部211基于减速器18的旋转速度及作用于减速器18的转矩的设定值、以及由预测式修正部210修正的预测式,导出第二推荐时间。维护辅助部211例如从输入设备22获取上述设定值。维护辅助部211生成用于显示第二推荐时间的图像数据,并向监视器21输出。维护辅助部211也可以生成用于合并显示第一推荐时间与第二推荐时间的图像数据,也可以生成用于合并显示第一推荐时间与第二推荐时间的差分、以及第一推荐时间及第二推荐时间中的至少一者的图像数据。
(机器学习装置)
机器学习装置300执行如下步骤:将与致动器11~16中的减速器18的旋转速度相关的速度数据、与作用于减速器18的转矩相关的转矩数据、以及表示减速器18的润滑脂的铁粉浓度的浓度数据相对应地存储;以及通过基于所存储的信息的机器学习来构建浓度预测模型,该浓度预测模型表示速度数据及转矩数据与浓度数据的关系。
机器学习装置300还可以构成为进一步执行如下步骤:从维护辅助装置200接收速度数据及转矩数据、以及将该速度数据及该转矩数据输入到浓度预测模型来导出的浓度预测数据。
机器学习装置300作为功能上的构成(以下,称为“功能模块”)而包括:数据接收部301、数据库302、模型构建部303(第一模型构建部)、模型评价部304以及模型存储部305。
数据库302将与减速器18的旋转速度相关的速度数据、与作用于减速器18的转矩相关的转矩数据、以及表示减速器18的润滑脂的铁粉浓度的浓度数据相对应地存储。例如,数据库302存储将浓度数据、以及与该浓度数据的获取时刻对应的固定期间的速度数据及转矩数据作为一组的上述学习用数据集。
数据接收部301从维护辅助装置200的数据发送部204接收上述学习用数据集,并保存到数据库302。
模型构建部303通过基于被存储在数据库302的信息的机器学习来构建浓度预测模型,该浓度预测模型表示速度数据及转矩数据与浓度数据的关系。例如,模型构建部303将上述学习用数据集中所含的固定期间的速度数据及转矩数据、以及该学习用数据集中所含的实测铁粉浓度的组合作为训练数据(teaching data),例如通过深度学习等机器学习处理来调整浓度预测模型的参数(例如,神经网络的节点的权重参数)。
模型存储部305存储由模型构建部303构建的浓度预测模型。模型评价部304对模型构建部303构建的浓度预测模型(以下,称为“新模型”)进行评价,与评价结果对应地更新模型存储部305的浓度预测模型。具体而言,模型评价部304将存储在数据库302中的包含预测铁粉浓度(以下,称为“旧预测结果”)的学习用数据集的速度数据和转矩数据输入到新模型并重新计算出预测铁粉浓度(以下,称为“新预测结果”),并且对新预测结果和旧预测结果中的哪一个更接近实测铁粉浓度(该学习用数据集中所含的实测铁粉浓度)进行评价。在与旧预测结果相比、新预测结果更接近实测铁粉浓度的情况下,模型评价部304将新模型的数据覆盖保存到模型存储部305。
图4是示出控制系统1的硬件构成的框图。如图4所示,机器人控制器100具有电路121。电路121具有一个或多个处理器122、存储部123、通信端口124、驱动器125以及计时器126。
存储部123包括存储器(memory)127以及储存器(storage)128。储存器128被构成为计算机可读取,并存储有用于构成机器人控制器100的各功能模块的程序。作为储存器128的具体例子,可以举出硬盘、非易失性的半导体存储器、磁盘以及光盘等。存储器127临时存储从储存器128下载的程序以及由处理器122进行的运算结果等。处理器122通过与存储器127协同地执行上述程序来构成各功能模块。
通信端口124与来自处理器122的指令对应地、与维护辅助装置200的通信端口224(后面叙述)之间进行信息通信(例如,高速串行通信)。驱动器125与来自处理器122的指令对应地控制致动器11~16。计时器126例如通过对固定周期的基准脉冲计数来计测经过时间。
维护辅助装置200的主体20具有电路221,电路221具有一个或多个处理器222、存储部223、通信端口224、225、输入输出端口226以及计时器227。
存储部223包括存储器(memory)228以及储存器(storage)229。储存器229作为上述数据存储部203以及模型存储部206发挥功能,并且存储有用于构成上述维护辅助装置200的各功能模块的程序。作为储存器229的具体例子,可以举出硬盘、非易失性的半导体存储器、磁盘以及光盘等。存储器228临时存储从储存器229下载的程序以及由处理器222进行的运算结果等。处理器222通过与存储器228协同地执行上述程序来构成各功能模块。
