CN110774318A - 处理装置及处理部分的处理方法 - Google Patents

处理装置及处理部分的处理方法 Download PDF

Info

Publication number
CN110774318A
CN110774318A CN201910671756.1A CN201910671756A CN110774318A CN 110774318 A CN110774318 A CN 110774318A CN 201910671756 A CN201910671756 A CN 201910671756A CN 110774318 A CN110774318 A CN 110774318A
Authority
CN
China
Prior art keywords
sensor
value
predetermined
section
processing
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
CN201910671756.1A
Other languages
English (en)
Other versions
CN110774318B (zh
Inventor
浅见浩司
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.)
Canon Inc
Original Assignee
Canon Inc
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
Priority claimed from JP2019109202A external-priority patent/JP7516013B2/ja
Application filed by Canon Inc filed Critical Canon Inc
Publication of CN110774318A publication Critical patent/CN110774318A/zh
Application granted granted Critical
Publication of CN110774318B publication Critical patent/CN110774318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/0259—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]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • 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
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • 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
    • G05B19/42—Recording and playback systems, i.e. in which the programme is recorded from a cycle of operations, e.g. the cycle of operations being manually controlled, after which this record is played back on the same machine
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供处理装置及处理部分的处理方法。所述处理装置包括处理部分。所述处理部分按时间序列获得，与包括第一传感器的预定装置的操作相对应地从所述预定装置输出的第一传感器的传感器值，基于预定条件划分第一传感器的传感器值，并且对所划分的第一传感器的传感器值进行聚类。

