CN110187694A - 故障预测装置以及机器学习装置 - Google Patents

故障预测装置以及机器学习装置 Download PDF

Info

Publication number
CN110187694A
CN110187694A CN201910133348.0A CN201910133348A CN110187694A CN 110187694 A CN110187694 A CN 110187694A CN 201910133348 A CN201910133348 A CN 201910133348A CN 110187694 A CN110187694 A CN 110187694A
Authority
CN
China
Prior art keywords
mentioned
state
brake
data
motor
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
CN201910133348.0A
Other languages
English (en)
Other versions
CN110187694B (zh
Inventor
大田优
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 CN110187694A publication Critical patent/CN110187694A/zh
Application granted granted Critical
Publication of CN110187694B publication Critical patent/CN110187694B/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
    • 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
    • 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
    • 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
    • B25J9/1674—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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • G05B2219/33321—Observation learning
    • 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
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41279—Brake
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种故障预测装置以及机器学习装置，故障预测装置具备学习针对与电动机的制动器有关的数据的制动器的状态的机器学习装置。该机器学习装置观测制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量，使用观测到的该状态变量，对制动器处于正常状态下的状态变量的分布进行学习。

Description

故障预测装置以及机器学习装置
技术领域
本发明涉及一种预测电动机的制动器的故障的故障预测装置以及机器学习装置。
背景技术
工业机器人、机床等机器具备用于使部件向预定方向移动的驱动轴。例如机器人具有用于驱动臂的驱动轴。机器人臂之间的关节部对应于驱动轴。在该关节部中，臂的角度发生变化，由此机器人的位置和姿势发生变化。另外，在机床中，工件、刀具在预定的驱动轴上移动，变更刀具相对于工件的位置。
在这种驱动轴中，由电动机驱动要移动的部件。在电动机上配置有用于防止电动机的输出轴旋转的制动器。在切断向电动机供电的情况下，用于维持机器人的位置和姿势、机床的刀具或工作台的位置和姿势的制动器动作。
当电动机的制动器发生故障时，无法维持机器人的位置和姿势、机床的刀具或工作台的位置和姿势，产生机器人、机床、工件、刀具受损这种问题。为此，以往，以预定的周期定期地测量电动机(主要是重力轴)的制动器的强度，如果测量的结果是制动器减弱，则促使操作员更换电动机，由此预防由制动器发生故障引起重力轴下落等事故(例如，日本特开2016-226150号公报、日本特开2016-101643号公报、日本特开2014-010546号公报)。
然而，在以往技术中，存在以下问题：即使根据测量结果能够检测电动机的制动器的故障，也无法掌握不久的将来制动器故障发生的时间。另外，用于测量电动机的制动器的制动力的数据(重力负载扭矩、机械摩擦扭矩、直到制动器动作为止的反应时间)根据电动机的温度、种类、安装于电动机的工件而改变，因此，即使要使用测量出的值来预测电动机的制动器的故障，也难以适当地设定用于决定异常的迹象是从该测量值的哪一级别开始的阈值。
另外，作为与电动机的制动器的故障预测有关的其它问题，在判断电动机的制动器的状态时，通过使用由振动传感器、温度传感器等测量出的检测值，能够提高其精度，但是当以将这种传感器安装到电动机以预测电动机的制动器的故障这一情况为前提时，有时整体成本上升。因此，对于现场来说，优选不使用传感器而能够以某种程度的精度预测电动机的故障。
发明内容
因此，本发明的目的在于，提供一种预测电动机的制动器的故障的故障预测装置以及机器学习装置。
本发明的一个实施方式的故障预测装置从不具有规则性的计测数据群进行机器学习，事先捕捉被推测为电动机故障的数据变化，预测电动机故障，由此解决上述问题。
另外，在本发明的其它实施方式的故障预测装置中，即使在无法得到传感器等的检测值的环境下，根据从电动机得到的多个测量值进行机器学习，由此能够以某种程度的精度来预测电动机故障。