通信端口224与来自处理器222的指令对应地、与机器人控制器100的通信端口124之间进行信息通信(例如,高速串行通信)。通信端口225与来自处理器222的指令对应地、与机器学习装置300的通信端口324(后面叙述)之间进行信息通信(例如,高速串行通信)。输入输出端口226与监视器21以及输入设备22等之间进行电信号的输入输出。计时器227例如通过对固定周期的基准脉冲计数来计测经过时间。
机器学习装置300具有电路321,电路321具有一个或多个处理器322、存储部323、通信端口324以及计时器325。
存储部323包括存储器(memory)326以及储存器(storage)327。储存器327作为上述数据库302以及模型存储部305发挥功能,并且存储有用于构成机器学习装置300的各功能模块的程序。作为储存器327的具体例子,可以举出硬盘、非易失性的半导体存储器、磁盘以及光盘等。存储器326临时存储从储存器327下载的程序以及由处理器322进行的运算结果等。处理器322通过与存储器326协同地执行上述程序来构成各功能模块。
通信端口324与来自处理器322的指令对应地、与维护辅助装置200的通信端口225之间进行信息通信(例如,高速串行通信)。计时器325例如通过对固定周期的基准脉冲计数来计测经过时间。
此外,机器人控制器100、维护辅助装置200、机器学习装置300的硬件构成不一定局限于由程序构成各功能模块的构成。例如,机器人控制器100、维护辅助装置200、机器学习装置300的各功能模块可以由专用逻辑电路或集成了该电路的ASIC(ApplicationSpecific Integrated Circuit,专用集成电路)构成。
〔浓度预测模型的数据生成方法〕
接着,作为浓度预测模型的数据生成方法的一个例子,对控制系统1的机器学习装置300以及维护辅助装置200所执行的处理的内容进行说明。该处理包括由机器学习装置300进行的机器学习处理、以及由维护辅助装置200进行的模型更新处理。以下,对各处理的顺序进行说明。
(机器学习处理顺序)
图5是示出机器学习处理顺序的流程图。如图5所示,机器学习装置300首先执行步骤S01。步骤S01中,数据接收部301等待一个学习用数据集被储存到维护辅助装置200的数据存储部203中,该一个学习用数据集包括上述固定期间的速度数据及转矩数据、以及与该固定期间对应的时刻的实测铁粉浓度。
接着,机器学习装置300执行步骤S02。步骤S02中,数据接收部301从维护辅助装置200的数据发送部204获取学习用数据集,并保存到数据库302。
接着,机器学习装置300执行步骤S03。步骤S03中,模型构建部303判断数据库302中是否储存有预定数量的新的学习用数据集(未用于机器学习的学习用数据集)。在判断为数据库302中储存的新的学习用数据集的数量未达到预定数量的情况下下,机器学习装置300将处理返回到步骤S01。此后,机器学习装置300反复进行学习用数据集的获取和保存,直到判断为预定数量的新的学习用数据集被储存到数据库302中为止。
步骤S03中,在判断为预定数量的新的学习用数据集被储存到数据库302中的情况下,机器学习装置300执行步骤S04。在步骤S04中,模型构建部303通过基于数据库302中存储的信息的机器学习来构建上述浓度预测模型。
接着,机器学习装置300执行步骤S05。在步骤S05中,模型评价部304确认上述新的学习用数据集中的任一个是否包含使用旧模型(例如,当前存储在模型存储部206中的浓度预测模型)导出来的上述旧预测结果。
步骤S05中,在判断为新的学习用数据集中的任一个包含旧预测结果的情况下,机器学习装置300执行步骤S06。在步骤S06中,模型评价部304将与该浓度预测数据对应的速度数据以及转矩数据输入到新模型(模型构建部303在步骤S05中此次构建的浓度预测模型),并计算上述新预测结果。
接着,机器学习装置300执行步骤S07。在步骤S07中,模型评价部304确认与旧模型相比新模型的浓度预测数据的预测精度是否提高。具体而言,模型评价部304确认新预测结果与旧预测结果相比是否更接近实测铁粉浓度。
在步骤S07中,在判断为新预测结果与旧预测结果相比更接近实测铁粉浓度的情况下,机器学习装置300执行步骤S08。在步骤S05中,在判断为新的学习用数据集中的每一个均不包含预测铁粉浓度的情况下,机器学习装置300无需执行步骤S06、S07而执行步骤S08。在步骤S08中,模型评价部304将新模型的数据覆盖保存到模型存储部305。以上,完成机器学习处理。在步骤S07中,在判断为旧预测结果与新预测结果相比更接近实测铁粉浓度的情况下,机器学习装置300无需执行步骤S08而结束机器学习处理。机器学习装置300反复执行以上的机器学习处理。
