CN112512762A - 异常判定装置和异常判定方法 - Google Patents

异常判定装置和异常判定方法 Download PDF

Info

Publication number
CN112512762A
CN112512762A CN201880096218.8A CN201880096218A CN112512762A CN 112512762 A CN112512762 A CN 112512762A CN 201880096218 A CN201880096218 A CN 201880096218A CN 112512762 A CN112512762 A CN 112512762A
Authority
CN
China
Prior art keywords
abnormality
determination
unit
algorithm
input
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
CN201880096218.8A
Other languages
English (en)
Other versions
CN112512762B (zh
Inventor
小林诚一
高木徹
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.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co Ltd
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 Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Publication of CN112512762A publication Critical patent/CN112512762A/zh
Application granted granted Critical
Publication of CN112512762B publication Critical patent/CN112512762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B2219/42271—Monitor parameters, conditions servo for maintenance, lubrication, repair purposes
    • 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
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50391—Robot
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

异常判定装置具有：输入部(1)，其被输入从作业装置输出的装置状态信号；第一存储部(2)，其存储用于判定作业装置的规定的异常的判定算法(7)；异常判定部(3)，其基于装置状态信号和判定算法(7)来判定作业装置的规定的异常；输出部(4)，其向用户输出由异常判定部(3)得到的与规定的异常有关的判定结果；操作部(5)，其受理由用户进行的与判定结果是否正确有关的正确与否信息的输入；以及更新部(6)，其基于正确与否信息来更新判定算法(7)。

Description

异常判定装置和异常判定方法
技术领域
本发明涉及一种异常判定装置和异常判定方法。
背景技术
以往，已知一种用于监视激光焊接等的作业状况的监视装置(参照专利文献1和专利文献2)。这些监视装置通过神经网络等学习正常时和异常时的监控数据，来判别异常的类型。而且，在选择异常的类型后，针对所选择出的异常学习正常规范或异常规范。
现有技术文献
专利文献
专利文献1：日本特开平05-337663号公报
专利文献2：日本特开平05-337664号公报
发明内容
发明要解决的问题
然而，异常规范是操作者基于根据过去的异常时的监控数据得到的处理结果进行制作并通过使机器进行学习而制定出的规范。因此，为了存储异常规范，给操作者造成对每个异常类型输入作为规范的数据的负担。
本发明是鉴于上述课题而完成的，其目的在于提供一种能够以不给用户造成过度的数据输入负担的方式更新判定算法的异常判定装置和异常判定方法。
用于解决问题的方案
本发明的一个方式是一种异常判定装置，其具有：输入部，其被输入从作业装置输出的信号；第一存储部，其存储用于判定作业装置的规定的异常的判定算法；异常判定部，其基于所述信号和判定算法来判定作业装置的规定的异常；输出部，其向用户输出由异常判定部得到的与规定的异常有关的判定结果；操作部，其受理由所述用户进行的与所述判定结果是否正确有关的正确与否信息的输入；以及更新部，其基于正确与否信息来更新判定算法。
发明的效果
根据本发明的一个方式，能够以不给用户造成过度的数据输入负担的方式更新判定算法。
附图说明
图1A是示出实施方式所涉及的异常判定装置的概要结构的框图。
图1B是示出图1A的异常判定装置的处理数据的流程的数据流程图。
图2A是示出图1A的异常判定装置的动作的一例的流程图。(其一)
图2B是示出图1A的异常判定装置的动作的一例的流程图。(其二)
图3是示出生产机器人无异常且处于正常工作中的画面G01的一例的图。
图4是示出表示存在故障模式A的画面G04的一例的图。
图5是示出用于选择与判定结果是否正确有关的正确与否信息的画面G05的一例的图。
图6A是示出在按下了(1-1)按钮的情况下显示在输出部4中的画面G17的一例的图。
图6B是示出在按下了(1-2)按钮的情况下显示在输出部4中的画面G18的一例的图。