在本发明的故障预测装置的一个方式中，预测电动机的制动器的故障状态，具备机器学习装置，该机器学习装置学习针对与上述电动机的制动器有关的数据的上述制动器的状态。而且，该机器学习装置具备：状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；以及学习部，其使用上述状态变量，对上述制动器处于正常状态下的上述状态变量的分布进行学习。
也可以是，上述状态观测部还观测使用传感器检测上述电动机的动作状态而得的电动机动作状态数据，作为上述状态变量。
也可以是，上述状态观测部观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个，作为上述制动器动作状态数据。
也可以是，上述状态观测部还观测表示上述电动机的类型的电动机类型数据，作为上述状态变量。
在本发明的故障预测装置的其它方式中，预测电动机的制动器的故障状态，具备机器学习装置，该机器学习装置学习了针对与上述电动机制动器有关的数据的上述制动器的状态。而且，该机器学习装置具备：状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；学习部，其对上述制动器处于正常状态下表示上述制动器的动作状态的数据的分布进行了学习；以及估计结果输出部，其根据由上述状态观测部观测的状态变量以及上述学习部的学习结果，估计并输出上述制动器的故障状态。
也可以是，上述状态观测部还观测使用传感器检测上述电动机的动作状态而得的电动机动作状态数据，作为上述状态变量，另外，也可以是，上述学习部已经对上述制动器处于正常状态下表示上述制动器的动作状态的数据以及使用传感器检测上述电动机的动作状态而得的数据的分布进行学习。
也可以是，上述状态观测部观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个，作为上述制动器动作状态数据，另外，也可以是，上述学习部已经对作为上述制动器处于正常状态下表示上述制动器的动作状态的数据的与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个的分布进行学习。
在本发明的故障预测装置的进一步其它方式中，预测电动机的制动器的故障状态，具备机器学习装置，该机器学习装置学习针对与上述电动机的制动器有关的数据的上述制动器的状态。而且，该机器学习装置具备：状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；标签数据获取部，其获取表示上述制动器的故障状态的标签数据；以及学习部，其使用上述状态变量和上述标签数据，将上述制动器的动作状态与上述制动器的故障状态相关联地进行学习。
也可以是，上述学习部具备：误差计算部，其根据上述状态变量和上述标签数据，计算从上述状态变量导出上述制动器的故障状态的相关性模型与从预先准备的训练数据识别的相关性特征的误差；以及模型更新部，其以缩小上述误差的方式更新上述相关性模型。
在本发明的故障预测装置的进一步其它方式中，预测电动机的制动器的故障状态，具备机器学习装置，该机器学习装置学习了针对与上述电动机的制动器有关的数据的上述制动器的状态。该机器学习装置具备：状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；学习部，其将上述制动器的动作状态与上述制动器的故障状态相关联地进行学习；以及估计结果输出部，其根据由上述状态观测部观测的状态变量和上述学习部的学习结果，估计并输出上述制动器的故障状态。
在本发明的机器学习装置的一个方式中，为了预测电动机的制动器的故障状态，学习针对与上述电动机的制动器有关的数据的上述制动器的状态，具备：状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；以及学习部，其使用上述状态变量，对上述制动器处于正常状态下的上述状态变量的分布进行学习。
在本发明的机器学习装置的其它方式中，为了预测电动机的制动器的故障状态，学习针对与上述电动机制动器有关的数据的上述制动器的状态，具备：状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；学习部，其学习了上述制动器处于正常状态下表示上述制动器的动作状态的数据的分布；估计结果输出部，其根据由上述状态观测部观测的状态变量和上述学习部的学习结果，估计并输出上述制动器的故障状态。
在本发明的机器学习装置的进一步其它方式中，为了预测电动机的制动器的故障状态，学习针对与上述电动机的制动器有关的数据的上述制动器的状态，具备：状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；标签数据获取部，其获取表示上述制动器的故障状态的标签数据；以及学习部，其使用上述状态变量和上述标签数据，将上述制动器的动作状态与上述制动器的故障状态相关联地进行学习。
在本发明的机器学习装置的进一步其它方式中，为了预测电动机的制动器的故障状态，已经学习针对与上述电动机制动器有关的数据的上述制动器的状态，具备：状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；学习部，其将上述制动器的动作状态与上述制动器的故障状态相关联地进行了学习；以及估计结果输出部，其根据由上述状态观测部观测的状态变量和上述学习部的学习结果，估计并输出上述制动器的故障状态。
根据本发明，机器学习装置自动地学习故障的阈值，因此结合电动机的动作环境能够高精度地预测电动机的制动器的故障。另外，不会使传感器等成本增加而能够进行维持某种程度的精度的电动机制动器的故障预测。
附图说明
图1是本发明的第一实施方式的故障预测装置的概要硬件结构图。
图2是图1的故障预测装置的概要功能框图。
图3是说明图2的故障预测装置中的学习部所执行的聚类分析的一例的图。
图4是说明上述学习部所执行的聚类分析的其它例的图。
图5是本发明的第二实施方式的故障预测装置的概要功能框图。
图6是例示标签数据的获取方法的图。
