CN111989198B - 异常检测装置以及异常检测方法 - Google Patents

Abstract

异常检测装置(1)通过将与在设备(2)的规定部位中检测到的状态有关的数据和阈值进行比较，判断设备的异常。然后，使阈值根据用于设备的可动部件的润滑油的种类而变化。

Description

异常检测装置以及异常检测方法

技术领域

本发明涉及异常检测装置以及异常检测方法。

背景技术

以往，公开了在伺服电机的转速速度高于基准速度、并且干扰扭矩低于基准扭矩时判断为发生了异常的异常负载检测装置。

前行技术文献

专利文献

专利文献1:日本专利特开2007－219991号公报

发明内容

发明要解决的课题

但是，没有公开在要检测异常的对象的设备中有包含可动部件(例如电机或者减速器)的设备，考虑用于可动部件的润滑油的种类而检测设备的异常的技术。

本发明鉴于上述课题而完成，其目的在于，提供可通过与设备的可动部件中使用的润滑油的种类相应的判断基准检测设备的异常的异常检测装置以及异常检测方法。

用于解决课题的手段

本发明的一个方式的异常检测装置通过将与具有可动部件的设备中的部位的状态有关的数据和阈值进行比较，判断设备的异常。并且，使阈值根据可动部件中使用的润滑油的种类而变化。

发明的效果

按照本发明，通过与设备的可动部件中使用的润滑油的种类相应的判断基准，可以检测设备的异常。

附图说明

图1是表示第1实施例的异常检测装置的系统的结构的图。

图2是表示作业机器人2中的传感器23的配置例子的图。

图3是表示第1实施例的存储单元18存储的信息的图。

图4是表示第1实施例中的运算处理单元13的概略结构的方框图。

图5是表示第1实施例中的运算处理单元13的处理的流程的流程图。

图6是表示第2实施例的存储单元18存储的信息的图。

图7是表示第2实施例中的运算处理单元13的处理的流程的流程图。

图8是表示包含第3实施例的异常检测装置的系统的结构的图。

图9是表示第3实施例的存储单元18存储的信息的图。

图10是表示学习模型P1的一个例子的图。

图11是表示第3实施例中的运算处理单元13的概略结构的方框图。

图12是表示第3实施例中的运算处理单元13的处理的流程的流程图。

图13是表示测量结果150的显示例子的图。

具体实施方式

参照附图，说明实施方式。对附图的记载中同一部分附加同一标号，省略说明。

在以下的实施方式中，说明检测例如作为组装汽车的多轴机械的作业机器人(焊接机器人等)设备的异常的技术。

有时在多轴机械的旋转轴中，被配置电机和减速器(都是旋转机构)作为可动部件，电机发生不需要的驱动力的成分(干扰扭矩)，减速器产生不少振动。因此，可以通过伴随干扰扭矩或者振动的加速度的大小来判定多轴机械的异常。

另一方面，有时在可动部件中填充润滑脂。润滑脂由于粘度而被称为润滑油。在实施方式中，设润滑脂和润滑油是同义。而且，说明上称为润滑脂。

按照润滑脂的种类(例如润滑脂的制造商或者型号)，干扰扭矩或者加速度的大小不同。例如，有时由于润滑脂的种类，干扰扭矩或者加速度变得比较大，这是因为干扰扭矩或者加速度由于润滑脂的种类而变大，多轴机械没有异常。因此，若不管润滑脂的种类如何，而仅将干扰扭矩或者加速度的数据与固定的阈值进行比较来判定异常，则有误判定为多轴机械异常的情况。

而且，在因异常而发生警报的情况下，会发生虽然设备没有异常但发生警报的、即警报的误报。

而且，若使用其它种类的润滑脂，有时干扰扭矩或者加速度变得比较小，但是若不管润滑脂的种类如何，仅将干扰扭矩或者加速度的数据与固定的阈值进行比较来判定异常，则有漏过异常的情况。

因此，在实施方式中，说明有关防止这样的异常的误判定造成的警报的误报和异常的漏过的技术。

(第1实施例)

图1是表示包含第1实施例的异常检测装置的系统的结构的图。

异常检测装置1是检测设备的异常的装置，例如将作为组装汽车的多轴机械的作业机器人2作为异常检测的对象设备，检测其异常。异常检测装置1和作业机器人2被设置在生产现场3内，异常检测装置1经由通信线路4连接到计算机5。

作业机器人2是具有以下部件的设备，即具有：作为可动部件使用的电机21；以及作为用于将电机21的扭矩变换为高扭矩，通过作业机器人2的臂等移动载荷大的物体的可动部件的减速器22。电机21即为作业机器人2的驱动机构。减速器22是在工厂用的作业机器人中普遍使用的减速器。

检测加速度作为该部位的振动的大小的传感器23，被配置在减速器22附近的部位。传感器23检测被配置了传感器23的部位的加速度，实时地输出表示检测到的加速度的加速度信号。加速度信号可以说是表示作为设备(2)的部位之一的减速器22的状态的信号。而且，作为传感器23，不限于检测加速度的传感器，也可以使用能够检测设备的规定部位的状态的传感器。例如，可以使用通过探测该部位的速度或者位移，例如检测振动的大小作为部位的状态的传感器。例如，可以使用压电传感器、角速度传感器、陀螺传感器等的可按时间序列取得姿态的变化的各种传感器。