(模型更新处理顺序)
图6是示出模型更新处理顺序的流程图。如图6所示,维护辅助装置200首先执行步骤S21。在步骤S21中,模型接收部205等待经过预定期间。预定期间与模型的更新期间对应地由用户适当设定。
在经过预定期间之后,机器学习装置300执行步骤S22。在步骤S22中,模型接收部205确认浓度预测模型是否被更新。具体而言,模型接收部205经由机器学习装置300的模型发送部306确认模型存储部305的浓度预测模型是否被更新。
在步骤S22中,在判断为浓度预测模型被更新的情况下,维护辅助装置200执行步骤S23。在步骤S23中,模型接收部205从机器学习装置300的模型发送部306接收浓度预测模型,将所接收的该浓度预测模型覆盖保存到模型存储部206。以上,完成模型更新处理。在步骤S22中,在判断为浓度预测模型没有被更新的情况下,维护辅助装置200无需执行步骤S23而结束模型更新处理。维护辅助装置200反复执行以上模型更新处理。
〔减速器的维护辅助方法〕
接着,作为减速器的维护辅助方法的一个例子,对控制系统1的维护辅助装置200所执行的处理内容进行说明。该处理包括基于上升预测模型的维护推荐时间的导出处理、以及基于预测式的维护推荐时间的导出处理。以下,对各处理的顺序进行说明。
(基于上升预测模型的维护推荐时间的导出处理顺序)
图7是示出基于模型的维护推荐时间导出处理顺序的流程图。如图7所示,维护辅助装置200首先执行步骤S31。在步骤S31中,浓度预测部207等待上述固定期间的速度数据以及转矩数据的新的输入数据集(未用于浓度预测中的输入数据集)被储存到数据存储部203。
接着,维护辅助装置200执行步骤S32。在步骤S32中,浓度预测部207将新的输入数据集输入到模型存储部206的浓度预测模型中,并导出预测铁粉浓度。此后,浓度数据获取部202将该预测铁粉浓度保存到数据存储部203。
接着,维护辅助装置200执行步骤S33。在步骤S33中,模型构建部208判断在数据存储部203中是否储存了预定数量的新的预测铁粉浓度(未用于对上升预测模型的输入中的预测铁粉浓度)。在判断为所储存的新的预测铁粉浓度的数量未达到预定数量的情况下,维护辅助装置200将处理返回到步骤S31。此后,维护辅助装置200反复进行预测铁粉浓度的导出和保存,直到判断为预定数量的新的预测铁粉浓度被储存到数据存储部203为止。
步骤S33中,在判断为预定数量的新的预测铁粉浓度已被储存到数据存储部203的情况下,维护辅助装置200执行步骤S34。在步骤S34中,模型构建部208基于预定数量的新的预测铁粉浓度来构建浓度数据的上升预测模型。
接着,维护辅助装置200执行步骤S35。在步骤S35中,维护辅助部209基于上升预测模型,导出上述第一推荐时间(基于上升预测模型的减速器18的维护的推荐时间)。
接着,维护辅助装置200执行步骤S36。在步骤S36中,维护辅助部209生成用于显示第一推荐时间的图像数据,并向监视器21输出。
接着,维护辅助装置200依次执行步骤S37、S38。在步骤S37中,维护辅助部211基于上述式(1)所示的预测式来导出上述第二推荐时间(基于预测式的减速器18的维护的推荐时间)。在步骤S38中,预测式修正部210修正预测式以使得第二推荐时间接近第一推荐时间。例如,预测式修正部210通过乘以步骤S37中计算出的第二推荐时间与步骤S35中计算出的第一推荐时间的比率来修正上述补正系数A的值。以上,完成基于上升预测模型的维护推荐时间的导出处理。维护辅助装置200反复执行以上维护推荐时间的导出处理。
(基于预测式的维护推荐时间的导出处理顺序)
图8是示出基于预测式的维护推荐时间导出处理顺序的流程图。如图7所示,维护辅助装置200首先执行步骤S51。在步骤S51中,维护辅助部211等待减速器18的旋转速度以及转矩的设定值被输入到输入设备22。
在旋转速度的数据以及转矩的数据变更之后,维护辅助装置200执行步骤S52。在步骤S52中,维护辅助部211基于被输入的设定值与由预测式修正部210修正的预测式,导出上述第二推荐时间。例如,维护辅助部211基于上述式(1)导出第二推荐时间。
接着,维护辅助装置200执行步骤S53。在步骤S53中,维护辅助部211生成用于显示第二推荐时间的图像数据,并向监视器21输出。以上,完成基于预测式的维护推荐时间的导出处理。维护辅助装置200反复执行以上的维护推荐时间的导出处理。
〔本实施方式的效果〕