图7是表示具备故障预测装置的系统的一个方式的概要功能框图。
图8是表示具备故障预测装置的系统的其它方式的概要功能框图。
具体实施方式
图1是表示本发明的一个实施方式的故障预测装置的主要部分的概要硬件结构图。
故障预测装置1能够安装成用于控制机器人、机床等机器的控制装置，另外，还能够安装成与用于控制机器的控制装置并列设置的个人计算机、经由网络与控制装置相连接的单元计算机、主机计算机、云服务器等计算机。图1示出安装故障预测装置1作为用于控制机床的控制装置的情况下的示例。
本实施方式的故障预测装置1所具备的CPU 11为整体地控制故障预测装置1的处理器，经由总线20读出存储于ROM 12的系统程序，按着该系统程序控制故障预测装置1整体。在RAM 13中临时存储有临时计算数据、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例如使用未图示的电池进行后备供电等，构成为即使故障预测装置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中存储有经由接口15从外部设备72读入的加工程序、经由显示器/MDI单元70输入的加工程序、从故障预测装置1的各部、机床获取的各种数据(例如各种信号、数值控制信息、伺服电动机50、主轴电动机62的位置、速度、电流和电压值、振动传感器、温度传感器等的检测值、加工条件、刀具或工件的信息、机床的各轴的位置、速度等)。存储于非易失性存储器14的加工程序、各种数据在执行时/使用时也可以展开到RAM 13。
在ROM 12中预先写入了公知的分析程序等各种系统程序(包含用于控制与后述的机器学习装置100之间的交换的系统程序)。
接口15为用于连接故障预测装置1与适配器等外部设备72的接口。从外部设备72侧读入程序、各种参数等。另外，使在故障预测装置1内编辑的程序、各种参数等能够经由外部设备72存储到外部存储单元。可编程机床控制器(PMC)16通过内置于故障预测装置1的序列程序对机床和该机床的外围装置(例如换刀机械手这种执行器)经由I/O单元17输出信号并控制。另外，接收配置于机床主体的操作盘的各种开关等的信号，在对接收到的信号进行所需的信号处理之后传送到CPU 11。
显示器/MDI单元70为具备显示器、键盘等的手动数据输入装置，接口18接收来自显示器/MDI单元70的键盘的指令、数据而传送到CPU 11。接口19与操作盘71相连接，该操作盘71具备在以手动方式驱动各轴时使用的手动脉冲发生器等。
用于控制机床所具备的轴的轴控制电路30接收来自CPU 11的轴的移动指令量，将轴的指令输出到伺服放大器40。伺服放大器40接收该指令，驱动用于使机床所具备的轴进行移动的伺服电动机50。轴的伺服电动机50内置有位置和速度检测器，将来自该位置和速度检测器的位置和速度反馈信号反馈至轴控制电路30，进行位置和速度的反馈控制。
此外，在图1的硬件结构图中，轴控制电路30、伺服放大器40、伺服电动机50仅示出各一个，但是，实际上以作为控制对象的机床所具备的轴的数量来准备。
主轴控制电路60接收向制造机器的主轴旋转指令，将主轴速度信号输出到主轴放大器61。主轴放大器61接收该主轴速度信号，使制造机器的主轴电动机62以所指示的转速进行旋转并驱动刀具。位置检测器63连接到主轴电动机62，位置检测器63与主轴的旋转同步地输出反馈脉冲，由CPU 11读取该反馈脉冲。
接口21为用于连接故障预测装置1与机器学习装置100的接口。机器学习装置100具备用于控制机器学习装置100整体的处理器101、存储有系统程序等的ROM 102、用于进行与机器学习有关的各处理中的临时存储的RAM103以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够观测由故障预测装置1能够经由接口21获取的各信息(例如各种信号、数值控制信息、伺服电动机50、主轴电动机62的位置、速度、电流和电压值、振动传感器、温度传感器等的检测值、加工条件、刀具或工件的信息、机床的各轴的位置、速度等)。另外，故障预测装置1根据从机器学习装置100输出的伺服电动机50、主轴电动机62等电动机的制动器的状态的估计结果，进行警告等的输出、机床的控制。
图2是第一实施方式的故障预测装置1和机器学习装置100的概要功能框图。
图1示出的故障预测装置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，控制故障预测装置1和机器学习装置100的各部的动作，由此实现图2示出的各功能块。
本实施方式的故障预测装置1具备控制部34，该控制部34根据存储于非易失性存储器14的加工程序、从机器学习装置100输出的伺服电动机50、主轴电动机62等电动机的制动器的状态的估计，进行警告等输出、机床2(所具备的伺服电动机50和主轴电动机62)的控制。
控制部34根据从机器学习装置100输出的电动机的制动器的状态的估计，进行警告等的输出、机床2的停止控制。控制部34也可以对机床2进行以下指示：在从机器学习装置100作为电动机的制动器的状态的估计而输出电动机制动器发生故障这种估计的情况下、输出该制动器存在故障迹象这种估计的情况下发出警告。另外，控制部34也可以进行以下控制：在从机器学习装置100作为电动机的制动器的状态的估计而输出该制动器发生故障这种估计的情况下、输出该制动器存在故障迹象这种估计的情况下，停止机床2当前进行的加工动作。
另一方面，故障预测装置1所具备的机器学习装置100包含以下软件(学习算法等)和硬件(处理器101等)，该软件和硬件通过所谓机器学习来自己学习以下情况：
根据包含与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少一个的与电动机制动器的动作状态有关的数据以及由传感器等检测出的与电动机的动作状态有关的数据来学习正常的电动机的制动器的状态(故障状态)；以及
根据与所输入的制动器的动作状态有关的数据以及与电动机的动作状态有关的数据来估计电动机的制动器的故障状态。