图2是表示作业机器人2中的传感器23的配置例子的图。

作业机器人2例如具有三个旋转轴(可动轴)201，分别被配置有电机21和减速器22。电机以及减速器大多被安装在这样具有多个可动轴的作业机器人的各可动轴上。传感器23例如被配置在其中一个旋转轴201上设置的减速器22附近。相比电机21，减速器22更换麻烦，传感器23被配置在减速器22的附近，以便可以提前检测减速器22的异常。而且，传感器23的配置不限于减速器22的附近，也可以配置在作业机器人2(设备)中希望检测振动的任意的场所。

返回图1，继续说明。

异常检测装置1包括：电机控制单元11、传感器控制单元12、运算处理单元13、润滑脂信息获取单元14、显示单元15、语音输出单元16、通信单元17以及存储单元18。

异常检测装置1包含具有CPU(中央处理装置)、存储器、以及输入输出单元的通用的微计算机(也称为控制单元)。在微计算机中，安装用于具有作为异常检测装置的功能的计算机程序(异常检测程序)。通过执行计算机程序，微计算机具有作为异常检测装置包括的多个信息处理电路(11～14，17)的功能。而且，这里，示出了通过软件实现异常检测装置具有的多个信息处理电路(11～14，17)的例子，但是当然，也能够准备用于执行以下所示的各信息处理的专用的硬件，构成信息处理电路(11～14，17)。而且，也可以通过单独的硬件构成多个信息处理电路(11～14，17)。

电机控制单元11存储、输出动作中的电机21中流过的电流的大小以及时间、定时等并控制电机21，使得作业机器人2进行规定的动作。电机控制单元11还使电机21按照转速和扭矩的指令值旋转(可动)。伴随电机21的可动，减速器22也可动。即，电机21和减速器22可动，并且作业机器人2例如使该机器人的臂前端安装的焊接机移动到规定的位置而进行焊接作业等。

然后，电机控制单元11通过电机21中流过的电流，生成表示电机21中的干扰造成的驱动力，即对于扭矩的指令值的变动成分(也称为干扰扭矩)的大小(以下，称为驱动力)的驱动力信号，输出到运算处理单元13。驱动力信号也可以说是表示作为设备(2)的部位之一的电机21的状态的信号。

传感器控制单元12控制减速器22，在减速器22的动作中，使传感器23检测伴随减速器22的振动的加速度。然后，传感器控制单元12从传感器23接收表示减速器22的加速度的加速度信号，转发至运算处理单元13。

运算处理单元13是，计算与上述那样具有可动部件(电机21和减速器22)的设备(2)中被检测到的设备的部位的状态有关的数据，根据与状态有关的数据，检测设备的异常的控制单元。运算处理单元13在其内通过加速度信号和驱动力信号的至少一方计算与状态有关的数据，根据该数据，检测作业机器人2的异常。即，仅通过加速度信号检测异常、或者仅通过驱动力信号检测异常、或者通过加速度信号和驱动力信号两方检测异常。在以下的说明中，设为仅根据加速度信号，检测作业机器人2的异常。此时，将加速度信号表现为传感器信号。传感器信号也称为观测数据。

具体地说，运算处理单元13通过将与作业机器人2(设备)中的规定部位的状态有关的数据和规定的阈值进行比较来判断设备的异常。即，在与状态有关的数据大于阈值的情况下，判定为作业机器人2异常。运算处理单元13例如在固定期间检测传感器信号的值，计算其平均值。然后，在该平均值大于规定的阈值(以下，简称为阈值)的情况下，判定为作业机器人2异常。

这样的平均值为阈值的比较对象值，以下，称为比较对象值S。比较对象值S不限于平均值，也可以是最大值或者最小值，而且，也可以使用传感器信号的标准偏差、频率特性进行计算。即，比较对象值S只要是表示传感器信号的特征的物理量即可。

而且，也可以取代加速度信号而用驱动力信号检测作业机器人2的异常。而且，也可以将加速度信号和驱动力信号组合来检测作业机器人2的异常。而且，传感器信号是表示设备中的规定的部位的状态的信号，只要是从被设置在设备的部位的传感器输出的信号即可，不限于加速度信号和驱动力信号。例如，可以通过传感器检测电机21或者减速器22的附近的温度(状态)，将温度作为传感器信号。而且，也可以检测在电机21中流过的电流值(状态)，将电流值作为传感器信号。

润滑脂信息获取单元14是，获取与作业机器人2的、例如在减速器22中使用的润滑脂有关的信息(以下，称为润滑脂信息)的单元。润滑脂信息获取单元14例如在润滑脂更换时从作业机器人2或者在保养记录中输入润滑脂的名称、型号、使用量、更换日期等的装置获取润滑脂信息。或者，从保养记录或者作业机器人2获取润滑脂信息。在第1实施例中，设为在润滑脂信息中包含润滑脂的种类。而且，润滑脂的种类设为种类A、种类B以及种类A、B以外的种类(方便起见称为种类C)这3种。润滑脂的种类通过润滑脂的名称或者型号表现。而且，润滑脂不限于3种，也可以分类为可用于作业机器人2的所有润滑脂的种类。