致动器的控制系统1具有数据库302和模型构建部303。该数据库302将速度数据、转矩数据以及浓度数据相对应地存储,该速度数据与包含减速器18的致动器11~16中的减速器18的旋转速度相关,该转矩数据与作用于减速器18的转矩相关,该浓度数据表示减速器18的润滑脂的铁粉浓度。该模型构建部303通过基于被存储在数据库302中的信息的机器学习来构建浓度预测模型,该浓度预测模型表示速度数据及转矩数据与浓度数据的关系。
根据该控制系统1,基于由机器学习构建的浓度预测模型,能够根据速度数据和转矩数据高精度地预测浓度数据。因此,无需伴随实测就能够随着时间的经过而储存浓度数据(浓度预测数据)。随着时间的经过而储存的浓度预测数据有助于适当地导出减速器18的维护推荐时间。
致动器的控制系统1还可以进一步具有浓度预测部207、模型构建部208以及维护辅助部209。该浓度预测部207向浓度预测模型输入速度数据以及转矩数据,并导出浓度预测数据。该模型构建部208基于浓度预测数据的随时间变化,构建浓度数据的上升预测模型。该维护辅助部209基于上升预测模型,导出减速器18的维护的推荐时间(第一推荐时间)。在该情况下,能够通过高精度的浓度预测数据,构建高精度的浓度数据的上升预测模型。基于该浓度数据的上升预测模型,能够适当地导出减速器18的维护的推荐时间。
致动器的控制系统1还可以进一步具有预测式修正部210以及维护辅助部211。该预测式修正部210修正预测式以使得基于预测式导出的减速器18的维护的推荐时间接近第一推荐时间,该预测式表示减速器18的旋转速度及作用于该减速器18的转矩与减速器18的维护的推荐时间的关系。该维护辅助部211基于减速器18的旋转速度及作用于该减速器18的转矩与由预测式修正部210修正的预测式,导出减速器18的维护的推荐时间(第二推荐时间)。在该情况下,能够修正预测式,以使得适当地表示旋转速度及转矩与减速器18的维护推荐时间的关系。因此,在包含旋转速度以及转矩的操作条件变更时,无需等待铁粉浓度的预测值的储存,就能够基于修正之后的预测式适当地导出维护的推荐时间。
机器学习装置300可以进一步具有数据接收部301,该数据接收部301从维护辅助装置200接收速度数据及转矩数据、以及将该速度数据及该转矩数据输入到浓度预测模型而导出的浓度预测数据,数据库302还可以将由数据接收部301接收的速度数据、转矩数据以及浓度预测数据相对应地存储。维护辅助装置200可以进一步具有数据发送部204,该数据发送部204将速度数据及转矩数据与浓度预测部207向浓度预测模型输入该速度数据及该转矩数据而导出的浓度预测数据相对应地发送给机器学习装置300。在该情况下,能够将维护辅助装置200中的浓度预测模型的使用记录应用到浓度预测模型的刷新中。
维护辅助装置200可以进一步具有模型接收部205,该模型接收部205从机器学习装置300接收由模型构建部303构建的浓度预测模型的数据。在该情况下,通过将机器学习装置300中的机器学习的结果转用到维护辅助装置200,能够减轻维护辅助装置200的处理负担。
以上,对实施方式进行了说明,但本发明不一定局限于上述的实施方式,在不超出其宗旨的范围内能够进行各种变更。
符号说明
1…控制系统、11~16…致动器、18…减速器、200…维护辅助装置、204…数据发送部、205…模型接收部、207…浓度预测部、208…模型构建部(第二模型构建部)、209…维护辅助部(第一维护辅助部)、210…预测式修正部、211…维护辅助部(第二维护辅助部)、300…机器学习装置、301…数据接收部、302…数据库、303…模型构建部(第一模型构建部)。
Claims (15)
1.一种致动器的控制系统,包括:
数据库,将第一信息、第二信息以及第三信息相对应地存储,所述第一信息与包含减速器的致动器中的所述减速器的旋转速度相关,所述第二信息与作用于所述减速器的转矩相关,所述第三信息表示所述减速器的润滑脂的铁粉浓度;
第一模型构建部,通过基于被存储在所述数据库中的信息的机器学习来构建浓度预测模型,所述浓度预测模型表示所述第一信息及所述第二信息与所述第三信息的关系;以及
维护辅助装置,基于所述浓度预测模型,导出所述减速器的维护的推荐时间。
2.根据权利要求1所述的致动器的控制系统,其中,所述维护辅助装置包括:
浓度预测部,向所述浓度预测模型输入所述第一信息及所述第二信息,并导出所述第三信息的预测值;
第二模型构建部,基于所述第三信息的预测值的随时间变化,构建所述第三信息的上升预测模型;以及
第一维护辅助部,基于所述上升预测模型,导出所述减速器的维护的推荐时间。
3.根据权利要求2所述的致动器的控制系统,其中,所述维护辅助装置还包括:
预测式修正部,修正预测式,以使得基于所述预测式导出的所述减速器的维护的推荐时间接近由所述第一维护辅助部导出的所述减速器的维护的推荐时间,所述预测式表示所述减速器的维护的推荐时间与所述减速器的旋转速度及作用于该减速器的转矩之间的关系;以及