故障预测装置1所具备的机器学习装置100所学习的内容相当于表示与制动器的动作状态有关的数据以及与电动机的动作状态有关的数据与正常的电动机的制动器的故障状态之间的相关性的模型结构。
如图2的功能块所示，故障预测装置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包括包含与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少一个的与电动机制动器的动作状态有关的制动器动作状态数据S1以及与电动机的动作状况有关的电动机动作状态数据S2；学习部110，其使用状态变量S，将电动机制动器的动作状态和电动机的动作状态与电动机制动器的故障状态的估计相关联地进行学习；以及估计结果输出部122，其使用学习部110已经学习过的已学习模型，根据电动机制动器的动作状态和电动机的动作状态估计电动机制动器的故障状态。
在机床2所具备的电动机的制动器动作时，能够从该电动机获取由状态观测部106观测的状态变量S中的制动器动作状态数据S1。制动器动作状态数据S1包含能够根据电动机的电流值、反馈值计算出的与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少一个。状态观测部106作为制动器动作状态数据S1而观测在电动机正常进行动作时从电动机获取的数据。
通过传感器等检测电动机的动作状态，能够获取由状态观测部106观测的状态变量S中的电动机动作状态数据S2。电动机动作状态数据S2例如能够使用通过温度传感器检测电动机动作时的温度而得的值、通过加速度传感器检测电动机动作时的振动而得的值。为了获取电动机动作状态数据S2，需要对机床2另行安装传感器等，但是能够用于提高电动机的制动器的故障状态的估计精度。
学习部110按照被总称为机器学习的任意的学习算法，基于状态变量S(制动器动作状态数据S1和电动机动作状态数据S2)进行聚类分析，将通过该聚类分析而制作出的聚类记录(学习)为已学习模型。学习部110也可以根据电动机制动器正常动作时获取的预定数的状态变量S(制动器动作状态数据S1和电动机动作状态数据S2)来制作聚类。用于制作聚类的状态变量S例如也可以使用经由有线/无线网络从配置于工厂的机床2获取并蓄积的数据(大数据)。通过进行这种学习，学习部110作为聚类集合对电动机的制动器为正常情况下的制动器动作状态数据S1和电动机动作状态数据S2的分布进行分析。
估计结果输出部122根据学习部110基于处于正常状态下的机床2的重力负载扭矩、机械摩擦扭矩以及制动器反应时间进行学习的已学习模型(从制动器动作状态数据S1和电动机动作状态数据S2制作出的聚类集合)以及新观测到的制动器动作状态数据S1和电动机动作状态数据S2，估计当前的加工状态处于正常状态还是异常状态。
图3是表示根据学习部110所制作的聚类集合以及新获取的制动器动作状态数据S1和电动机动作状态数据S2来估计制动器的故障状态的示例的图。此外，在图3中，为了使说明简单，将数据所分布的空间设为三维，将各轴设为机械摩擦扭矩率(制动器动作状态数据S1)、制动器动作时间(制动器动作状态数据S1)、制动器温度(电动机动作状态数据S2)，但是，实际上数据分布在将各数据设为轴的多维空间上。
如图3例示，当在制作了制动器的状态为正常的情况下的聚类的状态下新观测制动器动作状态数据S1和电动机动作状态数据S2时，估计结果输出部122判断该数据是否属于电动机制动器处于正常状态的情况下的聚类，在属于该聚类的情况下估计为电动机的制动器的状态为正常，在并不属于该聚类的情况下估计为电动机的制动器的状态并不正常(发生故障)。
估计结果输出部122并不单纯地估计电动机制动器为正常还是故障，也可以根据新观测的制动器动作状态数据S1和电动机动作状态数据S2的聚类空间上的位置处的、制动器的故障状态为正常的情况下的聚类的聚类密度，分阶段地估计电动机的制动器的故障程度。在这种情况下，例如图4例示，也可以与表示故障程度的阶段对应地预先设定聚类密度的阈值，将该阈值与新观测的制动器动作状态数据S1和电动机动作状态数据S2的聚类空间上的位置进行比较，根据该比较结果分阶段地估计电动机制动器的故障状态。在图4中示出例如分为正常、警告(大概运行100小时以后有可能发生故障)、需要检查(大概运行10小时以后有可能发生故障)、故障这四个阶段来估计电动机制动器的故障状态的示例。预先通过试验等求出适当的值而设定估计结果输出部122用于估计当前电动机的制动器的状态的聚类密度的阈值即可。
如上所述，如果不通过运算、预测而能够自动地估计机床的加工动作处于正常动作范畴，则仅从当前机床获取各数据，就能够讯速地判断当前机床的加工动作是否为正常。
作为故障预测装置1所具备的机器学习装置100的一个变形例，状态观测部106也可以不观测通过传感器等检测机床2的电动机的动作状态而得的电动机动作状态数据S2，并且作为制动器动作状态数据S1，观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个即可。制动器的动作状态有时根据电动机的温度等发生变化，另外，其行为也有时出现于振动，因此担心由于使传感器等停止检测电动机动作状态数据S2而电动机制动器的故障状态的学习和估计精度下降，但是通过作为制动器动作状态数据S1而观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个，电动机的温度的影响等对于各数据表现为微妙差异，因此制作出反映了该差异的聚类，能够以某种程度的精度对电动机制动器的故障状态进行学习和估计。另外，由此不需要对机床2安装一部分传感器等，因此在成本方面还能够有利地运用，并且能够解决上述与电动机制动器的故障预测有关的其它问题。
作为故障预测装置1所具备的机器学习装置100的其它变形例，状态观测部106还能够观测表示电动机类型的电动机类型数据S3。在该情况下，学习部110能够进行与电动机制动器的动作状态、电动机的类型(以及电动机的动作状态)对应的电动机的制动器的故障状态的学习，另外，估计结果输出部122在新观测到电动机制动器的动作状态、电动机的类型(以及电动机的动作状态)的情况下，能够估计电动机的制动器的故障状态。