图7是示出在按下了(2-1)按钮的情况下显示在输出部4中的画面G14的一例的图。
图8是示出在按下了(2-2)按钮的情况下显示在输出部4中的画面G15的一例的图。
图9是示出在按下了(2-3)按钮的情况下显示在输出部4中的画面G16的一例的图。
图10示出图2A的“模式1”和图2B的“模式2”下的反馈流程。
图11示出图2A和图2B的“模式4”下的反馈流程。
图12示出图2A和图2B的“模式6”下的反馈流程。
图13示出图2A和图2B的“模式3”下的反馈流程。
图14示出图2A和图2B的“模式5”下的反馈流程。
图15涉及第一变形例，是示出在图2A所示的步骤S03中为“否”的情况下所显示的画面(G01～G03)的显示流程的图。
图16涉及第一变形例，是示出在输入了是故障模式A这样的正确判定信息的情况下(在S12中为“是”、在S32中为“是”)所显示的画面(G04～G07)的显示流程的图。
图17是示出第二变形例所涉及的画面(G01、G09～G13)的显示流程的图。
图18是示出在正常判定时将图15所示的画面G01～G03的显示流程和图17所示的画面G01、G09～G13的显示流程组合而成的实施例的图。
图19是示出在异常判定时将图16所示的画面G04～G07、G07’的显示流程以及按照图2A和图2B的处理流程的画面G04、G05、G14～G18(图4～图9)的显示流程组合而成的实施例的图。
图20是示出成为异常判定的对象的作业机器人200的结构的一例的概要图。
图21示出在判别异常的类型的情况下使用的表的一例。
具体实施方式
参照附图来说明实施方式。在附图的记载中，对同一部分标注同一附图标记并省略说明。
实施方式所涉及的异常判定装置是用于判定进行规定作业的作业装置的异常的装置，例如判定用于组装汽车的多轴机械即作业机器人200(作业装置的一例)有无异常以及异常的类型。在说明异常判定装置之前，对成为异常判定的对象的作业机器人200进行说明。
参照图20来说明成为异常判定的对象的作业机器人200的结构。作业机器人200具备多个马达驱动系统来作为动作轴即关节轴201。通过伺服马达221(简称为马达)经由减速器222来驱动作业机器人200。马达221上附带有作为检测旋转角位置和转速的检测器的一例的脉冲编码器(脉冲发生器或编码器)。在机器人臂的前端能够通过更换器以可更换的方式安装各种工具。作为工具的例子，包括点焊机或激光焊机来作为焊接用的作业部位，包括机械手来作为把持作业对象物的作业部位。因此，在该情况下，“规定的作业”为焊接作业、把持作业。
在减速器222的附近的部位配置有传感器223，该传感器223用于检测加速度来作为该部位的振动的大小。传感器223以规定的采样周期对表示配置有传感器223的部位的振动的波形(加速度信号)进行采样。采样得到的加速度信号是表示作为作业机器人200的部位之一的减速器222的状态的信号(装置状态信号)的一例。此外，作为传感器223，不限于检测加速度的加速度传感器，也可以使用能够检测设备的规定部位的状态的其它传感器。例如，能够使用通过探测该部位的速度或位移来检测振动的大小的传感器。例如，能够使用压电传感器、角速度传感器、陀螺仪传感器等能够按时间序列获取姿势的变化的各种传感器。由这些传感器得到的表示振动的大小的信号被输出到异常判定装置。
作业机器人200由机器人控制部(未图示)控制，以进行规定的作业。机器人控制部由具备CPU(中央处理装置)、存储器以及输入输出部的通用的微控制器构成。机器人控制部存储并输出流过动作中的马达的电流的大小、时间、定时等来控制马达221，以使作业机器人200进行规定的作业。按照转速和转矩的指令值使马达221旋转(可动)。伴随马达221的可动，减速器222也可动。而且，机器人控制部根据流过马达221的电流，来生成表示由马达221中的干扰引起的驱动力、即相对于转矩的指令值的变动成分(也称为干扰转矩)的大小的信号(装置状态信号的其它例)。表示干扰转矩的大小的信号被输出到异常判定装置。异常判定装置通过有线或无线的通信线路与作业机器人200连接。异常判定装置既可以配置在与作业机器人200相同的场地内、设施内，也可以配置在远离作业机器人200的远处。
此外，从作为作业装置的一例的作业机器人200输出的装置状态信号不限于表示振动的大小的信号和表示干扰转矩的大小的信号。除此以外，还包含所有的表示作业装置的状态的信号、即对异常的判定有用的信号。
参照图1A对实施方式所涉及的异常判定装置的概要结构进行说明。异常判定装置经由有线或无线的通信线路与图20的作业机器人连接，被输入从作业机器人输出的信号(装置状态信号)，基于装置状态信号来判定作业机器人中是否存在规定的异常。异常判定装置既可以配置在与作业机器人相同的生产现场内，也可以配置在生产现场以外的远处。
如图1A所示，异常判定装置具有输入部1、存储部2(第一存储部)、异常判定部3、输出部4、操作部5以及更新部6。向输入部1输入从进行规定作业的作业装置(作业机器人)输出的信号(装置状态信号)。
在存储部2中存储有用于判定作业机器人的规定的异常的判定算法。“规定的异常”是预先确定了类型的异常，即既定的故障模式。在此，所谓“既定的故障模式”是表示成为异常判定的对象的作业机器人所特有的故障的形态，假定了能够事先判定故障的预兆的故障形态。作为作业机器人的既定的故障模式，例如包括线缆的切断(CABLE CUT)、线缆的不捆束(UNTIED CABLE)、焊接不足(WELDING LESS)、伺服枪的缺损(SERVO-GUN CRACK)、焊接不良(POOR WELDING)、减速器的劣化(REDUCER DETERIORATION)等。在判定算法中包含计算机为了判定作业机器人的规定的异常而预先设定的判定规则。判定算法和判定规则由各种函数和各种参数等各种数据构成。判定算法的详细情况在后面叙述。