Description

处理装置及处理部分的处理方法
技术领域
本发明涉及处理装置的技术。
背景技术
对于移动诸如多关节机器人臂的装置，提高维护效率是问题。例如，在机器人臂由于其减速齿轮、轴承等的损坏而发生故障的情况下，通过停止生产线来修理机器人臂。因此，希望在装置发生故障之前在定期检查中进行装置的维护。
日本特开昭63-123105号公报公开了如下方法：通过操作处于正常状态的装置来获得基准值，并且基于测量值与基准值的偏差来预测装置的故障。日本特开平5-77143号公报公开了如下方法：将装置的模拟结果设置为基准值，并基于测量值与基准值的偏差来预测装置的故障。
装置的操作有多种。以机器人臂为例，有两种已知的操作。第一种是反复进行且每次相同的操作，例如示教/回放控制。第二种是每次不同的操作，例如使用视觉传感器的随机拾取控制或使用力传感器的力控制。通过这两种操作的组合实现机器人臂的操作序列。
顺便提及，优选地根据对象装置的操作类型来改变用于预测装置的故障的方法。例如，在机器人臂的情况下，日本特开昭63-123105号公报中公开的方法对于示教/回放控制是优选的，并且日本特开平5-77143号公报中公开的方法对于随机拾取控制和力控制是优选的。然而，用于预测装置的故障的处理装置不一定能够接收表示对象装置进行何种操作的信息。
发明内容
根据本发明的第一方面，提供了一种处理装置，所述处理装置包括处理部分。所述处理部分按时间序列获得，与包括第一传感器的预定装置的操作相对应地从所述预定装置输出的第一传感器的传感器值，基于预定条件划分第一传感器的传感器值，并且对所划分的第一传感器的传感器值进行聚类。
根据本发明的第二方面，提供了一种处理部分的处理方法，所述处理方法包括：按时间序列获得，与包括第一传感器的预定装置的操作相对应地从所述预定装置输出的第一传感器的传感器值；基于预定条件划分第一传感器的传感器值；以及对所划分的第一传感器的传感器值进行聚类。
通过以下参照附图对示例性实施例的描述，本发明的其他特征将变得清楚。
附图说明
图1是用作根据示例性实施例的制造系统的示例的机器人装置的示意性透视图。
图2是根据示例性实施例的机器人臂的关节的示意性截面图。
图3是例示根据示例性实施例的机器人装置的控制系统的框图。
图4是根据示例性实施例的电动机控制单元的框图。
图5是根据示例性实施例的进行处理方法的处理装置的功能框图。
图6A是例示根据示例性实施例的编码器值的示例的图。
图6B是例示根据示例性实施例的转矩电流值的示例的图。
图7是例示根据示例性实施例的簇的示例的图。
具体实施方式
下面将参照附图详细描述本发明的示例性实施例。图1是用作根据示例性实施例的制造系统的示例的机器人装置100的示意性透视图。机器人装置100包括机器人250、示教器400、处理装置1000和视觉传感器800。机器人250是进行组装操作等的制造机器人。处理装置1000包括处理装置主体500、显示装置600和输入设备700。显示装置600是通过声音、图像、句子等向用户发出警告的设备的示例。
机器人250包括作为操纵器的多关节机器人臂200、以及控制机器人臂200的机器人控制器300。机器人臂200是预定装置的示例、以及制造装置的示例。机器人控制器300使机器人臂200进行如下操作：将用作第一工件的工件W1安装在用作第二工件的工件W2上，以制造产品W0。机器人臂200包括臂本体201和手202，手202用作在臂本体201的远端配设的末端执行器的示例。手202是机器人臂200的远端部分。手202是能够保持物体(例如工件W1、部件、工具、夹具或照相机)的保持部分。力传感器280配设在臂本体201和手202之间。
机器人控制器300、机器人臂200、示教器400和处理装置主体500可通信地互连。处理装置主体500和机器人控制器300通过例如局域网(工厂中的LAN)互连。机器人臂200固定到基座的顶面150。示教器400由操作者操作，并用于向机器人臂200和机器人控制器300发出命令。
臂本体201包括通过多个关节J1至J6连接的多个连杆2100至2106。尽管将描述臂本体201的关节是旋转关节的情况，但是关节可以是线性关节。关节J1至J6各自用作预定部件的示例。
臂本体201包括旋转地驱动关节Ji的驱动机构230i。在这种情况下，i是1、2、3、4、5或6。注意，在图1中，i是2。也就是说，图1仅例示了关节J2的驱动机构2302，并且省略了其他驱动机构的图示。通过旋转地驱动关节Ji的驱动机构230i可以改变机器人臂200的朝向。通过改变机器人臂200的朝向，用作机器人臂200的远端部分的手202可以移动到任意位置和朝向。
用作发出警告的装置的示例的显示装置600是诸如液晶显示器或有机电致发光显示器的显示器，并且显示与用作已经输入的预定数据的示例的图像数据相对应的图像。输入设备700例如是键盘701和鼠标702。注意，发出警告的装置不限于显示装置600，也可以是扬声器、或者能够与处理装置主体500通信的终端。
关节J1至J6的尺寸和形状不同，但具有大致相同的构造。图2是作为根据示例性实施例的机器人臂200的关节J1至J6之一的关节Ji的示意性截面图。如图2所示，机器人臂200的关节Ji包括驱动机构230i、输入轴编码器261i、输出轴编码器262i等。
驱动机构230i包括用作驱动部分的示例的电动机231i、以及降低并输出电动机231i的旋转轴232i的旋转速度的减速齿轮233i。从电动机231i的转子延伸的旋转轴232i固定到减速齿轮233i的输入轴。减速齿轮233i的输出轴固定在连杆210i上。通过经由减速齿轮233i传递的电动机231i的驱动力，使连杆210i关于连杆210i-1相对移动。
电动机231i例如是无刷直流伺服电动机(无刷DC伺服电动机)或交流伺服电动机(AC伺服电动机)，并且处于电动机控制单元350i的伺服控制之下。注意，尽管图2中例示了电动机控制单元350i布置在机器人臂200内部的情况，但是电动机控制单元350i可以布置在机器人臂200外部。例如，电动机控制单元350i可以布置在机器人控制器300的壳体中。
减速齿轮233i例如是应变波传动装置(strain wave gearing)，并且降低电动机231i的旋转速度以移动关节Ji。结果，连杆210i关于连杆210i-1绕关节Ji相对旋转。减速齿轮233i的输出轴的旋转角度用作关节Ji的旋转角度。
作为编码器的输入轴编码器261i和作为编码器的输出轴编码器262i是旋转编码器，可以是光学编码器或磁编码器，并且可以是绝对编码器或增量编码器。
输入轴编码器261i配设在减速齿轮233i的输入侧，输出轴编码器262i配设在减速齿轮233i的输出侧。输入轴编码器261i输出与关节Ji的位移相对应的信号，具体地是与电动机231i的旋转轴232i的旋转角度相对应的信号。输出轴编码器262i输出与关节Ji的位移相对应的信号，具体地是与连杆210i关于连杆210i-1的相对角度相对应的信号，即，与关节Ji的旋转角度相对应的信号。
注意，连杆210i-1和连杆210i经由交叉滚子轴承237i可旋转地连接。
图3是例示根据示例性实施例的机器人装置100的控制系统的框图。机器人控制器300和处理装置主体500均由计算机构成。
处理装置主体500包括中央处理单元：CPU 501，其用作作为处理部分的示例的处理器。另外，处理装置主体500包括只读存储器(ROM 502)、随机存取存储器(RAM 503)以及硬盘驱动器(用作存储部分的示例的HDD 504)。另外，处理装置主体500包括记录盘驱动器505和作为输入/输出接口的I/O 511。
CPU 501、ROM 502、RAM 503、HDD 504、记录盘驱动器505和I/O511经由总线510可通信地互连。I/O 511连接到机器人控制器300、显示装置600和输入设备700。