图5是第二实施方式的故障预测装置1和机器学习装置100的概要功能框图。图1示出的故障预测装置1所具备的CPU 11和机器学习装置100的处理器101执行各系统程序，对故障预测装置1和机器学习装置100的各部动作进行控制，由此实现图5示出的各功能块。
机器学习装置100具备标签数据获取部108，学习部110使用状态变量S以外还使用由标签数据获取部108获取的标签数据进行学习，在这一点，本实施方式的故障预测装置1与第一实施方式不同。
标签数据获取部108获取标签数据L，该标签数据L包含表示当前电动机的制动器处于正常状态还是故障状态的制动器故障状态数据L1。例如图6例示，标签数据获取部108在检测出电动机的制动器的故障的情况下(而且，在该检测结果被输入到故障预测装置1的情况下)，对作为日志数据而记录于非易失性存储器14或经由有线/无线网络连接的主机计算机中的状态变量S中、即将检测出故障之前的状态变量S附加电动机的制动器处于故障状态的标签，对从此直到第一预定周期前观测到的状态变量S附加需要检查的标签，并且对从此直到第二预定周期前观测到的状态变量S附加警告标签，对剩余状态变量S附加正常标签，获取这些标签作为制动器故障状态数据L1。此外，在学习部110的学习(已学习模型的构建)完成之后，标签数据获取部108对机器学习装置100并不是必不可少的结构。
学习部110按照被总称为机器学习的任意学习算法，根据状态变量S(制动器动作状态数据S1等)和标签数据L(制动器故障状态数据L1)进行所谓监督学习，构建(学习)已学习模型。监督学习是以下方法：提供输入(状态变量S)以及与其对应的输出(标签数据L)的已知的数据集(被称为训练数据)，从这些训练数据识别暗示输入与输出的相关性的特征，由此对用于估计与新输入对应的所需输出的相关性模型进行学习。学习部110所执行的监督学习的学习算法并不特别进行限定，作为机器学习能够采用公知的学习算法。
在图5示出的故障预测装置1所具备的机器学习装置100中，学习部110具备误差计算部112以及以缩小误差E的方式更新相关性模型M的模型更新部114，其中，该误差计算部112计算以下部分的误差E：
根据从机床2观测的状态变量S(重力负载扭矩、机械摩擦扭矩以及制动器反应时间、根据需要由传感器等检测出的电动机的动作状态等)来估计电动机的制动器的故障状态的相关性模型M；以及
从根据观测到的状态变量S和电动机的制动器的故障状态得到的训练数据T识别出的相关性特征。
模型更新部114反复更新相关性模型M，由此，学习部110对根据状态变量S进行的电动机的制动器的故障状态的估计进行学习。
相关性模型M的初始值例如简化表现状态变量S与标签数据L的相关性(例如使用一次函数)，在开始监督学习前提供给学习部110。在本发明中，训练数据T能够使用如上所述过去观测到的状态变量S以及电动机的制动器的故障状态，在运用故障预测装置1时提供给学习部110。误差计算部112根据随时提供给学习部110的训练数据T，识别暗示状态变量S与电动机制动器的故障状态的相关性的相关性特征，求出该相关性特征与当前状态下的状态变量S和标签数据L所对应的相关性模型M的误差E。模型更新部114例如按照预定的更新规则，向误差E缩小的方向更新相关性模型M。
在下一学习循环中，误差计算部112按照更新后的相关性模型M使用状态变量S来估计电动机的制动器的故障状态，求出该估计的结果与实际获取的标签数据L的误差E，模型更新部114再次更新相关性模型M。这样，未知的环境的当前状态与对该状态的估计的相关性逐渐变得清楚。此外，在学习部110的学习(已学习模型的构建)完成之后，误差计算部112对学习部110并不是必须的结构。
然后，估计结果输出部122使用学习部110用状态变量S和标签数据L构建(学习)的已学习模型，根据从机床2获取的状态变量S(制动器动作状态数据S1等)估计当前电动机的制动器的故障状态。
此外，在本实施方式中，也与在第一实施方式中说明的变形例同样地，能够采用各种状态变量的组合。
图7示出具备机床2的一个实施方式的系统80。系统80具备具有相同机械结构的多个机床2以及将这些机床2相互连接的网络82，多个机床2中的至少一个构成为具备上述故障预测装置1的机床2。机床2具有工件加工所需的通常机床所具备的结构。
在具有上述结构的系统80中，多个机床2中具备故障预测装置1的机床2使用学习部110的学习结果，针对从机床2(包括不包含故障预测装置1的机床2)检测出的各数据，不通过运算、预测而能够自动且准确地求出该机床2是否正常进行动作。另外，能够具有以下结构：至少一个机床2的故障预测装置1根据对其它多个机床2的每一个获得的状态变量S，进行对所有机床2通用的学习，所有机床2共享其学习结果。因而，根据系统80，将更多种数据集合(包含状态变量S、标签数据L)作为输入，能够提高从机床2检测出的各数据的学习速度、可靠性。
图8示出具备机床2的其它实施方式的系统80。系统80具备故障预测装置1、具有相同机械结构的多个机床2、以及将这些机床2与故障预测装置1相互连接的网络82。在本实施方式的故障预测装置1中，例如假设故障预测装置1被安装成单元计算机、主机计算机、云服务器等计算机。
在具有上述结构的系统80中，故障预测装置1根据对多个机床2的每一个获得的状态变量S(和标签数据L)，将对所有机床2通用的从正常动作的机床检测出的各数据进行学习，使用其学习结果，对从机床2检测出的各数据，不通过运算、预测而能够自动且准确地判断该机床2所具备的电动机的制动器是否正常进行动作。根据该结构，与多个机床2中的每一个所存在的位置、时期无关地，在需要时能够将所需数量的机床2连接到故障预测装置1。
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，通过施加适当的变更，能够以各种方式实施。
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、故障预测装置1所执行的控制算法等并不限定于上述算法，能够采用各种算法。