第二维护辅助部,基于所述减速器的旋转速度及作用于该减速器的转矩与由所述预测式修正部修正的所述预测式,导出所述减速器的维护的推荐时间。
4.根据权利要求3所述的致动器的控制系统,其中,
所述预测式是所述减速器的轴承的寿命预测式。
5.一种机器学习装置,包括:
数据库,将第一信息、第二信息以及第三信息相对应地存储,所述第一信息与包含减速器的致动器中的所述减速器的旋转速度相关,所述第二信息与作用于所述减速器的转矩相关,所述第三信息表示所述减速器的润滑脂的铁粉浓度;以及
模型构建部,通过基于被存储在所述数据库中的信息的机器学习来构建浓度预测模型,所述浓度预测模型表示所述第一信息及所述第二信息与所述第三信息的关系,
所述浓度预测模型用于导出所述减速器的维护的推荐时间。
6.根据权利要求5所述的机器学习装置,还包括:
数据接收部,从具有浓度预测部的维护辅助装置接收所述第一信息及所述第二信息、以及将该第一信息及该第二信息输入到所述浓度预测模型来导出的所述第三信息的预测值,所述浓度预测部向所述浓度预测模型输入所述第一信息及所述第二信息,并导出所述第三信息的预测值,
所述数据库还将由所述数据接收部接收的所述第一信息、所述第二信息以及所述第三信息的预测值相对应地存储。
7.一种维护辅助装置,包括:
浓度预测部,向浓度预测模型输入第一信息以及第二信息,并导出第三信息的预测值,所述第一信息与包含减速器的致动器中的所述减速器的旋转速度相关,所述第二信息与作用于所述减速器的转矩相关,所述第三信息表示所述减速器的润滑脂的铁粉浓度,所述浓度预测模型表示所述第一信息及所述第二信息与所述第三信息的关系;
模型构建部,基于所述第三信息的预测值的随时间变化,构建所述第三信息的上升预测模型;以及
第一维护辅助部,基于所述上升预测模型,导出所述减速器的维护的推荐时间。
8.根据权利要求7所述的维护辅助装置,还包括:
预测式修正部,修正预测式,以使得基于所述预测式导出的所述减速器的维护的推荐时间接近由所述第一维护辅助部导出的所述减速器的维护的推荐时间,所述预测式表示所述减速器的维护的推荐时间与所述减速器的旋转速度及作用于该减速器的转矩的关系;以及
第二维护辅助部,基于所述减速器的旋转速度及作用于该减速器的转矩与由所述预测式修正部修正的所述预测式,导出所述减速器的维护的推荐时间。
9.根据权利要求8所述的维护辅助装置,其中,
所述预测式是所述减速器的轴承的寿命预测式。
10.根据权利要求7至9中任一项所述的维护辅助装置,还包括:
模型接收部,从具有数据库和第一模型构建部的机器学习装置接收由所述第一模型构建部构建的所述浓度预测模型的数据,所述数据库将所述第一信息、所述第二信息以及所述第三信息相对应地存储,所述第一模型构建部通过基于被存储在所述数据库中的信息的机器学习来构建所述浓度预测模型。
11.根据权利要求10所述的维护辅助装置,还包括:
数据发送部,将所述第一信息及所述第二信息与所述第三信息的预测值相对应地发送给所述机器学习装置,所述第三信息的预测值是所述浓度预测部向所述浓度预测模型输入该第一信息及该第二信息来导出的。
12.一种浓度预测模型的数据生成方法,包括:
获取将第一信息、第二信息以及第三信息相对应起来的学习用数据,所述第一信息与包含减速器的致动器中的所述减速器的旋转速度相关,所述第二信息与作用于所述减速器的转矩相关,所述第三信息表示所述减速器的润滑脂的铁粉浓度;以及
通过基于所述学习用数据的机器学习来构建浓度预测模型,所述浓度预测模型表示所述第一信息及所述第二信息与所述第三信息的关系,所述浓度预测模型用于导出所述减速器的维护的推荐时间。
13.一种减速器的维护辅助方法,包括:
向浓度预测模型输入第一信息及第二信息,并导出第三信息的预测值,所述浓度预测模型表示所述第一信息、所述第二信息以及所述第三信息的关系,所述第一信息与包含减速器的致动器中的所述减速器的旋转速度相关,所述第二信息与作用于所述减速器的转矩相关,所述第三信息表示所述减速器的润滑脂的铁粉浓度;
基于所述第三信息的预测值的随时间变化,构建所述第三信息的上升预测模型;以及
基于所述上升预测模型,导出所述减速器的维护的推荐时间。
14.根据权利要求13所述的减速器的维护辅助方法,还包括:
修正预测式,以使得基于所述预测式导出的所述减速器的维护的推荐时间接近基于所述上升预测模型导出的所述减速器的维护的推荐时间,所述预测式表示所述减速器的维护的推荐时间与所述减速器的旋转速度及作用于该减速器的转矩的关系;以及
基于所述减速器的旋转速度及作用于该减速器的转矩与所修正的所述预测式,导出所述减速器的维护的推荐时间。
15.根据权利要求14所述的减速器的维护辅助方法,其中,