机器人控制器300包括用作处理器的示例的CPU 301。另外，机器人控制器300包括ROM 302、RAM 303和用作存储部分的示例的HDD304。另外，机器人控制器300包括作为输入/输出接口的I/O 311。
CPU 301、ROM 302、RAM 303、HDD 304和I/O 311经由总线310可通信地互连。I/O311连接到处理装置主体500、电动机控制单元350i、示教器400、视觉传感器800和力传感器280。
图3例示了一个关节的电动机控制单元350i。然而，在本示例性实施例中，由于配设了六个关节J1至J6，因此配设了六个电动机控制单元3501至3506。电动机控制单元350i连接到对应于关节Ji的电动机231i、电流传感器270i、输入轴编码器261i和输出轴编码器262i。尽管图3中例示了一个关节的电动机231i、电流传感器270i、输入轴编码器261i和输出轴编码器262i，但是在本示例性实施例中配设了六个关节。因此，与关节J1至J6相对应地配设有电动机2311至2316、电流传感器2701至2706、输入轴编码器2611至2616和输出轴编码器2621至2626。
CPU 301经由电动机控制单元350i控制对机器人臂200的关节Ji进行驱动的电动机231i，从而控制机器人臂200的操作。此外，CPU 301接收表示通过操作者的操作而从示教器400发送的指令的信号。
HDD 304存储任务程序321。任务程序321描述用于使机器人臂200进行再现操作或适应操作的命令。再现操作是使机器人臂200反复进行相同操作的第一操作，例如将由机器人臂200保持的部件放置在预定位置并且移回到原始位置，这是由机器人臂200在示教/回放控制下进行。适应操作是使机器人臂200每次进行不同操作的第二操作，这在例如使用视觉传感器800的随机拾取控制或使用力传感器280的力控制下进行。第二操作是与第一次操作不同的操作。在本示例性实施例中，将描述使机器人臂200进行包括第一操作和第二操作的两种操作的情况。
CPU 301读取任务程序321，并生成机器人臂200的关节J i的轨迹数据。轨迹数据是每隔预定时间段命令的关节J i的电动机231i的角度命令值θ1i*的集合。CPU 301每隔预定时间段将关节Ji的电动机231i的角度命令值θ1i*输出到电动机控制单元350i。电动机控制单元350i控制电动机231i，使得由输入轴编码器261i检测的角度值θ1i变得更接近角度命令值θ1i*。
图4是示例性实施例的电动机控制单元350i的框图。由本示例性实施例的电动机控制单元350i进行的反馈控制是使用输入轴编码器261i的半闭环控制。应注意，由电动机控制单元350i进行的反馈控制不限于半闭环控制，并且可以是使用输出轴编码器262i的全闭环控制。另外，电动机控制单元350i可以在半闭环控制和全闭环控制中选择性地进行一种反馈控制。
电动机控制单元350i包括位置控制部分351i、比例积分微分计算部分(PID计算部分352qi和352di)、电压计算部分353i、驱动器354i、桥接电路355i、模拟/数字转换部分(A/D转换部分356i)、电流计算部分357i以及转换部分358i和359i。
电流传感器270i将表示在电动机231i的各相中流动的电流量的信号输出到A/D转换部分356i。A/D转换部分356i量化表示电流量的信号，将该信号转换为数值数据，并将该数值数据作为三相电流值输出到电流计算部分357i。
输入轴编码器261i将与电动机231i的转子(即减速齿轮233i的输入轴)的旋转角度对应的脉冲信号，输出到转换部分358i。转换部分358i将从输入轴编码器261i发送的脉冲信号转换为传感器值(该传感器值是表示角度的数值数据)，并且将作为该传感器值的编码器值θ1i反馈到电压计算部分353i、电流计算部分357i和位置控制部分351i。此外，转换部分358i将表示输入轴编码器261i的编码器值θ1i的数据信号输出到外部设备，该外部设备是本示例性实施例中的机器人控制器300。
电流计算部分357i基于已输入的三相电流值和编码器值θ1i，获得作为q轴电流值的转矩电流值Iqi和作为d轴电流值的励磁电流值Idi。电流计算部分357i将转矩电流值Iqi反馈到PID计算部分352qi，并将励磁电流值Idi反馈到PID计算部分352di。此外，电流计算部分357i将表示转矩电流值Iqi的数据信号输出到外部设备，该外部设备是本示例性实施例中的机器人控制器300。
输出轴编码器262i将与关节的角度(即，减速齿轮233i的输出轴的旋转角度)对应的脉冲信号输出到转换部分359i。转换部分359i将从输出轴编码器262i发送的脉冲信号转换为传感器值(该传感器值是表示角度的数值数据)，并且将作为该传感器值的编码器值θ2i反馈给外部设备，该外部设备是本示例性实施例中的机器人控制器300。
同时，位置控制部分351i获得作为q轴电流命令值的转矩电流命令值Iqi*和作为d轴电流命令值的励磁电流命令值Idi*，使得角度命令值θ1i*与编码器值θ1i之间的差较小。
PID计算部分352qi基于转矩电流命令值Iqi*和转矩电流值Iqi之间的差，通过PID控制来获得电压值vqi。PID计算部分352di基于励磁电流命令值Idi*和励磁电流值Idi之间的差，通过PID控制来获得电压值vdi。
电压计算部分353i将电压值vdi和vqi转换成脉冲宽度调制信号：与要施加到电动机231i的各相的电压相对应的PWM信号Ui、Vi和Wi。驱动器354i通过PWM驱动，根据PWM信号Ui、Vi和Wi来驱动桥接电路355i的各个半导体开关元件的控制端口。控制端口均为门或基座。据此，桥接电路355i通过要输出到电动机231i的电压的开/关(on/off)控制，来控制转矩电流和励磁电流。
机器人控制器300接收表示与关节Ji对应的编码器值θ1i和θ2i以及转矩电流值Iqi的数据信号，并进行各种计算。另外，在本示例性实施例中，机器人控制器300将表示与关节Ji对应的编码器值θ1i的数据信号和表示与关节Ji对应的扭矩电流值Iqi的数据信号，以预定周期依次输出到处理装置主体500。注意，对应于关节Ji的电动机控制单元350i可以不通过机器人控制器300，而将表示编码器值θ1i的数据信号和表示转矩电流值Iqi的数据信号直接依次输出到处理装置主体500。
在生产线中，在机器人控制器300使机器人臂200在机器人装置100的自动操作期间进行的操作序列(诸如产品的组装操作)中，包括第一操作和第二操作二者。机器人控制器300使机器人臂200通过在任务程序321之后的自动操作期间在第一操作和第二操作之间切换，来进行产品W0的组装操作。机器人控制器300未被构造为向外部设备输出表示机器人臂200正在进行第一操作和第二操作中的哪一个的信息。另外，基于测量值和基准值之间的差来进行机器人臂200是否将发生故障的预测，并且应当在第一操作和第二操作之间改变要与测量值进行比较的基准值。
在本示例性实施例中，处理装置主体500以预定周期获得从机器人250输出的编码器值θ1i和转矩电流值Iqi的时间序列数据，进行统计处理，并预测机器人臂200的故障。用作存储部分的示例的HDD 504存储程序521，程序521用于使CPU 501(用作处理部分的示例)进行稍后将描述的处理方法。图5是进行根据示例性实施例的处理方法的处理装置主体500的功能框图。作为图3中所示的CPU 501执行程序521的结果，CPU501用作图5所示的获得部分551、划分部分552、分类模型生成部分554、指定部分556、预测部分557和输出部分558。图3中所示的HDD 504用作数据存储部分553和分类模型存储部分555。