Claims (14)

1.一种故障预测装置，预测电动机的制动器的故障状态，其特征在于，
该故障预测装置具备机器学习装置，该机器学习装置学习针对与上述电动机的制动器有关的数据的上述制动器的状态，
上述机器学习装置具备：
状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；以及
学习部，其使用上述状态变量，对上述制动器处于正常状态下的上述状态变量的分布进行学习。
2.根据权利要求1所述的故障预测装置，其特征在于，
上述状态观测部还观测使用传感器检测上述电动机的动作状态而得的电动机动作状态数据，作为上述状态变量。
3.根据权利要求1所述的故障预测装置，其特征在于，
上述状态观测部观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个，作为上述制动器动作状态数据。
4.根据权利要求1～3的任一项所述的故障预测装置，其特征在于，
上述状态观测部还观测表示上述电动机的类型的电动机类型数据，作为上述状态变量。
5.一种故障预测装置，预测电动机的制动器的故障状态，其特征在于，
该故障预测装置具备机器学习装置，该机器学习装置学习了针对与上述电动机的制动器有关的数据的上述制动器的状态，
上述机器学习装置具备：
状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；
学习部，其对上述制动器处于正常状态下表示上述制动器的动作状态的数据的分布进行了学习；以及
估计结果输出部，其根据由上述状态观测部观测的状态变量以及上述学习部的学习结果，估计并输出上述制动器的故障状态。
6.根据权利要求5所述的故障预测装置，其特征在于，
上述状态观测部还观测使用传感器检测上述电动机的动作状态而得的电动机动作状态数据，作为上述状态变量，
上述学习部对上述制动器处于正常状态下表示上述制动器的动作状态的数据以及使用传感器检测上述电动机的动作状态而得的数据的分布进行学习。
7.根据权利要求5所述的故障预测装置，其特征在于，
上述状态观测部观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个，作为上述制动器动作状态数据，
上述学习部对作为上述制动器处于正常状态下表示上述制动器的动作状态的数据的与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个的分布进行学习。
8.一种故障预测装置，预测电动机的制动器的故障状态，其特征在于，
该故障预测装置具备机器学习装置，该机器学习装置学习针对与上述电动机的制动器有关的数据的上述制动器的状态，
上述机器学习装置具备：
状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；
标签数据获取部，其获取表示上述制动器的故障状态的标签数据；以及
学习部，其使用上述状态变量和上述标签数据，将上述制动器的动作状态与上述制动器的故障状态相关联地进行学习。
9.根据权利要求8所述的故障预测装置，其特征在于，
上述学习部具备：
误差计算部，其根据上述状态变量和上述标签数据，计算从上述状态变量导出上述制动器的故障状态的相关性模型与从预先准备的训练数据识别的相关性特征的误差；以及
模型更新部，其以缩小上述误差的方式更新上述相关性模型。
10.一种故障预测装置，预测电动机的制动器的故障状态，其特征在于，
该故障预测装置具备机器学习装置，该机器学习装置学习了针对与上述电动机的制动器有关的数据的上述制动器的状态，
上述机器学习装置具备：
状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；
学习部，其将上述制动器的动作状态与上述制动器的故障状态相关联地进行了学习；以及
估计结果输出部，其根据由上述状态观测部观测的状态变量和上述学习部的学习结果，估计并输出上述制动器的故障状态。
11.一种机器学习装置，为了预测电动机的制动器的故障状态，学习针对与上述电动机的制动器有关的数据的上述制动器的状态，其特征在于，
该机器学习装置具备：
状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；以及
学习部，其使用上述状态变量，对上述制动器处于正常状态下的上述状态变量的分布进行学习。
12.一种机器学习装置，为了预测电动机的制动器的故障状态，学习了针对与上述电动机的制动器有关的数据的上述制动器的状态，其特征在于，
该机器学习装置具备：
状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；
学习部，其对上述制动器处于正常状态下表示上述制动器的动作状态的数据的分布进行了学习；以及
估计结果输出部，其根据由上述状态观测部观测的状态变量和上述学习部的学习结果，估计并输出上述制动器的故障状态。
13.一种机器学习装置，为了预测电动机的制动器的故障状态，学习针对与上述电动机的制动器有关的数据的上述制动器的状态，其特征在于，
该机器学习装置具备：
状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；
标签数据获取部，其获取表示上述制动器的故障状态的标签数据；以及
学习部，其使用上述状态变量和上述标签数据，将上述制动器的动作状态与上述制动器的故障状态相关联地进行学习。
14.一种机器学习装置，为了预测电动机的制动器的故障状态，学习了针对与上述电动机的制动器有关的数据的上述制动器的状态，其特征在于，
该机器学习装置具备：
状态观测部，其观测表示上述制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；
学习部，其将上述制动器的动作状态与上述制动器的故障状态相关联地进行了学习；以及
估计结果输出部，其根据由上述状态观测部观测的状态变量和上述学习部的学习结果，估计并输出上述制动器的故障状态。
CN201910133348.0A 2018-02-22 2019-02-22 故障预测装置以及机器学习装置 Active CN110187694B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018030108A JP6711854B2 (ja) 2018-02-22 2018-02-22 故障予測装置及び機械学習装置
JP2018-030108 2018-02-22