异常判定部3基于装置状态信号和判定算法来判定作业机器人的规定的异常。具体地说，异常判定部3判定在作业机器人中是否发生了规定的异常。而且，在发生异常时，异常判定部3判定异常的类型、即故障模式的类型。
具体地说，异常判定部3能够使用作为控制器的一例的微型计算机来实现，该微型计算机具备CPU(中央处理装置)、存储器(主存储装置)以及输入输出部。在微型计算机上安装并执行用于使微型计算机作为异常判定部3发挥功能的计算机程序(异常判定程序)。由此，微型计算机的CPU作为异常判定部3所具备的信息处理部发挥功能。此外，在此示出通过软件实现异常判定部3的例子，但当然也能够准备用于执行各信息处理的专用的硬件来构成异常判定部3。在专用的硬件中包括被布局成执行实施方式中记载的功能的面向特定用途的集成电路(ASIC)、现有型的电路部件那样的装置。异常判定部3通过有线或无线的通信线路与磁盘、光盘、光磁盘、快闪存储器等辅助存储装置(存储部2)、输出部4、操作部5以及更新部6连接。微型计算机的输入输出部是图1A所示的输入部1的一例。
输出部4输出由异常判定部3得到的与规定的异常有关的判定结果(以后有时简称为“判定结果”。)。例如，输出部4是具有异常判定装置的用户能够视觉识别的显示画面的显示装置，用于在显示画面上显示与规定的异常有关的判定结果。由此，能够对用户呈现与规定的异常有关的判定结果。显示画面的详细情况在后面叙述。
操作部5用于受理由用户进行的与判定结果是否正确有关的正确与否信息(以后有时称为“正确与否信息”。)的输入。操作部5是用户能够操作的终端。在此，异常判定装置在充分地进行基于运用的学习之前，无论故障的类型的判定结果如何，都假定在异常判定后通过由用户进行的维护作业(包括检查、查点、修理)来进行作业机器人的动作检查。也就是说，异常判定装置假定用户(维护人员)基于判定结果对作业机器人进行维护作业。用户能够通过进行维护作业来亲自判断异常判定部3的判定结果是否正确。而且，用户能够经由操作部5输入与异常判定部3的判定结果是否正确有关的正确与否信息。在判定结果发生了错误的情况下，用户能够进行判定的更正操作(反馈)。在本实施方式中，作为输出部4和操作部5形成为一体的用户接口(UI)的一例，对具备触摸面板式的显示部的平板式的终端装置进行说明。平板式的终端装置通过无线或有线的通信线路与异常判定部3、存储部2以及更新部6连接。
更新部6基于由操作部5受理的正确与否信息，来更新存储在存储部2中的判定算法。“判定算法的更新”包括判定算法中包含的判定规则的更新以及判定算法和判定规则中包含的函数及参数等数据的更新。而且，如果异常判定部3的判定结果是错误的，则更新部6修改判定算法，以不重复进行相同的错误判定。另一方面，如果异常判定部3的判定结果是正确的，则强化判定算法，以重复进行相同的正确判定。判定算法的更新包括判定算法的修改和判定算法的强化。
参照图1B对图1A的异常判定装置中的数据处理的流程进行说明。向输入部1输入装置状态信号。例如，每小时从一台作业机器人向输入部1输入一次装置状态信号。异常判定装置判定几十～几百台工业机器人的异常。因此，每小时向异常判定装置输入几十～几百个装置状态信号。被输入的所有的装置状态信号首先作为原始数据D01被存储到存储部2中。
如图1B所示，图1A的异常判定部3具备：异常检测器3a，其用于判定作业机器人是否发生了规定的异常；以及故障模式分类器3b，其用于判定发生了异常的情况下的异常的类型(故障模式的类型)。在判定算法7中包括用于判定作业机器人有无规定的异常的检测算法7a(第一判定算法)和用于判定作业装置中发生的异常的类型的分类规则7b(第二判定算法)。
异常检测器3a基于作为装置状态信号的原始数据D01和检测算法7a，来判定作业机器人有无规定的异常。异常检测器3a例如将原始数据D01与参考信号进行比较。参考信号是检测算法7a中包含的参数或数据，例如是作业机器人在正常时输出的装置状态信号。例如在原始数据D01与参考信号的偏差的平均值超过了规定的阈值的情况下，异常检测器3a判定为在作业机器人中发生了规定的异常。在检测算法7a中，不仅包含上述的用于判定有无异常的具体的方法(判定规则)，还包含在该方法中使用的“参考信号”和“规定的阈值”之类参数以及数据。
检测到异常这样的判定结果(ST1)作为异常显示警报4a被显示在输出部4中。检测到异常的装置状态信号作为异常数据D02被存储到存储部2中。故障模式分类器3b基于作为装置状态信号的异常数据D02以及分类规则7b，来判定在作业机器人中发生的异常的类型。故障模式分类器3b能够将多种异常数据D02进行组合来判定异常的类型。例如，故障模式分类器3b将表示从传感器223得到的振动的大小的信号和表示由机器人控制部生成的干扰转矩的大小的信号进行组合，来判定异常的类型。
故障模式分类器3b能够参照分类规则7b中包含的数据的一例即图21所示的表来判定异常的类型。图21是将异常的类型与加速度及驱动力的变化的状态相关联而得到的表。图21所示的表被存储在存储部2中。
“加速度”表示由传感器223检测出的加速度信号的大小、也就是设置有传感器223的生产机器人的部位的振动的大小。“加速度”的“上升”是指振动随着时间的经过而变大的状态。“加速度”的“下降”是指振动随着时间的经过而变小的状态。“加速度”的“无变化”是指振动的大小没有变化。
“驱动力”表示在作业机器人的可动部位产生的干扰转矩的大小，相当于表示由机器人控制部生成的干扰转矩的大小的信号。“驱动力”的“上升”是指干扰转矩随着时间的经过而变大的状态。“驱动力”的“下降”表示干扰转矩随着时间的经过而变小的状态。“驱动力”的“无变化”是指干扰转矩没有变化。