注意，尽管在本示例性实施例中将描述HDD 504是计算机可读非暂时性记录介质并且HDD 504存储程序521的情况，但是构造不限于此。程序521可以记录在任何记录介质中，只要该记录介质是计算机可读的且非暂时性的即可。例如，作为用于提供程序521的记录介质，可以使用图3所示的ROM 502、记录盘530或未例示的外部存储设备。记录介质的具体实例包括软盘、硬盘、光盘、磁光盘、磁带和非易失性存储器。光盘的示例包括DVD-ROM、CD-ROM和CD-R。非易失性存储器的示例包括USB存储器、存储卡和ROM。
图3中例示的CPU 501能够选择性地执行用作第一模式的学习模式M1和用作第二模式的监视模式M2，并且用户可以选择模式。将描述已经选择学习模式M1的情况。CPU 501设置用于指定机器人臂200的操作是第一操作还是第二操作的指标，并且还设置要在第一操作中使用的第一基准值A1。在执行监视模式M2之前设置要在第二操作中使用的第二基准值A2。通过例如实际使机器人臂200在初始阶段(诸如在生产线中安装机器人臂200时)进行自动操作来进行学习模式M1。
将描述已经选择监视模式M2的情况。CPU 501通过使用在学习模式M1中设置的指标来指定在机器人臂200的自动操作中正在进行第一操作和第二操作中的哪一个，并且通过使用与该操作对应的基准值来预测机器人臂200的故障。注意，尽管已经描述了用户选择模式的情况，但是构造不限于此。CPU 501可以根据预先指定的时段自动选择模式。
首先，将描述CPU 501在学习模式M1中起作用的情况的细节。在CPU 501在学习模式M1中起作用的情况下，CPU 501用作图5中的获得部分551、划分部分552和分类模型生成部分554。
获得部分551按时间序列从机器人250获得各数据。具体地，获得部分551按时间序列从机器人控制器300获得编码器值θ1i，该编码器值θ1i是基于从用作第一传感器的输入轴编码器261i输出的信号的传感器值。获得部分551按时间序列从机器人250的机器人控制器300获得扭矩电流值Iqi，该扭矩电流值Iqi是基于从用作第二传感器的电流传感器270i输出的信号的传感器值。各个时间序列数据(即，编码器值θ1i和转矩电流值Iqi)与在电动机控制单元350i中获得这些值的时间相关联。因此，这些时间序列数据是同步的。注意，由用作获得部分551的CPU 501获得的编码器值θ1i的时间序列数据被临时存储在RAM 503中。
图6A是例示示例性实施例中的编码器值θ11至θ16的示例的图。图6B是例示示例性实施例中的转矩电流值Iq1至Iq6的示例的图。图5中所示的划分部分552针对各单位操作，对按时间序列获得的各个编码器值θ11至θ16进行划分。在图6A和图6B的示例中，划分部分552将按时间序列获得的各个编码器值θ11至θ16划分成多个区间C1，C2，C3，...，CN。也就是说，划分部分552基于表示机器人臂200的朝向变化的各个关节J1至J6的编码器值θ11至θ16的时间序列数据，将已经输入的多维时间序列数据划分成单位操作。各单位操作表示构成机器人臂200的操作序列的小区间。机器人臂200的操作序列由单位操作的组合构成。将描述机器人臂200拾取放置在托盘上的部件的情况作为示例。机器人臂200的单位操作例如是“从原始位置移动到托盘上方”、“移动到拾取目标部件的附近并拍摄图像”、“在调整手的位置的同时保持拾取目标部件”、“移动到放置台并解除保持”以及“移回原始位置”。然而，这些单位操作的信息不从机器人控制器300输出。因此，CPU 501基于编码器值θ1i判断机器人臂200的单位操作。
在本示例性实施例中，划分部分552在机器人臂200的关节J1至J6中的一个关节的位移速度的值(优选是所有关节J1至J6的位移速度的值)小于用作预定的第一阈值的速度阈值V1的部分处进行划分。在图6A和图6B的示例中，编码器值θ11至θ16的时间序列数据在阴影部分处被划分。在本示例性实施例中，关节Ji的位移速度是角速度。划分部分552通过获得每单位时间的编码器值θ1i的变化量来计算关节Ji的位移速度。也就是说，划分部分552通过进行编码器值θ1i随时间的一阶微分来计算关节Ji的位移速度。速度阈值V1是机器人250可被视为停止(即，关节的位移速度可被视为0)的值，并且速度阈值V1的信息存储在图3所示的HDD 504中。图6A和图6B中的阴影部分是所有关节J1至J6的编码器值θ11至θ16的时间变化可被视为0的区间，即，机器人臂200的操作停止的时段。机器人臂200的操作停止的时段之外的剩余区间C1，C2，C3，...，CN对应于单位操作。区间Ci是通过从编码器值θ1i的时间序列数据中提取的编码器值θ1i的微分而获得的值(即，位移速度的值)大于速度阈值V1的区间。如上所述，优选的是，机器人臂200的操作序列在例如机器人臂200停止的部分处被划分为单位操作。这是因为，在单位操作之间的过渡部分处存在机器人臂200由于例如与外部设备互锁而停止的许多情况。通过使用机器人臂200的停止作为预定条件来对编码器值θ1i的时间序列数据进行划分，可以容易地获得均与单位操作对应的区间的时间序列数据。尽管划分部分552可以在累积一定量的时间序列数据之后进行划分处理，但是划分部分552可以在每当获得编码器值θ1i和转矩电流值Iqi的数据时进行划分处理。
划分成区间C1，C2，C3，...，CN的时间序列数据存储在数据存储部分553中。数据存储部分553，以存储的过去时间序列数据可以由分类模型生成部分554参照的方式，存储由划分部分552划分成单位操作的时间序列数据。
分类模型生成部分554基于机器人臂200的朝向的变化，对存储在数据存储部分553中的单位操作的过去时间序列数据进行聚类，从而生成分类模型。作为聚类的方法，可以使用诸如k均值方法的现有方法。在本示例性实施例中，机器人臂200的操作种类的数量(即簇的数量)是未知的。因此，聚类的方法优选与用于估计簇的数量的方法(诸如肘部法则或X均值方法)相结合。
以下将详细描述由分类模型生成部分554进行的聚类的示例。图6A例示了划分成区间C1，C2，C3，...，CN的编码器值θ11至θ16的时间序列数据。分类模型生成部分554通过诸如主成分分析(PCA)的方法，将各区间的多维时间序列数据压缩为点数据(例如，二维点数据)。以这种方式获得的点数据存在与区间C1，C2，C3，...，CN相对应的数量(即N个)。各点数据表示一个区间的编码器值θ11至θ16的时间序列数据。
图7是例示示例性实施例中的簇的示例的图。分类模型生成部分554对划分为区间C1至CN的编码器值θ11至θ16(即，多个点数据)进行聚类。分类模型生成部分554通过聚类将多个点数据聚类成方差等于或小于用作第二阈值的阈值TH的第一簇D11和D12、以及方差大于阈值TH的第二簇D21。阈值TH的信息预先存储在图3所示的HDD 504中。由于所划分的编码器值θ11至θ16的时间序列数据被转换为点数据，因此一个区间的时间序列数据由图7的二维平面中的一个点表示。阈值TH被设置为例如0.1。图7例示了由方差为0.002(其小于阈值TH)的多个点数据构成的第一簇D11、以及由方差为0.044(其小于阈值TH)的多个点数据构成的第一簇D12。另外，图7例示了由方差为0.927(其大于阈值TH)的多个点数据构成的第二簇D21。
与属于第一簇D11和D12的多个点数据相对应的单位操作是第一操作，并且与属于第二簇D21的多个点数据相对应的单位操作是第二操作。也就是说，在第一操作中，由于机器人臂200重复相同的操作，因此点数据的方差相对较小。在第二操作中，由于机器人臂200每次进行不同的操作，因此点数据的方差相对较大。因此，可以通过点数据的方差是否超过阈值TH来确定对应于第一操作的第一簇D11和D12以及对应于第二操作的第二簇D21。