Publications (2)

Publication Number Publication Date
CN110187694A true CN110187694A (zh) 2019-08-30
CN110187694B CN110187694B (zh) 2021-07-02

Family

ID=67482224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910133348.0A Active CN110187694B (zh) 2018-02-22 2019-02-22 故障预测装置以及机器学习装置

Country Status (4)

Country Link
US (1) US11531319B2 (zh)
JP (1) JP6711854B2 (zh)
CN (1) CN110187694B (zh)
DE (1) DE102019103824A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156913A (zh) * 2021-02-05 2021-07-23 深圳大雷汽车检测股份有限公司 一种abs故障诊断系统及方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6698603B2 (ja) * 2017-09-29 2020-05-27 ファナック株式会社 数値制御システム、及び運転状態異常検知方法
KR102240993B1 (ko) * 2018-03-20 2021-04-15 미쓰비시덴키 가부시키가이샤 표시 장치, 표시 시스템, 및 표시 화면 생성 방법
JP7219117B2 (ja) * 2019-02-28 2023-02-07 コマツ産機株式会社 産業機械の予知保全装置、方法、及びシステム
JP2021015573A (ja) * 2019-07-16 2021-02-12 ファナック株式会社 異常判定装置及び異常判定システム
US20210086361A1 (en) * 2019-09-19 2021-03-25 Hitachi, Ltd. Anomaly detection for robotic arms using vibration data
JP2021096639A (ja) * 2019-12-17 2021-06-24 キヤノン株式会社 制御方法、制御装置、機械設備、制御プログラム、記録媒体
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
US11687071B2 (en) * 2021-08-19 2023-06-27 Garrett Transportation I Inc. Methods of health degradation estimation and fault isolation for system health monitoring
KR102400960B1 (ko) * 2022-01-19 2022-05-25 주식회사 금호엔티시 에지 서버형 고장 예측방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101192062A (zh) * 2006-11-30 2008-06-04 Abb研究有限公司 用于监测工业机器人的状况的方法和装置
CN101263499A (zh) * 2005-07-11 2008-09-10 布鲁克斯自动化公司 智能状态监测和故障诊断系统
CN105785916A (zh) * 2014-12-15 2016-07-20 上海通用汽车有限公司 提供机床重力轴下坠保护的方法和装置
CN106557069A (zh) * 2015-09-29 2017-04-05 发那科株式会社 机械学习装置和方法以及具有该机械学习装置的机床
CN106602935A (zh) * 2015-10-14 2017-04-26 发那科株式会社 电动机驱动装置
CN106815642A (zh) * 2015-11-30 2017-06-09 发那科株式会社 机械学习装置及方法以及电动机控制装置
CN107272586A (zh) * 2016-04-08 2017-10-20 发那科株式会社 机械学习装置、机械学习方法、故障预知装置及系统
JP2017220111A (ja) * 2016-06-09 2017-12-14 ファナック株式会社 異常負荷検出の閾値を学習する機械学習器，数値制御装置および機械学習方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165826B2 (en) * 2008-09-30 2012-04-24 The Boeing Company Data driven method and system for predicting operational states of mechanical systems
JP5444421B2 (ja) 2012-06-28 2014-03-19 ファナック株式会社 ブレーキ異常診断方法およびブレーキ異常診断装置
JP6056838B2 (ja) 2014-11-28 2017-01-11 株式会社安川電機 ブレーキ診断装置及びブレーキ診断方法
US10984338B2 (en) * 2015-05-28 2021-04-20 Raytheon Technologies Corporation Dynamically updated predictive modeling to predict operational outcomes of interest
JP6077592B2 (ja) 2015-05-29 2017-02-08 ファナック株式会社 ブレーキの異常を検出する機能を備えたモータ制御システムおよびブレーキ異常検出方法
JP6240689B2 (ja) * 2015-07-31 2017-11-29 ファナック株式会社 人の行動パターンを学習する機械学習装置、ロボット制御装置、ロボットシステム、および機械学習方法
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