故障模式分类器3b参照图21所示的表，如下那样判定异常的类型。例如，在振动的大小没有变化并且干扰转矩随着时间的经过而变小的情况下，故障模式分类器3b将“润滑脂的泄漏”判定为异常的类型。这样，故障模式分类器3b能够根据振动的时间变化和干扰转矩的时间变化的组合，并参照图21所示的表来判定故障模式(异常)的类型。除了“润滑脂的泄漏”之外，还能够判别包括“部件的干涉”、“机械部的异常”、“润滑脂不足”、“铁粉浓度的异常”、“旋转机构(马达)的异常”、“旋转机构(马达)或减速器以外的异常”以及“润滑脂追加以及效果的确认”在内的异常的类型。“部件的干涉”是指不应该接触的部件彼此接触。部件之间的碰撞也包括在干涉中。
返回到图1B，所判定出的异常的类型(ST2)作为故障显示警报4b显示在输出部4中。用户(维护人员)基于输出部4中显示的判定结果，对作业机器人进行规定的维护作业，并亲自判断异常判定部3的判定结果是否正确。之后，用户向异常判定装置反馈维护作业的结果。即，用户经由操作部5输入与判定结果是否正确有关的正确与否信息。更新部6基于由操作部5受理的正确与否信息，来更新存储在存储部2中的判定算法。
例如，更新部6能够更新检测算法7a中包含的“参考信号”和“规定的阈值”这样的参数或数据。或者，更新部6也可以更新检测算法7a本身。更新部6还可以更新分类规则7b中包含的数据(图21)。具体地说，也可以变更振动的时间变化和干扰转矩的时间变化的组合本身。或者，也可以更新图21中的“上升”与“无变化”之间的判断阈值或者“无变化”与“下降”之间的判断阈值。
但是，在正确与否信息是表示异常判定部3的判定结果为错误的错误判定信息的情况下，修改判定算法(7a、7b)，以不重复进行相同的错误判定。另一方面，在正确与否信息是表示异常判定部3的判定结果为正确的正确判定信息的情况下，强化判定算法(7a、7b)，以重复进行相同的正确判定。由此，能够提高异常判定部3的判定精度。
这样，更新部6能够基于来自用户的反馈信息、也就是由操作部5受理的正确与否信息，来更新判定算法7中包含的判定规则本身、判定规则中包含的函数或参数等数据。换言之，“判定算法7的更新”包括判定算法7中包含的判定规则的更新以及判定算法和判定规则中包含的函数或参数等数据的更新。
参照图2A和图2B来说明使用了图1A的异常判定装置的异常判定方法的一例。在此，作为“规定的异常”，预先设定了“故障模式A”、“故障模式B”以及“故障模式C”。另外，图2A和图2B的流程图示出在异常判定部3判定出“故障模式A”的情况下(在步骤S05中为“是”)的过程。
首先，异常判定装置经由输入部1获取从作业机器人200输出的装置状态信号(步骤S01)，并将其作为原始数据D01保存到存储部2中(步骤S02)。进入步骤S03，异常检测器3a基于原始数据D01和检测算法7a，来判定作业机器人有无规定的异常。在判定为无异常的情况下(在S03中为“否”)，返回到步骤S01。此外，此时也可以如图3所示那样在输出部4中显示生产机器人无异常而处于正常工作中的意思的画面G01。另一方面，在判定为有异常的情况下(在S03中为“是”)，进入步骤S04。
在步骤S04中，故障模式分类器3b基于分类规则7b以及在步骤S01中获取到的装置状态信号中包含的“振动的大小(加速度)”和“干扰转矩的大小(驱动力)”的组合，来判定异常的类型。具体地说，故障模式分类器3b在步骤S04～S06中判定为“故障模式A”、“故障模式B”、“故障模式C”或“故障模式不清楚”。“故障模式不清楚”是指以下情况：由于不符合故障模式A、B以及C中的任一个模式，因此不清楚异常的类型。
在判定为“故障模式A”的情况下(在S04中为“是”、在S05中为“是”)，进入步骤S08，输出部4显示故障显示警报4b。在图4中示出故障显示警报4b的画面G04的一例。也可以对故障显示警报4b的一部分追加用于催促用户实施维护作业的显示。
同样地，在判定为“故障模式B”的情况下(在S04中为“是”、在S05中为“否”、在S06中为“是”)，进入步骤S09。在判定为“故障模式C”的情况下(在S04中为“是”、在S05中为“否”、在S06中为“否”)，进入步骤S10。在“故障模式不清楚”的情况下(在S04中为“否”)，进入步骤S07。在各个步骤S09、S10、S07中，与图4同样地，输出部4显示发生了“故障模式B”或“故障模式C”的意思的画面或者表示“故障模式不清楚”的画面，来作为故障显示警报4b。
此外，在显示了图4所示的异常判定结果之后，输出部4固定地显示图4的画面G04，直到由用户进行作业机器人的检查(维护作业)为止。在显示画面G04的期间，在维护作业的期间不伴随维护作业进行作业机器人的手动停止。在进一步来到异常判定的定时(步骤S03、S04)的情况下，在图3或图4所示的先前的画面(G01、G04)中叠加地显示异常判定结果。
用户(维护人员)对作业机器人进行规定的维护作业，并经由操作部5输入与异常判定部3的判定结果是否正确有关的正确与否信息。输出部4如图4所示那样在显示画面上同时显示作为故障模式A的判定结果以及用于受理有无针对判定结果中包含的规定异常的维护作业的输入的显示。以下，对向操作部5输入的输入过程以及更新部6的更新例进行说明。
在步骤S11中，如图4所示，作为故障显示警报4b的画面G04的一部分，输出部4显示“完成”按钮和“F/B”按钮。“完成”是指表示异常判定部3的判定结果(故障模式A)正确的“正确判定信息”。“F/B(反馈)”是指表示异常判定部3的判定结果错误的“错误判定信息”。
在按下了“完成”按钮的情况下(在S12中为“是”)，进入步骤S13，异常判定装置判断为从操作部5输入了正确判定信息，并实施图12的“模式6”所示的反馈流程。之后，返回到步骤S01，异常判定装置继续监视生产机器人是否正常。