所述预测式是所述减速器的轴承的寿命预测式。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017227872A JP6972971B2 (ja) | 2017-11-28 | 2017-11-28 | 制御システム、機械学習装置、メンテナンス支援装置、及びメンテナンス支援方法 |
JP2017-227872 | 2017-11-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109947144A true CN109947144A (zh) | 2019-06-28 |
CN109947144B CN109947144B (zh) | 2024-04-05 |
Family
ID=64559442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811382138.7A Active CN109947144B (zh) | 2017-11-28 | 2018-11-20 | 控制系统、机器学习装置、维护辅助装置和方法、数据生成方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11077552B2 (zh) |
EP (1) | EP3489782B1 (zh) |
JP (1) | JP6972971B2 (zh) |
CN (1) | CN109947144B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190945A (zh) * | 2020-01-16 | 2020-05-22 | 西安交通大学 | 一种基于机器学习的高温高速润滑脂设计方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11833681B2 (en) * | 2018-08-24 | 2023-12-05 | Nvidia Corporation | Robotic control system |
DE102019122790B4 (de) * | 2018-08-24 | 2021-03-25 | Nvidia Corp. | Robotersteuerungssystem |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441442A (zh) * | 2007-11-20 | 2009-05-27 | 株式会社日立制作所 | 设备控制装置、火力发电设备控制装置以及燃煤锅炉的气体浓度推定装置 |
JP2009226488A (ja) * | 2008-03-19 | 2009-10-08 | Kanto Auto Works Ltd | ロボット内蔵減速機の故障診断方法及び装置 |
US20130250303A1 (en) * | 2010-12-02 | 2013-09-26 | Nabtesco Corporation | Speed reducer for industrial robot |
CN103404014A (zh) * | 2011-03-09 | 2013-11-20 | 株式会社尼康 | 振动致动器 |
US20150077028A1 (en) * | 2013-09-13 | 2015-03-19 | Ricoh Company, Ltd. | Load torque estimation apparatus, image forming apparatus, load torque estimation method and non-transitory computer-readable information recording medium |
WO2016194029A1 (ja) * | 2015-05-29 | 2016-12-08 | 日産自動車株式会社 | 故障診断装置及び故障診断方法 |
US20170002680A1 (en) * | 2013-12-18 | 2017-01-05 | Mitsubishi Heavy Industries, Ltd. | Linear motion mechanism, governing valve drive device, and steam turbine |