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
CN107703920B (zh) * 2017-10-25 2019-12-17 北京交通大学 基于多元时间序列的列车制动系统的故障检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101263499A (zh) * 2005-07-11 2008-09-10 布鲁克斯自动化公司 智能状态监测和故障诊断系统
CN101192062A (zh) * 2006-11-30 2008-06-04 Abb研究有限公司 用于监测工业机器人的状况的方法和装置
CN105785916A (zh) * 2014-12-15 2016-07-20 上海通用汽车有限公司 提供机床重力轴下坠保护的方法和装置
CN106557069A (zh) * 2015-09-29 2017-04-05 发那科株式会社 机械学习装置和方法以及具有该机械学习装置的机床
CN106602935A (zh) * 2015-10-14 2017-04-26 发那科株式会社 电动机驱动装置
CN106815642A (zh) * 2015-11-30 2017-06-09 发那科株式会社 机械学习装置及方法以及电动机控制装置
CN107272586A (zh) * 2016-04-08 2017-10-20 发那科株式会社 机械学习装置、机械学习方法、故障预知装置及系统
JP2017220111A (ja) * 2016-06-09 2017-12-14 ファナック株式会社 異常負荷検出の閾値を学習する機械学習器，数値制御装置および機械学習方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156913A (zh) * 2021-02-05 2021-07-23 深圳大雷汽车检测股份有限公司 一种abs故障诊断系统及方法

Also Published As

Publication number Publication date
US20190258223A1 (en) 2019-08-22
JP2019146421A (ja) 2019-08-29
DE102019103824A1 (de) 2019-08-22
JP6711854B2 (ja) 2020-06-17
CN110187694B (zh) 2021-07-02
US11531319B2 (en) 2022-12-20

Similar Documents

Publication Publication Date Title
CN110187694A (zh) 故障预测装置以及机器学习装置
EP3553613B1 (en) Learning processing and diagnostics method for a plurality of machine tools
CN107272586B (zh) 机械学习装置、机械学习方法、故障预知装置及系统
JP6810097B2 (ja) 異常検出器
US20180373233A1 (en) Failure predicting apparatus and machine learning device
US20130197854A1 (en) System and method for diagnosing machine tool component faults
CN107614214B (zh) 故障诊断装置及故障诊断方法
EP2510443B1 (en) Automation management system and method
CN111506019B (zh) 数值控制系统
US10684608B2 (en) Abnormality detection apparatus and machine learning device
JP7518166B2 (ja) 診断装置、サーバ、及び診断方法
Holopov et al. Development of digital production engineering monitoring system based on equipment state index
US10747197B2 (en) Abnormally factor identification apparatus
US11731332B2 (en) State determination device and state determination method
US20200254671A1 (en) State determination device and state determination method
CN117792219B (zh) 一种电机驱动智能调控方法及系统
Hu et al. A systematic approach to integrated fault diagnosis of flexible manufacturing systems
Liao et al. Machine tool feed axis health monitoring using plug-and-prognose technology
Qin et al. A study of fault detection and diagnosis for PLC controlled manufacturing system
US20240004379A1 (en) Anomaly classification device
JP7184997B2 (ja) 状態判定装置及び状態判定方法
CN117182652A (zh) 数控机床的刀具磨损监测方法、边缘控制器及监测系统
JP2021002238A (ja) 制御装置、制御システム、及び機械学習装置
Kim et al. Proactive Maintenance Framework of Manufacturing Equipment through Performance-based Reliability

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