在没有按下“完成”按钮的情况下(在S12中为“否”)，进入步骤S14，判断是否按下了“F/B”按钮。在“发生了与判定结果不同的状态”的情况下，不按下“完成”按钮，而按下“F/B”按钮(在S14中为“是”)。由此，输出部4显示图5所示的画面G05(步骤S16)。在画面G05中，分为以下三种情况，将与判定结果是否正确有关的正确与否信息反馈给检测算法7a和分类规则7b。
(1)按钮并非所报告的故障模式
(2)按钮存在所报告的故障模式以外的其它异常
(3)按钮存在所报告的故障模式(判定无误)
在进行针对错误判定结果的更正委托的情况下，选择(1)按钮或(2)按钮。另一方面，在进行针对正确判定结果的追认委托的情况下，选择(3)按钮。在按下了按钮(1)的情况下(在S17中为“是”)，进入步骤S18。如图5所示，能够将以下情况作为选项来进行选择：
(1-1)按钮“并非故障模式A”、
(1-2)按钮“并非故障模式A/B/C”、或者
(1-3)按钮“无异常”。
在按下了(1-1)按钮的情况下(在S18中为“是”)，与判定结果有关的装置状态信号被存储到存储部2(第二存储部)中(S19)。在步骤S20中，实施图10的“模式1”所示的反馈流程。
在按下了(1-2)按钮的情况下(在S33中为“是”)，与判定结果有关的装置状态信号被存储到存储部2(第二存储部)中(S34)。在步骤S35中，实施图10的“模式2”所示的反馈流程。
在按下了(1-3)按钮的情况下(在S33中为“否”、S37)，在步骤S38中，实施图13的“模式3”所示的反馈流程。
另一方面，在步骤S17中，在没有按下(1)按钮而按下了(2)按钮或(3)按钮的情况下(在S17中为“否”)，进入步骤S22。在选择了(2)按钮的情况下，如图5所示，能够将以下情况作为选项来进行选择：
(2-1)按钮“是故障模式B”
(2-2)按钮“是故障模式C”
(2-3)按钮“是新的故障模式”。
另一方面，在选择了(3)按钮的情况下(在S32中为“是”)，由于被输入了正确判定信息，因此与按下了“完成”按钮的情况(在S12中为“是”)同样地，返回到步骤S13。
在按下了(2-1)按钮的情况下(在S22中为“是”)，进入步骤S23，实施图11的“模式4”所示的反馈流程。在按下了(2-2)按钮的情况下(在S25中为“是”)，进入步骤S26，实施图11的“模式4”所示的反馈流程。在按下了(2-3)按钮的情况下(在S28中为“是”)，与判定结果有关的装置状态信号被存储到存储部2(第二存储部)中(S29)。进入步骤S30，实施图14的“模式5”所示的反馈流程。
此外，(1-1)按钮、(1-2)按钮以及(2-3)按钮的操作(在S18中为“是”、在S33中为“是”、在S28中为“是”)是指输入了表示异常的类型不清楚的信息来作为正确与否信息的情况。在该情况下，将与判定结果对应的作业状态信号暂时存储到存储部2(第二存储部)中。然后，能够在日后重新开始进行作业机器人的运用状态的监视，并在使作业机器人的工作结束后等进行维护作业，来分析异常的现象。因此，能够向异常判定部3反馈基于再次分析的正确与否信息。
接着，说明由更新部6进行的判定算法的更新。更新部6基于由用户针对判定结果进行的正确与否信息的输入，来进行判定算法的更新。图10示出图2A的“模式1”和图2B的“模式2”下的反馈流程。在按下了(1-1)按钮或(1-2)按钮的情况下，通过操作部5输入表示并非故障模式A的信息。因此，更新部6修改检测算法7a(S53)并修改分类规则7b(S51)，以在再次输入了相同的装置状态信号时不重复进行存在故障模式A的意思的错误判定。
如上所述，按下了(1-1)按钮或(1-2)按钮的情况是指输入了表示异常的类型不清楚的正确与否信息的情况。因此，更新部6能够基于该正确与否信息来强化用于判定在作业机器人中不存在故障模式B的消极判定算法以及用于判定在作业机器人中不存在故障模式C的消极判定算法。在“判定算法”中包括用于判定在作业机器人中不存在规定的异常(既定的故障模式)的消极判定算法和用于判定在作业机器人中存在规定的异常(既定的故障模式)的积极判定算法中的至少一方。
并且，更新部6将与判定结果有关的装置状态信号作为图1B的学习数据D03存储到存储部2中(S52)。在按下了(1-1)按钮的情况下，在输出部4中显示图6A所示的画面G17。在按下了(1-2)按钮的情况下，在输出部4中显示图6B所示的画面G18。由此，能够使用户识别基于由操作部5受理的正确与否信息更新了判定算法的情况。
此外，故障模式A为错误判定的情况下的“判定算法(7a、7b)的修改”是指从判定为故障模式A的判定算法(7a、7b)中去除本次的装置状态信号的特征。例如，也可以在检测异常的发生时修改与故障模式A相关联的特征量的阈值，使得不会判定为有异常。对于故障模式B、C也同样。此外，在图10所示的更新流程中，步骤S51～S53的执行顺序没有特别限定。
图13示出图2A和图2B的“模式3”下的反馈流程。在按下了(1-3)按钮的情况下(在S33中为“否”)，由于并非故障模式A，因此修改分类规则7b，以不重复进行故障模式A的错误判定(S81)。另外，通过维护作业确认了无异常、生产机器人正常。因此，修改检测算法7a，以不重复进行存在异常这样的错误判定(S82)。此外，虽然省略了图示，但更新部6也能够强化用于判定在作业机器人中不存在故障模式B的消极判定算法以及用于判定在作业机器人中不存在故障模式C的消极判定算法。
这样，在操作了(1)按钮(并非所报告的故障模式)的情况下，能够向更新部6传达判定是错误判定或者也不是其它故障的情况。通过(1)按钮进行的针对错误判定的更正委托可以说是用于否定当前的分类规则7b的选项。此外，在图13所示的更新的流程中，步骤S81～S82的执行顺序没有特别限定。