显示单元15是实时地显示作业机器人2是否异常的判定结果和润滑脂的种类(以下，将它们总称为测量结果150)的单元，例如是液晶监视器。

语音输出单元16是，在作业机器人2被判定为异常的情况下，对作业员通过警报音或者振动(包含可听域以外)来广播异常的单元，例如是扬声器。

通信单元17是用于将测量结果150对远处(外部)的计算机5发送的单元，例如是有线LAN的路由器或者无线(WiFi等)的路由器。

存储单元18对润滑脂的每个种类存储阈值。即，存储单元18存储适于使用了对应的种类的润滑脂时的异常检测的阈值。例如，阈值因润滑脂的制造商(润滑脂的种类)而改变。

图3是表示第1实施例中的存储单元18存储的信息的图。

第1实施例的存储单元18将阈值TH1与润滑脂的种类A关联地存储，将阈值TH2与润滑脂的种类B关联地存储，将阈值TH3与润滑脂的种类C关联地存储。各阈值与润滑脂的种类相应，所以成为互不相同的值。

在相比使用了种类A的润滑脂的情况下的比较对象值S，使用了种类B的润滑脂的情况下的比较对象值S较大的情况下，阈值TH2变得大于阈值TH1。而且，在相比使用了种类B的润滑脂的情况下的比较对象值S，使用了种类C的润滑脂的情况下的比较对象值S较大的情况下，阈值TH3变得大于阈值TH2。即，与比较对象值S大那样的润滑脂的种类对应的阈值大，与比较对象值S小那样的润滑脂的种类对应的阈值小。

而且，虽然未图示，但是存储单元18存储在作业机器人2变得异常的要因和异常时的驱动力信号和加速度信号的数据，在需要时输出到运算处理单元13。

返回图1，继续说明。

计算机5被在远处监视作业机器人2的监视员或者保养员使用，接收并显示测量结果150，对监视员通过图像、声音、语音或者振动提示异常检测的结果。

图4是表示第1实施例中的运算处理单元13的概略结构的方框图。

运算处理单元13包括：信号处理单元131、阈值获取单元132、异常判定单元133以及测量结果输出单元134。

信号处理单元131从电机控制单元11以及传感器控制单元12接收传感器信号，并由传感器信号计算比较对象值S。阈值获取单元132从润滑脂信息获取单元14获取润滑脂信息，从存储单元18获取与润滑脂信息内的润滑脂的种类对应的阈值。

异常判定单元133通过将比较对象值S和阈值进行比较，判断作业机器人2的异常。即，异常判定单元133通过将比较对象值S和阈值进行比较，判定作业机器人2是否异常。

测量结果输出单元134使包含作业机器人2是否异常的判定结果的测量结果150显示在显示单元15上。而且，在作业机器人2异常的情况下，从语音输出单元16产生警报音或者振动。而且，将测量结果150输出到通信单元17。

图5是表示第1实施例中的运算处理单元13的处理的流程的流程图。

首先，运算处理单元13的阈值获取单元132从润滑脂信息获取单元14获取润滑脂信息。润滑脂信息包含润滑脂的种类，即，阈值获取单元132获取润滑脂的种类(S1)。

接着，阈值获取单元132判定获取的润滑脂的种类是否为种类A(S3)。在获取的润滑脂的种类为种类A的情况下(S3：“是”)，从存储单元18获取与种类A对应的阈值(S5)。

在获取的润滑脂的种类不是种类A的情况下(S3：“否”)，阈值获取单元132判定获取的润滑脂的种类是否为种类B(S7)。在获取的润滑脂的种类为种类B的情况下(S7：“是”)，从存储单元18获取与种类B对应的阈值(S9)。在获取的润滑脂的种类不是种类B的情况下(S7：“否”)，阈值获取单元132从存储单元18获取与种类C对应的阈值(S11)。

阈值获取单元132存储用于紧接在前的异常判定中使用的阈值，将其切换为在步骤S5、S9或者S11中获取的阈值(以下，称为阈值TH)(S13)。

另一方面，信号处理单元131从电机控制单元11以及传感器控制单元12接收传感器信号(S15)，从传感器信号计算比较对象值S(S17)。

接着，异常判定单元133判定比较对象值S是否为阈值TH以下(S19)。在比较对象值S为阈值TH以下的情况下(S19：“是”)，异常判定单元133判断为作业机器人2(具体来说电机21或者减速器22)不是异常。

另一方面，在比较对象值S比阈值TH大的情况下(S19：“否”)，判断为作业机器人2(具体来说电机21或者减速器22)异常。然后，为了将其对作业员广播，测量结果输出单元134从语音输出单元16产生警报音或者振动(S21)。

在执行步骤S21后，或者在比较对象值S为阈值TH以下的情况下(S19：“是”)，进至步骤S23。

在步骤S23中，测量结果输出单元134使显示单元15显示包含步骤S19的判定结果(异常检测的结果)的测量结果150(S23)。而且，将测量结果150输出到通信单元17。

即，在比较对象值S大于阈值TH的情况下(S19：“否”)，显示单元15显示可动部件异常(S23)。另一方面，在比较对象值S为阈值TH以下的情况下(S19：“是”)，显示可动部件正常(S23)。

通信单元17将测量结果150发送到计算机5(S23)。计算机5显示测量结果150。而且，在作业机器人2异常的情况下，产生声音、语音或者振动。通过测量结果150和声音、语音或者振动，监视员和保养员可以得知在作业机器人2中是否有异常。