分类模型生成部分554在完成将区间C1至CN的编码器值θ1i的时间序列数据分类为簇D11、D12和D21之后，将用于将点数据分类为簇D11、D12和D21的分类模型存储在分类模型存储部分555中。分类模型存储部分555，以分类模型可以由指定部分556参照的方式，存储由分类模型生成部分554生成的分类模型。以这种方式，设置用作如下指标的分类模型，该指标用于确定操作是在稍后要进行的监视模式M2中使用的第一操作还是第二操作。在图7中，对应于第一簇D11的分类模型由区域R11示意性地表示，对应于第一簇D12的分类模型由区域R12示意性地表示，并且对应于第二簇D21的分类模型由区域R21示意性地表示。
接下来，将描述图3所示的第一基准值A1，当将机器人臂200的操作指定为稍后要进行的监视模式M2中的第一操作时将使用第一基准值A1。在本示例性实施例中，在学习模式M1中，CPU 501从扭矩电流值Iqi获得第一基准值A1，该扭矩电流值Iqi是在没有发生故障的正常状态下机器人臂200的电流传感器270i的测量值。也就是说，机器人臂200的故障通常是诸如电动机231i或减速齿轮233i的故障的异常。电动机231i或减速齿轮233i的异常通常反映在作为电流传感器270i的电流值的示例的转矩电流值Iqi上。也就是说，存在这样的趋势：当电动机231i或减速齿轮233i劣化时，用于驱动关节Ji的转矩电流值Iqi增加。因此，在本示例性实施例中，转矩电流值Iqi被设置为监视目标。另外，尽管CPU 501可以在监视模式M2中单独地监视机器人臂200的各个关节，但是在本示例性实施例中CPU 501集中监视整个机器人臂200。
在学习模式M1中，CPU 501按时间序列从机器人250获得转矩电流值Iqi和编码器值θ1i，并且将转矩电流值Iqi与编码器值θ1i相关联地划分。也就是说，类似于图6B所示的编码器值θ1i，CPU 501将转矩电流值Iqi划分为区间C1，C2，C3，...，CN。CPU 501从区间C1，C2，C3，...，CN中提取与属于图7所示的第一簇D11的编码器值θ1i相同的区间的转矩电流值Iqi的时间序列数据。也就是说，CPU 501提取与第一操作对应的区间的转矩电流值Iqi的时间序列数据。然后，CPU 501通过使用提取的数据获得第一基准值A1。例如，CPU 501通过预定方法将与第一簇D11对应的各区间的转矩电流值Iqi的时间序列数据压缩为点数据。预定方法可以是任何方法，例如上述PCA。下面将描述另一种方法的示例。CPU 501获得在与第一簇D11对应的一个区间的一个关节的时间序列数据中包括的各个转矩电流值的绝对值，并获得该区间的绝对值的平均值。CPU 501针对六个关节中的各个关节进行获得平均值的计算，从而获得以六个平均值作为参数的六维点数据。CPU 501通过上述预定方法获得表示区间C1，C2，C3，...，CN中与第一簇D11对应的区间的转矩电流值Iqi的点数据。CPU 501基于与第一簇D11相对应地获得的多个点数据来获得第一基准值A1。例如，CPU 501将多个获得的点数据的代表值、中值或平均值设置为第一基准值A1。所获得的第一基准值A1存储在用作存储部分的HDD 504中。还以类似的方式针对第一簇D12设置第一基准值A1。即，在存在多个第一簇的情况下，优选的是，针对多个第一簇中的各个单独设置第一基准值A1。
接下来，将描述图3中所示的第二基准值A2，当将机器人臂200的操作指定为监视模式M2中的第二操作时将使用第二基准值A2。诸如标准值或模拟值的设计值被用作第二基准值A2。因此，设置第二基准值A2的定时不限于在学习模式M1期间，并且可以是任何定时，只要该定时在执行监视模式M2之前即可。第二基准值A2存储在用作存储部分的HDD 504中。
接下来，将描述CPU 501在监视模式M2下起作用的情况。在用户切换模式并且CPU501在监视模式M2下起作用的情况下，CPU 501用作图5中的获得部分551、划分部分552、指定部分556、预测部分557和输出部分558。
获得部分551在机器人臂200的自动操作期间按时间序列从机器人控制器300获得编码器值θ1i和转矩电流值Iqi。注意，由获得部分551获得的编码器值θ1i和转矩电流值Iqi中的各个的时间序列数据临时存储在RAM 503中。
然后，当获得通过划分而确定为预定区间的一个区间的单位操作的编码器值θ1i和转矩电流值Iqi时，划分部分552将单位操作的数据输出到指定部分556。在图6A和图6B的示例中，用作预定区间的示例的区间CN+1的数据被输出到指定部分556。
指定部分556基于存储在分类模型存储部分555中的分类模型，指定已经输入的区间CN+1的数据属于簇D11、D12和D21中的哪一个。例如，指定部分556指定表示区间CN+1的编码器值θ1i的点数据属于图7中所示的区域R11、R12和R21中的哪一个。簇D11、D12和D21(即区域R11、R12和R21)各自对应于机器人臂200的操作是第一操作的情况以及机器人臂200的操作是第二操作的情况中的一种情况。
指定部分556将指定结果与区间CN+1的转矩电流值Iqi的时间序列数据一起输出到预测部分557。簇D11、D12和D21各自对应于第一操作和第二操作中的一个。因此，指定部分556与簇的指定同时地指定输入的区间CN+1的时间序列数据对应于第一操作和第二操作中的哪一个。
预测部分557根据输入的区间CN+1的时间序列数据及其簇的分类来选择适当的算法，通过例如霍特林的T2方法计算异常程度，并且将是否预测到故障的结果输出到输出部分558。即，在将簇指定为对应于第一操作的情况下，预测部分557将作为测量值的转矩电流值Iqi与第一基准值A1进行比较，以预测是否是将发生机器人臂200的故障。在将簇指定为对应于第二操作的情况下，预测部分557将作为测量值的转矩电流值Iqi与第二基准值A2进行比较，以预测是否将发生机器人臂200的故障。
以下将描述具体示例。预测部分557通过与上述预定方法类似的方法从区间CN+1的转矩电流值Iqi的时间序列数据中获得六维点数据。在表示区间CN+1的编码器值θ1i的时间序列数据的点数据被指定为属于第一簇D11或D12的情况下，预测部分557获得第一基准值A1与表示区间CN+1的转矩电流值Iqi的时间序列数据的点数据之间的差。这种差是统计距离。在所获得的差大于第一预定值B1的情况下，预测部分557将用于通知异常的命令发送到输出部分558。注意，在所获得的差等于或小于第一预定值B1的情况下，预测部分557完成处理。
另外，在区间CN+1的编码器值θ1i的点数据被指定为属于第二簇D21的情况下，预测部分557获得第二基准值A2与表示区间CN+1的转矩电流值Iqi的点数据之间的差。这种差是统计距离。在所获得的差大于第二预定值B2的情况下，预测部分557将用于通知异常的命令发送到输出部分558。注意，在所获得的差等于或小于第二预定值B2的情况下，预测部分557完成处理。
第一预定值B1和第二预定值B2是预先存储在HDD 504中的值、以及在机器人臂200的故障发生之前设置的值。当差超过预定值B1或B2时，在CPU 501中预测到机器人臂200的故障。
在预测部分557中预测到故障的情况下，即，在从预测部分557接收到通知异常的命令的情况下，输出部分558将预定数据(该预定数据在本示例性实施例中是图像数据)输出到显示装置600。显示装置600基于获得的图像数据显示图像。结果，向用户通知表示机器人臂200可能发生故障的警告。注意，在通知这种警告时，机器人臂200的故障尚未发生。在接收到这种通知的情况下，用户可以在下一次计划的定期检查中执行诸如修理机器人臂200的维护。
上面已经描述了区间CN+1。CPU 501在区间CN+2和后续区间上进行监视模式M2的处理。另外，学习模式M1的处理定时不限于启动装置之后的初始阶段，并且可以是诸如在进行定期检查之后或在改变任务程序321之后的任意定时。