图11示出图2A和图2B的“模式4”下的反馈流程。在按下了(2-1)按钮的情况下(在S22中为“是”)，由于并非故障模式A，因此修改检测算法7a(S63)并修改分类规则7b(S61)，以不重复进行故障模式A的错误判定。另外，由于是故障模式B，因此强化用于判定存在故障模式B的积极判定算法(分类规则7b)(S62)，修改用于判定在作业机器人中存在故障模式A的积极判定算法(分类规则7b)(S61)。在按下了(2-1)按钮的情况下，在输出部4中显示图7所示的画面G14。
在按下了(2-2)按钮的情况下(在S25中为“是”)，由于并非故障模式A，因此修改检测算法7a(S63)并修改分类规则7b(S61)，以不重复进行故障模式A的错误判定。另外，由于是故障模式C，因此强化用于判定存在故障模式C的积极判定算法(分类规则7b)(S62)，修改用于判定在作业机器人中存在故障模式A的积极判定算法(分类规则7b)(S61)。在按下了(2-2)按钮的情况下，在输出部4中显示图8所示的画面G15。此外，在图11所示的更新的流程中，步骤S61～S63的执行顺序没有特别限定。
图14示出图2A和图2B的“模式5”下的反馈流程。在按下了(2-3)按钮的情况下(在S28中为“是”)，输入表示不是既定的故障模式A、B、C而是新的故障模式的信息。“新的故障模式”是指在用户的维护作业中确认新发生的故障模式。更新部6基于确认发生了新的故障模式这样的正确与否信息，来更新判定算法(7a、7b)。具体地说，更新部6重新设定用于对新的故障模式(在此称为故障模式D)进行分类的分类规则7b。故障模式分类器3b能够基于对既定的故障模式A、B、C追加了新的故障模式D后的新的分类规则7b来判定异常的类型。在按下了(2-3)按钮的情况下，在输出部4中显示图9所示的画面G16。
在按下了(2-3)按钮的情况下(在S28中为“是”)，由于并非故障模式A，因此修改检测算法7a(S93)并修改分类规则7b(S91)，以不重复进行故障模式A的错误判定。并且，更新部6能够强化用于判定在作业机器人中不存在故障模式B的消极判定算法以及用于判定在作业机器人中不存在故障模式C的消极判定算法(S92)。此外，在图14所示的更新的流程中，步骤S91～S93的执行顺序没有特别限定。
按下了(2-1)按钮或(2-2)按钮的情况下的“判定算法的修改”是指从判别为是故障模式A的分类规则变更为判别为是故障模式B或C的分类规则。按下了(2-3)按钮的情况下的“判定算法的修改”是指从判别为是故障模式A的分类规则变更为判别为是新的故障模式D的分类规则。例如，在异常的检测(步骤S03)中，为了不检测由故障模式A引起的异常，再次设定由故障模式A引起的特征量的阈值。并且，为了能够检测由故障模式B或C或者新的故障模式D引起的异常，再次设定由故障模式B、C以及D引起的特征量的阈值。这样，针对上述错误判定的更正委托是将故障模式判定更正为其它故障模式的选项。
图12示出图2A和图2B的“模式6”下的反馈流程。在按下了“完成”按钮的情况下(在S12中为“是”)或者在按下了(3)按钮的情况下(在S32中为“是”)，实施“模式6”的反馈。按下“完成”按钮或(3)按钮的情况是指操作部5受理表示异常判定部3的判定结果正确的正确判定信息来作为正确与否信息的情况。更新部6基于正确判定信息来强化检测算法7a(S72)并强化分类规则7b(S71)，以重复进行相同的正确判定。此外，在图12所示的反馈流程中，步骤S71～S72的执行顺序没有特别限定。
对按照图10～图14所示的反馈流程来更新判定算法(7a、7b)的定时进行说明。在通过操作部5输入了维护作业的有无的情况下，更新部6更新判定算法7。关于判定算法(7a、7b)的更新定时，期望尽可能在输入了维护作业的有无之后提前实施更新。但是，在为了完成维护作业而要求蓄积某种程度的输入数据的情况下，不是以秒、分为单位的定时，而成为以小时、天为单位的定时。因此，也可以对用于更新的反馈信息进行累积，来以天、周、月为单位实施更新。
(第一变形例)
在第一变形例中，在从操作部5输入了判定结果正确这样的正确判定信息的情况下，更新部6将该判定结果反馈给检测算法7a和分类规则7b中的至少一方。
例如，在图2A和图2B中，在输入了是故障模式A这样的正确判定信息的情况下(在S12中为“是”、在S32中为“是”)，如图16所示，确认是故障模式A(画面G06)，并通知向判定算法7反馈正确判定信息(画面G07)。换言之，输出部4显示图16的画面(G04～G07)，来代替实施方式中的图4和图5的画面G04、G05。
在图2A所示的步骤S03中为“否”的情况下，如图15所示，在生产机器人无异常而处于正常工作中的意思的画面G01中追加用于催促用户针对该判定结果进行维护作业(确认作业)的“完成”按钮和“F/B”按钮。然后，显示受理无异常这样的正确判定信息的画面G02，并通知向判定算法7进行反馈(画面G03)。换言之，输出部4显示图15的画面(G01～G03)，来代替实施方式中的图3的画面G01。
在输入了正确判定信息的情况下，通过将正确判定信息反馈给检测算法7a和分类规则7b，例如能够对使用了神经网络的深度学习等异常判定部3的判定中的判断基准进行强化。
(第二变形例)
在第二变形例中，与在生产机器人发生异常时进行维护作业的图2A及图2B的处理流程不同，假定了实施定期的维护作业的情况。即，尽管在维护作业之前没有探测到异常，但在作为维护作业检查了生产机器人的状态时，使异常判定装置工作。由此，能够基于在维护作业中发现的故障模式以及在维护作业中确认的正常动作来更新判定算法7。
用户(维护人员)定期地对作业机器人进行维护作业。此时，在发现了发生故障的情况下，使异常判定装置启动，并将正确与否信息反馈给判定算法7。换言之，用户不将由异常判定部3探测到异常的情况(在S03中为“是”)作为触发而将在定期的维护作业中发现异常的情况作为触发，来对更新部6进行更正委托。在该情况下，显示图17所示的画面G01、G09～G13，来代替图3的画面G01。