接着，判定生产现场3的作业员是否对异常检测装置1进行了处理结束的操作(S25)，在未进行操作的情况下，返回步骤S1，在进行了操作的情况下结束处理。

如以上那样，在第1实施例中，异常检测装置1具有控制单元(13)，该控制单元(13)根据与在具有可动部件(21，22)的设备(2)的规定的部位中被检测到的部位的状态有关的数据(S)，检测设备的异常。控制单元通过将与被检测到的状态有关的数据(S)和规定的阈值(S19)进行比较，判断设备的异常。而且，控制单元(13)获取在设备的可动部件中被使用的润滑脂(润滑油)的种类(S1)，根据获取的润滑油的种类使阈值变化(S13)。即，根据润滑油的种类设定阈值。由此，可通过与设备的可动部件中使用的润滑油的种类相应的判断基准检测设备的异常。而且，通过异常检测装置1进行的上述的异常检测方法，也可以得到同样的效果。

若假设将阈值设为固定，则在数据(S)因润滑脂的种类而变大的情况下，有尽管设备不是异常而误判断为异常的可能性，但是由于增大阈值，所以可以防止这样的误判断。其结果，可以防止虽然设备不是异常，但是发出步骤S21那样的警报，即在设备异常时发出的警报的情况，即可以防止警报的误报。

而且，若假设将阈值设为固定，则有在数据(S)因润滑脂的种类而变小的情况下，虽然设备异常但是误判断为不是异常的可能性，但是由于减小阈值，所以可以防止这样的误判断。即，可以防止异常的漏过。

而且，通过将由驱动力信号表示的扭矩和扭矩以外的值(例如，由加速度信号表示的振动的值)组合来判断异常，与仅用扭矩判断异常的情况相比，可以更高精度地检测设备的异常。

(第2实施例)

接着，说明第2实施例。这里，主要说明与第1实施例的不同，对于相同或者类似的内容，由于重复，所以省略说明。

在第2实施例中，除了润滑脂的种类，还使用与润滑脂的粘性有关的值，例如使用与润滑脂的种类和润滑脂的粘度的组合相应的阈值。即，在使用了确定的种类和粘度的润滑脂时使用适合于该润滑脂的阈值。例如，即使是相同型号的润滑脂即相同种类的润滑脂，也有因成分或者含有率的不同而可选择粘度的情况，第2实施例假定这样的状况。因此，在第2实施例中，设为在润滑脂信息中包含润滑脂的种类和粘度。而且，粘度不限于用粘度本身表现的值，包含与粘度同义的用语而称为粘度。

在第2实施例中，设为不依赖于润滑脂的种类而被设定大小两个粘度的边界值，粘度的范围被3分割。即，将较低一方的边界值(称为边界值α)以下的粘度的范围称为粘度范围L，将比较低一方的边界值α高并且为较高一方的边界值(称为边界值β)以下的粘度的范围称为粘度范围M，将比较高一方的边界值β(＞α)高的粘度的范围称为粘度范围N。即，粘度的高低被表现为L＜M＜N。而且，可以不是像这样不依赖于润滑脂的种类而将边界值设为共同的，而是对于润滑脂的每个种类改变边界值。而且，可以将粘度的范围2分割，而且，也可以将粘度区分为更细的4分割以上。

图6是表示第2实施例的存储单元18存储的信息的图。

第2实施例的存储单元18将阈值TH11与润滑脂的种类A和粘度范围L的组合相关联地存储。而且，将阈值TH12与润滑脂的种类A和粘度范围M的组合相关联地存储。而且，将阈值TH13与润滑脂的种类A和粘度范围N的组合相关联地存储。

而且，存储单元18将阈值TH21与润滑脂的种类B和粘度范围L的组合相关联地存储。而且，将阈值TH22与润滑脂的种类B和粘度范围M的组合相关联地存储。而且，将阈值TH23与润滑脂的种类B和粘度范围N的组合相关联地存储。

而且，存储单元18将阈值TH31与润滑脂的种类C和粘度范围L的组合相关联地存储。而且，将阈值TH32与润滑脂的种类C和粘度范围M的组合相关联地存储。而且，将阈值TH33与润滑脂的种类C和粘度范围N的组合相关联地存储。

在第2实施例的存储单元18中，与比较对象值S变大那样的润滑脂的种类和粘度范围的组合对应的阈值变大，与比较对象值S变小那样的润滑脂的种类和粘度范围的组合对应的阈值变小。

图7是表示第2实施例中的运算处理单元13的处理的流程的流程图。

首先，运算处理单元13的阈值获取单元132从润滑脂信息获取单元14获取润滑脂信息。润滑脂信息包含润滑脂的种类和润滑脂的粘度。即，阈值获取单元132获取润滑脂的种类和润滑脂的粘度(S2)。

例如，粘度作为表示润滑脂的性能的值(所谓目录(catalogue)值)，被包含在保养记录或者作业机器人2存储的润滑脂信息中，润滑脂信息获取单元14获取包含粘度的润滑脂信息。而且，粘度也可以是通过在电机21或者减速器22的附近安装的粘度传感器等测量出的值。润滑脂信息获取单元14获取在作业机器人2实际地动作时由粘度传感器等测量出的实际的粘度作为润滑脂信息。

即，粘度既可以是目录值，也可以是作业机器人2在实际地动作时的实际的粘度。

若获取粘度，则阈值获取单元132判定获取的粘度(以下，称为粘度x)是否为边界值α以下(S31)。在粘度x为边界值α以下的情况下(S31：“是”)，判定为粘度x属于粘度范围L(S33)。