在本示例性实施例中，CPU 501按时间序列获得与机器人臂200的操作相对应地输出的输入轴编码器261i的编码器值θ1i。然后，CPU 501基于预定条件将编码器值θ1i的时间序列数据划分为区间C1至CN，并且对划分为区间C1至CN的编码器值θ1i的时间序列数据进行聚类。结果，区间C1至CN的编码器值θ1i的时间序列数据被与机器人臂200的操作类型相对应地分类为簇D11、D12和D21。因此，CPU 501能够通过使用适合于操作的基准值来预测机器人臂200的故障，而无需接收关于表示机器人250进行第一操作和第二操作中的哪一个操作的操作种类的信息。结果，CPU 501可以进行适合于机器人臂200的操作的处理。
另外，作为预定条件，CPU 501通过从编码器值θ1i的时间序列数据中提取通过编码器值θ1i的微分获得的值(即，关节Ji的位移速度的值)大于速度阈值V1的区间，来将时间序列数据划分为区间C1至CN。结果，CPU 501可以针对机器人臂200的各单位操作对编码器值θ1i的时间序列数据进行划分，从而进行适合于机器人臂200的操作的处理。
另外，在本示例性实施例中，作为预测将发生机器人臂200的故障的结果，CPU 501将图像数据输出到显示装置600。结果，在适当的时间向用户通知警告，因此减少了未计划的维护操作(即，在定期检查之外的时间通过停止机器人250而进行的维护操作)，并且提高了产品W0的生产率。
注意，本发明不限于上述示例性实施例，并且可以在本发明的技术构思内以各种方式进行变型。另外，示例性实施例中描述的效果仅是本发明可以实现的最优选效果的列举，并且本发明的效果不限于示例性实施例中描述的效果。
尽管在上述示例性实施例中已经描述了机器人臂200是垂直多关节机器人臂的情况，但是构造不限于此。例如，机器人臂可以是各种机器人臂，例如选择顺应性装配机器人臂、平行连杆机器人臂和正交机器人。
尽管在上述示例性实施例中已经描述了发出警告的设备是显示装置600的情况，但是构造不限于此。在从CPU 501输出的预定数据是声音数据的情况下，发出警告的设备可以是例如扬声器。另外，在从CPU 501输出的预定数据是用于电子邮件等的文本数据的情况下，发出警告的设备可以是能够与处理装置主体500通信的终端。
尽管在上述示例性实施例中已经描述了第一传感器是输入轴编码器261i的情况，但是构造不限于此。例如，第一传感器可以是输出轴编码器262i。
另外，尽管在上述示例性实施例中已经描述了第二传感器是电流传感器270i的情况，但是构造不限于此。例如，第二传感器可以是输出轴编码器262i、或配设在电动机231i中或电动机231i附近的未例示的温度传感器。另外，表示第二传感器的传感器值的时间序列信息可以是例如在机器人250和未例示的外部设备之间传送的数字I/O信息。
另外，尽管在上述示例性实施例中已经描述了第一传感器和第二传感器不同的情况，但是构造不限于此。也就是说，第一传感器和第二传感器可以是相同的传感器。例如，输出轴编码器262i可以用作该相同的传感器。即，在学习模式M1中，可以从输出轴编码器262i的编码器值θ2i获得分类模型和第一基准值A1。在监视模式M2中，一个区间的编码器值θ2i可以用作用于确定操作是否是第一操作的数据、以及与第一基准值A1或第二基准值A2比较的数据。
此外，尽管在上述示例性实施例中已经描述了电动机控制单元350i基于电流传感器270i的信号从三相的电流值获得转矩电流值Iqi的情况，但是CPU 501可以从三相电流值获得转矩电流值Iqi。
另外，尽管在上述示例性实施例中已经描述了CPU 501集中监视整个机器人臂200的情况，但是构造不限于此。CPU 501可以单独地监视机器人臂200的多个关节J1至J6中的各个关节。在这种情况下，针对关节J1至J6中的各个关节单独设置基准值A1和A2。
另外，在上述示例性实施例中，已经描述了如下情况：通过进行编码器值随时间的一阶微分并且从编码器值的时间序列数据中排除编码器值的时间变化可以被视为0的区间，来划分编码器值的时间序列数据。然而，在机器人臂200的操作的数量较少的情况下，在示教机器人臂200的操作时，表示第一操作的信息或表示第二操作的信息可以与机器人臂200的操作相关联。
例如，表示第一操作的信息与在示教时“从原始位置移动到托盘上方”的操作相关联，并且表示第二操作的信息与在示教时“在调整手的位置的同时保持”的操作相关联。结果，可以基于表示第一操作的信息或表示第二操作的信息来划分当机器人臂200进行各操作时从机器人臂200获得的编码器值。因此，可以省略对编码器值进行微分的处理，因此CPU501上的处理负荷可以减少该处理所需的量。
另外，可以基于与各操作相关联的表示第一操作的信息或表示第二操作的信息，来直接划分在进行各操作时获得的转矩电流值的时间序列数据。结果，可以进一步省略编码器值的处理，因此CPU 501上的处理负荷可以进一步减少该处理所需的量。
另外，表示操作种类的信息可以与示教时的各操作相关联，并且可以基于表示操作类型的信息来划分在进行各操作时获得的编码器值和转矩电流值。
另外，尽管将在上述示例性实施例中已经描述了预定装置是机器人臂200的情况作为示例，但是构造不限于此。例如，预定装置可以是各种制造装置，例如传送工件的线性装置、检测表面粗糙度的探针装置、以及对镜头上的膜进行气相沉积的气相沉积装置。在这种情况下，可以在驱动预定部件的驱动部分上配设诸如编码器或电流传感器的传感器，并且通过向CPU 501输入与上述示例性实施例类似的程序，CPU 501可以进行与上述示例性实施例类似的处理方法。
另外，预定装置不限于制造装置，并且可以是除制造装置之外的装置。例如，预定装置可以是护理机器人、针对消费者的机器人、办公用电器或光学装置。通过移动预定部件来实现用户目的的任何装置都可以用作预定装置。同样在这种情况下，诸如编码器或电流传感器的传感器可以配设在移动的预定部件的驱动部分上，通过向CPU 501输入与上述示例性实施例类似的程序，CPU 501可以进行与上述示例性实施例类似的处理方法。
另外，驱动机器人臂200的各关节的驱动部分的构造不限于上述示例性实施例的构造。例如，驱动各关节的驱动部分可以是诸如人造肌肉的设备等。在这种情况下，可以适当地配设能够检测设备的位移的传感器来代替编码器或电流传感器。
另外，优选的是，预定装置是能够基于存储在控制装置中配设的存储设备中的信息来自动进行诸如伸展/收缩、弯曲、垂直移动、水平移动、枢转的操作以及这些操作的组合的机器。
其他实施例
还可以通过读出并执行记录在存储介质(也可更完整地称为“非临时性计算机可读存储介质”)上的计算机可执行指令(例如，一个或更多个程序)以执行上述实施例中的一个或更多个的功能、并且/或者包括用于执行上述实施例中的一个或更多个的功能的一个或更多个电路(例如，专用集成电路(ASIC))的系统或装置的计算机，来实现本发明的实施例，并且，可以利用通过由所述系统或装置的所述计算机例如读出并执行来自所述存储介质的所述计算机可执行指令以执行上述实施例中的一个或更多个的功能、并且/或者控制所述一个或更多个电路执行上述实施例中的一个或更多个的功能的方法，来实现本发明的实施例。所述计算机可以包括一个或更多个处理器(例如，中央处理单元(CPU)，微处理单元(MPU))，并且可以包括分开的计算机或分开的处理器的网络，以读出并执行所述计算机可执行指令。所述计算机可执行指令可以例如从网络或所述存储介质被提供给计算机。所述存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储器、光盘(诸如压缩光盘(CD)、数字通用光盘(DVD)或蓝光光盘(BD)TM)、闪存装置以及存储卡等中的一个或更多个。
本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置，该系统或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。
虽然参照示例性实施例对本发明进行了描述，但是应当理解，本发明并不限于所公开的示例性实施例。应当对所附权利要求的范围给予最宽的解释，以使其涵盖所有这些变型例以及等同的结构和功能。