通过按下“F/B”按钮，显示图17的画面G09。在画面G09中，分为以下的(4)和(5)的情况，将维护作业的结果反馈给检测算法7a和分类规则7b。
(4)按钮生产机器人不正常
(5)按钮生产机器人正常
在进行针对错误判定结果(不正常)的更正委托的情况下，选择(4)按钮。另一方面，在进行针对正确判定结果(正常)的追认委托的情况下，选择(5)按钮。
选择了(4)按钮的情况下的“判定算法(7a、7b)的更新”是指针对无故障判定(正常)这样的判断反馈“有异常”的情况。因此，更新部6对检测算法7a中的、有异常这样的积极判定算法和无异常这样的消极判定算法中的至少一方进行修改，以不重复进行无异常这样的错误判定。在选择了(4)按钮的情况下，能够如图17所示那样将以下情况作为选项进行选择：
(4-1)按钮“是故障模式A”。
(4-2)按钮“是故障模式B”
(4-3)按钮“是故障模式C”。
(4-4)按钮“是其它故障模式”。
通过选择(4-1)按钮，更新部6能够对判别为是故障模式A的分类规则(画面G10)进行修改。通过选择(4-2)按钮，更新部6能够对判别为是故障模式B的分类规则(画面G11)进行修改。通过选择(4-3)按钮，更新部6能够对判别为是故障模式C的分类规则(画面G12)进行修改。分类规则的详细的修改方法与实施方式的情况相同，省略说明。通过选择(4-4)按钮，更新部6能够对分类规则7b追加判别为是新的故障模式D的分类规则(画面G13)。
选择了(5)按钮的情况下的“判定算法(7a、7b)的更新”是指针对所谓无故障判定(正常)这样的判断反馈“无异常”的情况。因此，更新部6对检测算法7a中的、所谓有异常这样的积极判定算法和所谓无异常这样的消极判定算法中的至少一方进行加强，以重复进行所谓无异常这样的错误判定。
此外，实施方式、第一变形例以及第二变形例能够任意地组合并实施。例如，如图18(正常判定时)所示，也能够将图15所示的画面G01～G03的显示流程和图17所示的画面G01、G09～G13的显示流程进行组合并实施。
如图19(异常判定时)所示，也能够将图16所示的画面G04～G07、G07’的显示流程和按照图2A和图2B的处理流程的画面G04、G05、G14～G18(图4～图9)的显示流程进行组合并实施。
如上所述，根据实施方式及其变形例，能够得到以下的作用效果。
异常判定装置具有：异常判定部3，其基于装置状态信号和判定算法7来判定作业机器人的规定的异常；输出部4，其输出由异常判定部3得到的与规定的异常有关的判定结果；操作部5，其受理由用户进行的与判定结果是否正确有关的正确与否信息的输入；以及更新部6，其基于由操作部5受理的正确与否信息，来更新存储在存储部2中的判定算法7。能够基于用户输入的正确与否信息来更新存储在存储部2中的判定算法7。因此，能够以不给用户造成过度的数据输入负担的方式更新判定算法7。
如图5所示，正确与否信息为表示以下情况的信息中的任一信息：
(1)表示不存在所报告的故障模式(一种异常)的信息、
(2)表示存在所报告的故障模式(一种异常)以外的其它故障模式的信息、
(3)表示存在所报告的故障模式(一种异常)的信息。
由此，能够基于用户针对判定结果进行的维护作业，来无遗漏地全面地接收正确与否信息。因此，不仅能够针对错误的判定结果修改判定算法7，还能够针对正确的判定结果强化判定算法7。即，能够广泛地更新判定算法7。
如图1B所示，判定算法7包括用于判定作业机器人有无规定的异常的检测算法7a(第一判定算法)和用于判定作业机器人中发生的异常的类型的分类规则7b(第二判定算法)。基于正确与否信息，不仅能够更新用于对异常的类型进行分类的判定模型(第二判定算法)，还能够更新用于对正常/异常进行分类的判定模型(第一判定算法)。能够提高正常/异常的检测精度和异常的识别精度双方。
输出部4具有显示画面，如图4所示，在显示画面上同时显示表示判定结果的图像和用于受理正确与否信息的输入的图像。利用同一画面输出判定结果和基于维护作业的正确与否信息的输入。因此，能够提高用于更新判定算法7的数据制作工序的效率。另外，用户能够不会在视觉上产生错误地输入与正确与否有关的信息。
在用于受理正确与否信息的输入的图像中包含根据判定结果制作出的能够选择的多个选择项目。更新部6基于通过操作部5选择出的选择项目中包含的正确与否信息来更新判定算法7。由于基于维护作业的正确与否信息的输入是选择项目，因此能够省去输入时的详细描述和数据编辑等各种麻烦。
更新部6基于通过操作部5选择出的选择项目中包含的正确与否信息，来更新检测算法7a(第一判定算法)和分类规则7b(第二判定算法)这双方。基于与判定结果是否正确有关的正确与否信息，不仅能够更新用于对异常的类型进行分类的判定模型(第二判定算法)，还能够更新用于对正常/异常进行分类的判定模型(第一判定算法)。能够提高正常/异常的检测精度和异常的识别精度双方。
如图4所示，输出部4在画面G04中同时显示是故障模式A这样的判定结果以及用于受理针对判定结果中包含的规定异常的维护作业的有无的输入的显示。利用同一画面输出判定结果和用于输入维护作业的有无的信息。因此，能够防止维护作业的错误，能够正确地进行与正确与否有关的信息的输入。
如图2A和图2B所示，更新部6将输入了针对规定异常的维护作业的有无的情况作为触发，更新判定算法7。因此，能够在适当的定时更新判定算法7。
(1-1)按钮、(1-2)按钮以及(2-3)按钮表示异常的有无或者异常的类型不清楚的情况。因此，操作部5能够受理表示异常的有无不清楚的信息和表示异常的类型不清楚的信息中的至少一方的输入，来作为正确与否信息。