在粘度x大于边界值α的情况下(S31：“否”)，阈值获取单元132判定粘度x是否为边界值β以下(S35)。在粘度x为边界值β以下的情况下(S35：“是”)，判定为粘度x属于粘度范围M(S37)。阈值在粘度x大于边界值β的情况下(S35：“否”)，获取单元132判定为粘度x属于粘度范围N(S39)。

在步骤S33、S37以及S39之后，阈值获取单元132从存储单元18获取与获取的润滑脂的种类和判定的粘度范围的组合对应的阈值(S4)。例如，在润滑脂的种类为种类A、粘度x属于粘度范围N的情况下，从存储单元18获取与种类A和粘度范围N的组合对应的阈值TH13(S4)。

之后，与第1实施例的步骤S13以下的处理是同样的，省略说明。但是，在步骤S25中判定为未进行操作的情况下，返回到步骤S2。

而且，将粘度的范围如上述那样分类是因为，例如粘度为实际动作中的粘度，值不固定。或者，因为即使是作为所谓目录值的粘度，其数量也很大。

但是，例如在粘度为目录值，其数量少，不使用例如粘度x1、x2以及x3以外的润滑脂的情况下，将阈值与润滑脂的种类和使用的粘度(x1、x2以及x3的其中一个)的组合相关联地存储在存储单元18中即可。

如以上那样，在第2实施例中，除了润滑油的种类，控制单元(13)还获取润滑油的粘度(S2)，使阈值根据润滑油的种类以及润滑油的粘度而变化(S4)。即，根据润滑油的种类以及润滑油的粘度设定阈值。由此，通过与用于设备的可动部件的润滑油的种类以及润滑油的粘度相应的判断基准，可以检测设备的异常。

即，即使润滑油的种类相同，但由于在数据(S)因润滑油的粘度而变大的情况下阈值也增大，所以可以抑制错误的异常判断、警报的误报。

而且，即使润滑油的种类相同，但由于在数据(S)因润滑油的粘度而变小的情况下阈值也减小，所以可以抑制错误的异常判断、异常的漏过。

(第3实施例)

接着，说明第3实施例。这里，主要说明与第1实施例的不同，对于相同或者类似的内容，由于重复而省略说明。

图8是表示包含第3实施例的异常检测装置的系统的结构的图。

第3实施例的异常检测装置1，除了包括电机控制单元11、传感器控制单元12、运算处理单元13、润滑脂信息获取单元14、显示单元15、语音输出单元16、通信单元17以及存储单元18，还包括学习模型用信息获取单元19。

学习模型用信息获取单元19是，获取用于生成学习模型(具体后述)的信息，即作业机器人2先前进行了作业时获取的信息的单元，例如是在电机21和减速器22的可动部件附近配置的IOT(Internet of Things，物联网)传感器。IOT传感器是在对象的设备中被安装多个，通过无线LAN等对外部的设备发送数据的传感器的名称。学习模型用信息获取单元19可以是获取在作业机器人2的内部保存的可动部件的控制信息的装置，或者也可以是从作业机器人2以外的设备中保存的保养数据获取可动部件的控制信息的装置。

这里，学习模型用信息获取单元19获取以下的(1)～(3)所示的值t、e、w，输出到运算处理单元13。(1)值t是与作业机器人2的累积的运转时间、累积的停止时间、连续运转的连续运转时间、周围其它设备的运转信息等有关的值。(2)值w是表示与对作业机器人2施加的作业的负载的作业负载水平、作业机器人2进行的作业的速度、被请求的作业的精度等有关的值。(3)值e是与作业机器人2的周围的环境的气温或者其变动或者变动的趋势、湿度或者其变动或者变动的趋势、周围环境的振动的大小等有关的值。

而且，这些值t、w、e是用于生成后述的学习模型的信息，但是用于生成学习模型的信息不限于值t、w、e，只要使用与设备的功能、使用环境等相应的信息即可。例如有日照的时间或强度等。

图9是表示第3实施例的存储单元18存储的信息的图。

第3实施例的存储单元18对润滑脂的每个种类相关联地存储学习模型。存储单元18将学习模型P1与润滑脂的种类A相关联地存储，将学习模型P2与润滑脂的种类B相关联地存储，将学习模型P3与润滑脂的种类C相关联地存储。各学习模型是与润滑脂的种类相应的模型，所以成为相互不同的学习模型。而且，在存储单元18中，可在学习模型P1～P3中切换用于异常检测的学习模型。

图10是表示学习模型的一个例子的图。

例如，学习模型P1包含使用种类A的润滑脂而作业机器人2在先前未表示异常时的参数、以及使用种类A的润滑脂而作业机器人2在先前表示了异常时的参数。

未表示异常时(正常时)的参数是将作业机器人2未表示异常时获取的值t、值w以及值e按照时间序列排列后的参数，被赋予与值t、值w以及值e的组每一个对应的日期。表示了异常时的数据是将作业机器人2表示了异常时获取的值t、值w以及值e按照时间序列排列后的参数，被赋予与值t、值w以及值e的每一个组对应的日期。