Claims (20)

1.一种处理装置，其包括：
处理部分，
其中，所述处理部分进行如下操作：
按时间序列获得，与包括第一传感器的预定装置的操作相对应地从所述预定装置输出的第一传感器的传感器值，
基于预定条件划分第一传感器的传感器值，并且
对所划分的第一传感器的传感器值进行聚类。
2.根据权利要求1所述的处理装置，其中，所述处理部分通过从第一传感器的传感器值中提取通过对第一传感器的传感器值进行微分而获得的值大于第一阈值的区间，来划分第一传感器的传感器值。
3.根据权利要求1所述的处理装置，其中，所述处理部分通过聚类，来将所划分的第一传感器的传感器值分类为方差等于或小于第二阈值的第一簇或方差大于第二阈值的第二簇。
4.根据权利要求3所述的处理装置，其中，所述处理部分还从所述预定装置获得预定区间的、第一传感器的传感器值，并指定所述预定区间的第一传感器的传感器值属于第一簇和第二簇中的哪一个。
5.根据权利要求4所述的处理装置，
其中，所述预定装置包括与第一传感器不同的第二传感器，所述第二传感器被构造为与所述预定装置的操作相对应地输出传感器值，并且
其中，所述处理部分进行如下操作：
按与第一传感器的传感器值相同的时间序列，获得第二传感器的传感器值，并且
在第一基准值与同所述预定区间的第一传感器的已被指定为属于第一簇的传感器值相对应的第二传感器的传感器值之间的差大于第一预定值的情况下，输出预定数据。
6.根据权利要求5所述的处理装置，其中，在第二基准值与同所述预定区间的第一传感器的已被指定为属于第二簇的传感器值相对应的第二传感器的传感器值之间的差大于第二预定值的情况下，所述处理部分输出所述预定数据。
7.根据权利要求1所述的处理装置，其中，所述处理部分通过将所划分的第一传感器的传感器值压缩为点数据，来进行聚类。
8.根据权利要求1所述的处理装置，
其中，第一传感器是被构造为输出与所述预定装置中包括的预定部件的位移相对应的信号的编码器，并且
其中，第一传感器的传感器值是编码器的编码器值。
9.根据权利要求8所述的处理装置，其中，编码器是旋转编码器，所述旋转编码器被构造为输出与驱动所述预定部件的电动机的转子的旋转角度相对应的信号。
10.根据权利要求5或6所述的处理装置，
其中，第二传感器是电流传感器，所述电流传感器被构造为输出与施加到电动机的电流相对应的信号，所述电动机驱动所述预定装置中包括的预定部件，并且
其中，第二传感器的传感器值是电流传感器的电流值。
11.根据权利要求8所述的处理装置，其中，所述处理部分通过基于编码器值计算所述预定部件的位移速度并从编码器值中提取位移速度的值大于第一阈值的区间，来划分编码器值。
12.根据权利要求5或6所述的处理装置，其中，所述处理部分根据与所划分的属于第一簇的第一传感器的传感器值相对应的第二传感器的传感器值，来获得第一基准值。
13.根据权利要求5或6所述的处理装置，所述处理装置还包括：被构造为响应于从所述处理部分输入预定数据而发出警告的设备。
14.根据权利要求4至6中的任一项所述的处理装置，其中，所述处理部分根据所述预定区间的第一传感器的传感器值属于第一簇和第二簇中的哪一个，来指定由所述处理装置进行的操作的类型。
15.一种制造系统，其包括：
根据权利要求1至9中的任一项所述的处理装置；以及
根据权利要求1至9中的任一项所述的预定装置，
其中，所述预定装置是制造装置。
16.一种机器人装置，其包括：
根据权利要求1至9中的任一项所述的处理装置和预定装置，
其中，所述预定装置是机器人臂。
17.一种制造方法，其通过使用根据权利要求15所述的制造系统来制造产品。
18.一种处理部分的处理方法，所述处理方法包括：
按时间序列获得，与包括第一传感器的预定装置的操作相对应地从所述预定装置输出的第一传感器的传感器值；
基于预定条件划分第一传感器的传感器值；以及
对所划分的第一传感器的传感器值进行聚类。
19.根据权利要求18所述的处理方法，其中，通过从第一传感器的传感器值中提取通过对第一传感器的传感器值进行微分而获得的值大于第一阈值的区间，来划分第一传感器的传感器值。
20.一种计算机可读非暂时性记录介质，其存储用于使计算机进行根据权利要求18或19所述的处理方法的程序。
CN201910671756.1A 2018-07-24 2019-07-24 处理装置及处理部分的处理方法 Active CN110774318B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018-138894 2018-07-24
JP2018138894 2018-07-24
JP2019-109202 2019-06-12
JP2019109202A JP7516013B2 (ja) 2018-07-24 2019-06-12 処理装置、生産システム、ロボット装置、物品の製造方法、処理方法、プログラム及び記録媒体