US20170082188A1 (en) * | 2015-09-22 | 2017-03-23 | Caterpillar Inc. | Gearbox component and lubricant condition monitoring system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5839436B2 (ja) * | 2010-12-02 | 2016-01-06 | ナブテスコ株式会社 | 光学センサ |
JP5289608B2 (ja) | 2011-12-13 | 2013-09-11 | ファナック株式会社 | ロボット減速機寿命推定シミュレーション装置 |
JP6148316B2 (ja) * | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP6131343B1 (ja) * | 2016-01-06 | 2017-05-17 | 株式会社 みずほ銀行 | アドバイス出力システム、アドバイス出力方法及びアドバイス出力プログラム |
US10943182B2 (en) * | 2017-03-27 | 2021-03-09 | International Business Machines Corporation | Cognitive screening of EOR additives |
-
2017
- 2017-11-28 JP JP2017227872A patent/JP6972971B2/ja active Active
-
2018
- 2018-11-20 CN CN201811382138.7A patent/CN109947144B/zh active Active
- 2018-11-27 EP EP18208506.8A patent/EP3489782B1/en active Active
- 2018-11-27 US US16/200,850 patent/US11077552B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441442A (zh) * | 2007-11-20 | 2009-05-27 | 株式会社日立制作所 | 设备控制装置、火力发电设备控制装置以及燃煤锅炉的气体浓度推定装置 |
JP2009226488A (ja) * | 2008-03-19 | 2009-10-08 | Kanto Auto Works Ltd | ロボット内蔵減速機の故障診断方法及び装置 |
US20130250303A1 (en) * | 2010-12-02 | 2013-09-26 | Nabtesco Corporation | Speed reducer for industrial robot |
CN103404014A (zh) * | 2011-03-09 | 2013-11-20 | 株式会社尼康 | 振动致动器 |
US20140009667A1 (en) * | 2011-03-09 | 2014-01-09 | Nikon Corporation | Vibration actuator |
US20150077028A1 (en) * | 2013-09-13 | 2015-03-19 | Ricoh Company, Ltd. | Load torque estimation apparatus, image forming apparatus, load torque estimation method and non-transitory computer-readable information recording medium |
US20170002680A1 (en) * | 2013-12-18 | 2017-01-05 | Mitsubishi Heavy Industries, Ltd. | Linear motion mechanism, governing valve drive device, and steam turbine |
WO2016194029A1 (ja) * | 2015-05-29 | 2016-12-08 | 日産自動車株式会社 | 故障診断装置及び故障診断方法 |
US20170082188A1 (en) * | 2015-09-22 | 2017-03-23 | Caterpillar Inc. | Gearbox component and lubricant condition monitoring system |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190945A (zh) * | 2020-01-16 | 2020-05-22 | 西安交通大学 | 一种基于机器学习的高温高速润滑脂设计方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3489782B1 (en) | 2022-02-23 |