未表示异常时(正常时)的参数是例如在作业机器人2使用种类A的润滑脂，并且运算处理单元13在后述的流程图的步骤S19中判定为“是”(设备正常)时的参数。表示异常时的参数是例如在作业机器人2使用种类A的润滑脂，并且运算处理单元13在后述的流程图的步骤S19中判定为“否”(设备异常)时的参数。学习模型也可以说是历史。

而且，学习模型不限于基于运算处理单元13判定的结果的模型，也可以记录作业员等在先前确认了没有设备的异常时的参数、和确认了有异常时的参数，由这些参数生成学习模型。

虽然未图示，但是学习模型P2是使用了种类B的润滑脂时的学习模型，学习模型P3是使用了种类C的润滑脂时的学习模型，具有与学习模型P1同样的结构。而且，学习模型不限于这样的表形式的模型，也可以在由值t、值w以及值e的3轴构成的3维空间中，在正常时的值t、值w以及值e的位置配置点，而且，在异常时的值t、值w以及值e的位置配置点，设定正常和异常的边界面。

图11是表示第3实施例中的运算处理单元13的概略结构的方框图。

除了信号处理单元131、异常判定单元133以及测量结果输出单元134，运算处理单元13还具有学习模型生成单元135，取代图4的阈值获取单元132而具有阈值计算单元137。

学习模型生成单元135从学习模型用信息获取单元19获取值t、值w以及值e以及日期，在存储单元18中生成图10那样的学习模型。

阈值计算单元137选择在使用了从润滑脂信息获取单元14获取的种类的润滑油的情况下的学习模型，通过对选择的学习模型适用学习算法来求阈值。细节在后叙述。

图12是表示第3实施例中的运算处理单元13的处理的流程的流程图。

首先，运算处理单元13的阈值计算单元137从润滑脂信息获取单元14获取润滑脂信息(润滑脂的种类)(S1)。

接着，阈值计算单元137判定获取的润滑脂的种类是否为种类A(S3)。在获取的润滑脂的种类为种类A的情况下(S3：“是”)，将存储单元18中用于异常检测的学习模型切换为与种类A对应的学习模型P1(S6)。

在获取的润滑脂的种类不是种类A的情况下(S3：“否”)，阈值计算单元137判定获取的润滑脂的种类是否为种类B(S7)。在获取的润滑脂的种类为种类B的情况下(S7：“是”)，将用于异常检测的学习模型切换为与种类B对应的学习模型P2(S8)。在获取的润滑脂的种类不是种类B的情况下(S7：“否”)，阈值计算单元137将用于异常检测的学习模型切换为与种类C对应的学习模型P3(S10)。

在步骤S6、S8或者S10中切换学习模型后，阈值计算单元137使用切换后的学习模型计算阈值(以下，称为阈值TH)(S14)。

在步骤S14中，首先，由作业机器人2正常的情况下的值t与作业机器人2异常的情况下的值t计算作业机器人2正常时和异常时的边界的值t(以下，称为值T)。例如，计算作业机器人2正常时的值t的平均值ta1，计算作业机器人2异常时的值t的平均值ta2，将平均值ta1和平均值ta2的平均值设为值T。或者，也可以将平均值ta1和平均值ta2的中间值作为值T。

而且，与从值t计算出值T的方法同样，计算作业机器人2正常时和异常时的边界的值w(以下，称为值W)。并且同样地计算作业机器人2正常时和异常时的边界的值e(以下，称为值E)。值T、W以及E也可以说是用于判定作业机器人2正常还是异常的阈值。

接着，阈值计算单元137将值T、W以及E代入规定的学习模型式(计算式)，计算阈值TH。例如，阈值计算单元137在(式1)那样的学习模型式中代入值T、W以及E，计算阈值TH。

TH＝T×X+W×Y+E×Z+c(式1)

其中，X，Y，Z，c为常数。

或者，阈值计算单元137在(式2)那样的学习模型式中代入值T、W以及E，计算阈值TH。

TH＝(T×X)2+W×Y+E×Z+c(式2)

其中，X，Y，Z，c为常数。

这些算式是为了计算阈值TH，使得在作业机器人2异常时比较对象值S大于阈值TH而预先在阈值计算单元137中设定的算式。由此，在比较对象值S大于阈值TH的情况下，可以判断为作业机器人2异常，在比较对象值S为阈值TH以下的情况下，可以判断为作业机器人2正常。

这样，将使用切换后的学习模型计算值T、W以及E，通过将算出的值T、W以及E代入上述那样的算式而求阈值，称为对学习模型适用学习算法。即，在第3实施例中，通过对包含参数的学习模型适用学习算法而求阈值，该参数包括与使用获取的种类的润滑油而设备在先前未表示异常时的设备有关的参数、以及与使用获取的种类的润滑油而设备在先前表示了异常时的设备有关的参数。

而且，学习模型式不限于式1那样的线性式或者式2那样的2次式，也可以是3次以上的高阶式。而且，也可以是使用了指数函数或者对数的算式。即，作为学习模型式，可以利用可数学性地记述的算式。

而且，在上述的例子中，设为根据在步骤S6、S8或者S10中切换的学习模型，在步骤S14中分别计算阈值，但是不限于此。

例如，也可以使用机械学习或者深度学习技术分析被包含在润滑脂的种类A、种类B以及种类C的各个学习模型中的数据，分别生成润滑脂的种类A、种类B以及种类C的正常判定模型或者异常判定模型。