Publications (2)

Publication Number Publication Date
CN110774318A true CN110774318A (zh) 2020-02-11
CN110774318B CN110774318B (zh) 2023-09-19

Family

ID=69179150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910671756.1A Active CN110774318B (zh) 2018-07-24 2019-07-24 处理装置及处理部分的处理方法

Country Status (2)

Country Link
US (1) US11789437B2 (zh)
CN (1) CN110774318B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113211426A (zh) * 2020-12-02 2021-08-06 格创东智(深圳)科技有限公司 机器人故障诊断方法、装置、计算机设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4802224A (en) * 1985-09-26 1989-01-31 Nippon Telegraph And Telephone Corporation Reference speech pattern generating method
CN102693627A (zh) * 2011-03-23 2012-09-26 电装It研究所 交通量预测装置、交通量预测方法以及程序
JP5684941B1 (ja) * 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
WO2017022784A1 (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
CN107273726A (zh) * 2017-06-02 2017-10-20 中国人民解放军信息工程大学 基于加速度周期变化规律的设备机主身份实时识别方法及其装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63123105A (ja) 1986-11-13 1988-05-26 Kobe Steel Ltd テイ−チング・プレイバツク方式ロボツトの故障予知診断方法
JPH0577143A (ja) 1991-09-19 1993-03-30 Toyota Auto Body Co Ltd 自動化ラインの故障診断装置
JP3565800B2 (ja) * 2001-07-05 2004-09-15 本田技研工業株式会社 温度センサの故障判定装置
JP4223426B2 (ja) 2004-03-29 2009-02-12 株式会社国際電気通信基礎技術研究所 コミュニケーションロボット
JP4657796B2 (ja) * 2004-10-19 2011-03-23 本田技研工業株式会社 脚式移動ロボットの過電流防止装置
JP5849403B2 (ja) * 2011-02-15 2016-01-27 セイコーエプソン株式会社 ロボットコントローラー、ロボット、及び、ロボットシステム
JP5530019B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP2016014435A (ja) * 2014-07-02 2016-01-28 株式会社デンソー シフトレンジ切換制御装置
US10443509B2 (en) * 2014-10-31 2019-10-15 General Electric Company System and method for turbomachinery vane prognostics and diagnostics
JP6584102B2 (ja) 2015-03-13 2019-10-02 キヤノン株式会社 ロボット装置、ロボット制御方法、プログラム、記録媒体、及び物品の製造方法
WO2017090098A1 (ja) 2015-11-25 2017-06-01 株式会社日立製作所 設備管理装置および方法
JP6414127B2 (ja) 2016-04-18 2018-10-31 トヨタ自動車株式会社 異常判定装置及び異常判定方法
KR101946842B1 (ko) 2016-07-22 2019-02-11 주식회사 인포리언스 데이터 탐색 장치
JP6144404B1 (ja) 2016-12-27 2017-06-07 川崎重工業株式会社 減速機の故障診断装置及び故障診断方法並びに前記故障診断装置を備える機械装置
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
US20180373980A1 (en) * 2017-06-27 2018-12-27 drive.ai Inc. Method for training and refining an artificial intelligence
US10695907B2 (en) * 2017-09-29 2020-06-30 Intel Corporation Methods and apparatus for monitoring robot health in manufacturing environments
US11225039B2 (en) * 2018-06-08 2022-01-18 Aurora Flight Sciences Corporation Systems and methods to automate composite manufacturing quality checks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4802224A (en) * 1985-09-26 1989-01-31 Nippon Telegraph And Telephone Corporation Reference speech pattern generating method
CN102693627A (zh) * 2011-03-23 2012-09-26 电装It研究所 交通量预测装置、交通量预测方法以及程序
JP5684941B1 (ja) * 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
WO2017022784A1 (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
CN107273726A (zh) * 2017-06-02 2017-10-20 中国人民解放军信息工程大学 基于加速度周期变化规律的设备机主身份实时识别方法及其装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113211426A (zh) * 2020-12-02 2021-08-06 格创东智(深圳)科技有限公司 机器人故障诊断方法、装置、计算机设备以及存储介质

Also Published As

Publication number Publication date
CN110774318B (zh) 2023-09-19
US20200033844A1 (en) 2020-01-30
US11789437B2 (en) 2023-10-17

Similar Documents

Publication Publication Date Title
CN108227633B (zh) 数值控制装置以及机器学习装置
US10363660B2 (en) Robot system controlling method, program, recording medium, robot system, and diagnosis apparatus
JP6711854B2 (ja) 故障予測装置及び機械学習装置
US11298822B2 (en) Robot, method of controlling robot, and robot control device
JP2020102001A (ja) 学習用データ確認支援装置、機械学習装置、故障予知装置
JP6621059B2 (ja) 機械設備制御システム、機械設備制御装置、及び機械設備制御方法
JP7043801B2 (ja) 異常予兆報知システム、異常予兆報知方法及びプログラム
CN110196573B (zh) 异常因素确定装置
US20190184566A1 (en) Robot arm, robot control apparatus, and robot system
US20240139953A1 (en) Examination method for examining robot apparatus, control apparatus, and storage medium
CN110774318B (zh) 处理装置及处理部分的处理方法
US20200189102A1 (en) Robot apparatus, robot system, control method of robot apparatus, product manufacturing method using robot apparatus, and storage medium
JP2019150932A (ja) 衝突位置推定装置及び機械学習装置
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
JP7226411B2 (ja) 拡張モジュール、産業用機器、及び産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法
JP7516013B2 (ja) 処理装置、生産システム、ロボット装置、物品の製造方法、処理方法、プログラム及び記録媒体
JP6721012B2 (ja) モータ制御システム
KR102536129B1 (ko) 처리장치, 및 처리부의 처리방법
US20230191513A1 (en) Tool diagnostic device
JP6949284B1 (ja) 数値制御装置
CN113021411A (zh) 机器人故障预测装置及系统、以及机器人故障预测方法
JP2020138305A (ja) ロボットの制御方法、制御装置、プログラム、記憶媒体、ロボットシステム、製造方法
Stuhlenmiller et al. Trajectory optimization of energy consumption and expected service life of a robotic system

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