US20190160665A1 (en) | 2019-05-30 |
EP3489782A1 (en) | 2019-05-29 |
JP6972971B2 (ja) | 2021-11-24 |
CN109947144B (zh) | 2024-04-05 |
JP2019100353A (ja) | 2019-06-24 |
US11077552B2 (en) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947144A (zh) | 控制系统、机器学习装置、维护辅助装置和方法、数据生成方法 | |
JP3040783B2 (ja) | 自己同調型確率論的制御及び重量及びアクチュエータ測定値を用いる秤量供給システム | |
Östring et al. | Closed-loop identification of an industrial robot containing flexibilities | |
CN108496123A (zh) | 对机器进行振动诊断监测的方法 | |
CN106557069A (zh) | 机械学习装置和方法以及具有该机械学习装置的机床 | |
US10444731B2 (en) | Controller and machine learning device | |
US4775949A (en) | Weigh feeding system with stochastic control | |
JP7323531B2 (ja) | 試験構造のための動的な試験経過を実行する試験台及び方法 | |
CN108021099A (zh) | 机械学习装置以及加工时间预测装置 | |
CN101090250A (zh) | 用于同步发电机的励磁系统的快速建模和验证的方法和系统 | |
DE112015004133T5 (de) | Schwingungsmoden-Bestimmungsvorrichtung | |
JP2020101541A (ja) | トルク推定のための方法および装置 | |
JP2018106562A (ja) | 解析装置および解析システム | |
CN107797446A (zh) | 模型预测控制装置、控制方法、信息处理程序及记录介质 | |
Vasilevskyi | A frequency method for dynamic uncertainty evaluation of measurement during modes of dynamic operation | |
CN107966956B (zh) | 数值控制装置 | |
CN110161973A (zh) | 模型预测控制装置、控制方法、信息处理程序及记录介质 | |
CN108845500A (zh) | 一种动中通天线扰动观测补偿控制方法 | |
CZ308664B6 (cs) | ) Diagnostický systém obráběcích strojů | |
Beinke et al. | Identification of nonlinear two-mass systems for self-commissioning speed control of electrical drives | |
WO2020217597A1 (ja) | サーボ制御装置 | |
EP1796263A1 (en) | Time constant automatic estimation method, time constant automatic estimation apparatus and servo motor control system | |
JP2005275588A (ja) | 電動機制御装置制御パラメータ感度解析装置 | |
WO2020162199A1 (ja) | 制御装置、モデル作成方法および制御プログラム | |
Giovannitti et al. | A virtual sensor for backlash in robotic manipulators |
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 |