在该情况下，例如在步骤S3中判定为润滑脂的种类为A后的步骤中，选择对润滑脂的种类A的学习模型通过机械学习或者深度学习技术分析出的结果而生成的、润滑脂种类A用的正常判定模型或者异常判定模型。

之后，在步骤S15中获取传感器的信号，在步骤S19中通过比较传感器信号的值和润滑脂种类A用的正常判定模型或者异常判定模型(具体在后叙述)，判定异常的有无。对润滑脂的种类B以及种类C也设为同样的处理。

而且，正常判定模型或者异常判定模型包含规定的参数中的至少一个阈值，进行该阈值和传感器信号的值的比较。

而且，正常判定模型或者异常判定模型，即判定模型被存储在存储单元18中。

这样，具有存储用于对润滑油的每个种类判定异常的判定模型的存储单元18，控制单元通过获取的、在设备的可动部件中使用的润滑油的种类切换判定模型，使阈值变化。由此，通过使用判定模型，可以更高精度地检测设备的异常，可靠地抑制警报的误报和异常的漏过。

而且，判定模型通过对于设备的部位的状态有关的数据进行基于机械学习技术的分析而生成。由此，通过进行基于机械学习技术的分析，可以更高精度地检测设备的异常，可以更可靠地抑制警报的误报和异常的漏过。

以下，与第1实施例的步骤S15以下的处理相同，省略说明。

如以上那样，在第3实施例中，控制单元(13)通过对包含参数的学习模型适用学习算法来求阈值，所述参数包含与使用获取的种类的润滑油而设备在先前未表示异常时的设备有关的参数、以及与使用获取的种类的润滑油而设备在先前表示了异常时的设备有关的参数。即，设定通过对学习模型适用学习算法而求出的阈值。

由此，可以还使用润滑油的种类和粘度以外的参数，例如如上述那样，与设备的运转时间等有关的值、与设备进行作业的负载等有关的值、与设备周围的环境等有关的值，检测设备的异常。其结果，可以更高精度地检测设备的异常，可以更可靠地抑制警报的误报和异常的漏过。

即，在第3实施例中，由于在与设备的规定部位的状态有关的数据(S)变大的情况下阈值也变大，所以可以抑制错误的异常判断、警报的误报。

而且，由于在与设备的规定部位的状态有关的数据(S)变小的情况下阈值也变小，所以可以抑制错误的异常判断、异常的漏过。

(第3实施例的变形例)

而且，在第3实施例中，对于润滑脂的每个种类将与该种类的润滑脂对应的学习模型存储在存储单元18中，选择与要使用的润滑脂的种类对应的学习模型，通过对选择的学习模型适用学习算法求出阈值，但是也可以使第3实施例发展而设为以下那样。

即，在第3实施例的变形例中，将对于润滑脂的种类和粘度的每个组合将与其种类和粘度的润滑脂对应的学习模型存储在存储单元18中，选择与要使用的润滑脂的种类和粘度的组合对应的学习模型，通过对选择的学习模型适用学习算法求阈值。

存储单元18中存储的学习模型，即为包含以下参数的学习模型：关于使用与该学习模型对应的种类和粘度的润滑脂，设备在先前未表示异常时的设备的参数；以及关于使用与该学习模型对应的种类和粘度的润滑脂，设备在先前表示了异常时的设备的参数。

在获取要使用的润滑脂的种类和粘度的组合时，只要执行第2实施例的步骤S2、S31、S33、S35、S37以及S39即可。

按照第3实施例的变形例，选择与要使用的润滑脂的种类和粘度的组合对应的学习模型，通过对选择出的学习模型适用学习算法求阈值，所以可以通过与润滑油的种类和粘度的组合相应的判断基准检测设备的异常。

图13是表示测量结果150的显示例子的图。显示单元15和计算机5例如将测量结果150在图13所示图像中显示。这里，表示第3实施例中的显示例子。

在显示单元15和计算机5的显示区域中，作为测量结果15，例如在步骤S19中判定为作业机器人2正常的情况下，表示作业机器人2正常的显示信息151被显示。在判定为作业机器人2异常的情况下，表示异常的信息被显示。

而且，作为测量结果150，在步骤S19的判定中使用的阈值TH和比较对象值S(观测值)被显示。而且，表示在使用了被标准地使用的种类的润滑脂的情况下的阈值的显示信息152被显示。若将该阈值设为修正前的阈值，则阈值TH可以称为修正后的阈值。通过显示修正前的阈值和修正后的阈值，可以得知修正前的阈值被变更为修正后的阈值的情况。

而且，作为测量结果150，表示用于作业机器人2的润滑脂的种类、润滑脂的粘度、有无添加剂的显示信息153被显示。由此，可以得知润滑脂的种类、润滑脂的粘度、添加剂的有无。

而且，作为测量结果150，表示为了计算阈值TH而使用的计算式(学习模型式)的显示信息154被显示。而且，代入到了算式中的值T、W以及E被显示。由此，可以得知学习模型式、以及代入了学习模型式的值。

而且，表示作为异常判定的对象的电机21和减速器22的配置位置的显示信息155被显示。由此，可以得知电机21和减速器22的配置位置。

而且，图13是第3实施例中的显示例子，在第1实施例和第2实施例中，显示信息154和值T、W以及E未被显示。

这样，运算处理单元13进行控制，使得包含设备是否异常的判定结果的测量结果150与获取的润滑脂的种类一起被显示在显示单元15和计算机5的显示区域中，所以监视生产现场的作业员和设备的监视员和保养员可以与润滑脂的种类一起得知设备异常或者设备正常，可以在异常的情况下进行设备的保养。

而且，可以掌握由于润滑油的种类、粘度、添加剂的影响、以及学习模型的切换，阈值被怎样变更。

而且，由于显示可动部件的配置位置、比较对象值S、学习模型式、代入学习模型式的值、异常判定的结果，所以可以对作业员、保养员或者监视员传达更容易理解的异常检测的状况。而且，至系统的可靠性增加，可以容易采取设备变为异常的情况下的对应。

以上，记载了本发明的实施方式，但是不应理解为构成该公开的一部分的论述以及附图限定本发明。对本领域的技术人员来说，从该公开明白各种代替实施方式、实施例以及运用技术。

而且，要检测异常的对象的设备不限于作业机器人2。例如，也可以取代电机而使用汽车的发动机，取代减速器而使用变速器。而且，移动体的可动部件、游乐园的游乐设施等移动体、3维打印机等工作机械，即具有可动部件的全部设备都可以设为对象。而且，也可以将其它种类的设备设为对象。

而且，异常检测装置1也可以与计算机5同样配置在远处，经由通信线路发送接收需要的信号和数据，检测设备的异常。而且，也能够使用计算机构成电机控制单元11、传感器控制单元12、运算处理单元13、润滑脂信息获取单元14、通信单元17以及学习模型用信息获取单元19的功能块。

而且，基于异常检测装置1的异常检测也可以用于故障的预知、预测。例如，从异常的发生至故障为止的时间为已知的情况下，异常的检测可以称作故障的预知、预测。

在上述的各实施方式中表示的各功能能够通过1或者多个处理电路实现。处理电路包括含有电气电路的处理装置等被编程的处理装置。而且，处理装置还包含被安排的面向确定用途的集成电路(ASIC)或常规型的电路部件那样的装置，以执行实施方式中记载的功能。

标号说明

1 异常检测装置

2 作业机器人(设备)

11 电机控制单元

12 传感器控制单元

13 运算处理单元(控制单元)

14 润滑脂信息获取单元

15 显示单元

16 语音输出单元

17 通信单元

18 存储单元

19 学习模型用信息获取单元

21 电机(可动部件)

22 减速器(可动部件)

23 传感器(振动传感器)

131 信号处理单元

132 阈值获取单元

133 异常判定单元

134 测量结果输出单元

135 学习模型生成单元

137 阈值计算单元

150 测量结果

201 旋转轴

A，B，C 润滑脂的种类

x，x1，x2，x3 润滑脂的粘度

L，M，N 粘度范围

TH，TH1，TH2，TH3，TH11，TH12，TH13，TH21，TH22，TH23，TH31，TH32，TH33 阈值

S 比较对象值

P1，P2，P3 学习模型

t、w、e 值(参数)

T、W、E 值

X，Y，Z，c 常数

ta1，ta2 平均值

α，β 边界值

Claims (7)

1.一种异常检测装置，具有控制单元，该控制单元根据由在具有可动部件的设备的规定部位中被检测到的、表示加速度的大小的加速度信号以及表示驱动量的驱动力信号的至少一方计算的、与所述部位的状态有关的数据，检测所述设备的异常，其特征在于，

所述控制单元通过将与被检测到的所述部位的状态有关的数据和规定的阈值进行比较，判断所述设备的异常，

所述控制单元获取用于所述设备的所述可动部件的润滑油的种类，使所述阈值根据获取的所述润滑油的种类而变化。

2.如权利要求1所述的异常检测装置，其特征在于，

所述控制单元进一步获取所述润滑油的粘度，使所述阈值根据所述润滑油的种类以及所述润滑油的粘度而变化。

3.如权利要求1所述的异常检测装置，其特征在于，

所述控制单元通过对包含参数的学习模型适用学习算法来求所述阈值，所述参数为与使用获取的所述种类的润滑油而所述设备在先前未表示异常时的所述设备有关的参数、以及与使用获取的所述种类的润滑油而所述设备在先前表示了异常时的所述设备有关的参数。

4.如权利要求1至3的任意一项所述的异常检测装置，其特征在于，

所述控制单元进行控制，使得将表示所述设备是否异常的图像与获取的所述润滑油的种类一起显示。

5.如权利要求1所述的异常检测装置，其特征在于，

还包括存储单元，对所述润滑油的每个种类存储用于判定异常的判定模型，

所述控制单元通过根据获取的用于所述设备的所述可动部件的润滑油的种类而切换所述判定模型，使所述阈值变化。

6.如权利要求5所述的异常检测装置，其特征在于，

所述判定模型通过对与所述部位的状态有关的数据进行基于机械学习技术的分析而被生成。

7.一种异常检测方法，根据由在具有可动部件的设备的规定部位中被检测到的、表示加速度的大小的加速度信号以及表示驱动量的驱动力信号的至少一方计算的、与所述部位的状态有关的数据，检测所述设备的异常，其特征在于，

通过将与被检测到的所述部位的状态有关的数据和规定的阈值进行比较，判断所述设备的异常，

获取用于所述设备的所述可动部件的润滑油的种类，使所述阈值根据获取的所述润滑油的种类而变化。

Images