在输入了表示异常的有无不清楚的信息和表示异常的类型不清楚的信息中的至少一方的情况下，将与判定结果对应的装置状态信号存储到存储部(第二存储部)中。对在基于判定结果的维护作业时不清楚的、从作业机器人输出的装置状态信号进行存储。因此，能够将在维护作业后确认的异常反映到判定算法7中。
所述判定算法包括用于判定在作业机器人中存在规定的异常的积极判定算法和用于判定在作业机器人中不存在规定的异常的消极判定算法中的至少一方。由于具有积极判定算法和消极判定算法中的至少一方，因此能够提高异常时的异常检测和正常时的异常非检测双方。
能够通过一个或多个处理电路来实现上述各实施方式中示出的各功能。处理电路包括包含电路的处理装置等被进行了编程的处理装置。处理装置还包括被布局成执行实施方式中记载的功能的面向特定用途的集成电路(ASIC)或现有型的电路部件。
此外，上述实施方式是本发明的一例。因此，本发明不限定于上述实施方式，即使是该实施方式以外的方式，只要不脱离本发明的技术思想的范围，当然也可以根据设计等进行各种变更。
作为作业装置的一例，示出了用于组装汽车的多轴机械即作业机器人200，但作业装置不限于此。作业装置包括用于组装汽车以外的机械的多轴机械、单轴机械、没有驱动轴的作业装置等用于进行预先确定的作业的机械。
附图标记说明
1：输入部；2：第一存储部；3：异常判定部；4：输出部；5：操作部；6：更新部；7：判定算法；7a：检测算法(第一判定算法)；7b：分类规则(第二判定算法)；200：作业机器人(作业装置)。

Claims (12)

1.一种异常判定装置，具有：
输入部，其被输入从进行规定的作业的作业装置输出的信号；
第一存储部，其存储用于判定所述作业装置的规定的异常的判定算法；
异常判定部，其基于所述信号和所述判定算法，来判定所述作业装置的规定的异常；
输出部，其向用户输出由所述异常判定部得到的与所述规定的异常有关的判定结果；
操作部，其受理由所述用户进行的、与所述判定结果是否正确有关的正确与否信息的输入；以及
更新部，其基于由所述操作部受理的所述正确与否信息，来更新存储在所述第一存储部中的所述判定算法。
2.根据权利要求1所述的异常判定装置，其特征在于，
与所述规定的异常有关的所述判定结果是表示在所述作业装置中存在所述规定的异常所包含的一种异常的信息，
所述正确与否信息是以下信息中的任一信息：
(1)表示不存在所述一种异常的信息；
(2)表示存在所述一种异常以外的其它异常的信息；以及
(3)表示存在所述一种异常的信息。
3.根据权利要求1或2所述的异常判定装置，其特征在于，
所述判定算法包括：
第一判定算法，用于判定所述作业装置有无所述规定的异常；以及
第二判定算法，用于判定在所述作业装置中发生的异常的类型。
4.根据权利要求1～3中的任一项所述的异常判定装置，其特征在于，
所述输出部和所述操作部形成为一体，所述输出部具有显示画面，在所述显示画面上同时显示表示所述判定结果的图像和用于受理所述正确与否信息的输入的图像。
5.根据权利要求4所述的异常判定装置，其特征在于，
在用于受理所述正确与否信息的输入的图像中包含根据所述判定结果制作出的能够选择的多个选择项目，
所述更新部基于通过所述操作部选择出的所述选择项目中包含的所述正确与否信息，来更新所述判定算法。
6.根据权利要求5所述的异常判定装置，其特征在于，
所述判定算法包括用于判定所述作业装置有无异常的第一判定算法和用于判定在所述作业装置中发生的异常的类型的第二判定算法，
所述更新部基于通过所述操作部选择出的所述选择项目中包含的所述正确与否信息，来更新所述第一判定算法和所述第二判定算法这双方。
7.根据权利要求1～6中的任一项所述的异常判定装置，其特征在于，
所述输出部具有显示画面，在所述显示画面上同时显示表示所述判定结果的图像以及用于受理有无针对所述判定结果中包含的所述规定的异常的维护作业的输入的图像。
8.根据权利要求7所述的异常判定装置，其特征在于，
在通过所述操作部进行了有无针对所述规定的异常的维护作业的输入的情况下，所述更新部更新所述判定算法。
9.根据权利要求1～8中的任一项所述的异常判定装置，其特征在于，
所述正确与否信息包含表示异常的有无不清楚的信息和表示异常的类型不清楚的信息中的至少一方。
10.根据权利要求9所述的异常判定装置，其特征在于，
还具有第二存储部，在通过所述操作部被输入了作为所述正确与否信息的、表示异常的有无不清楚的信息和表示异常的类型不清楚的信息中的至少一方的情况下，将与所述判定结果对应的从所述作业装置输出的所述信号存储到所述第二存储部中。
11.根据权利要求1～10中的任一项所述的异常判定装置，其特征在于，
所述判定算法包括积极判定算法和消极判定算法中的至少一方，其中，所述积极判定算法用于判定在所述作业装置中存在所述规定的异常，所述消极判定算法用于判定在所述作业装置中不存在所述规定的异常。
12.一种异常判定方法，包括以下步骤：
被输入从进行规定的作业的作业装置输出的信号；
基于所述信号和用于判定所述作业装置的规定的异常的判定算法，来判定所述作业装置的规定的异常；
向用户输出与所述规定的异常有关的判定结果；
受理由所述用户进行的、与所述判定结果是否正确有关的正确与否信息的输入；以及
基于所受理的所述正确与否信息，来更新所述判定算法。
CN201880096218.8A 2018-07-31 2018-07-31 异常判定装置和异常判定方法 Active CN112512762B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/028673 WO2020026344A1 (ja) 2018-07-31 2018-07-31 異常判定装置及び異常判定方法

Publications (2)

Publication Number Publication Date
CN112512762A true CN112512762A (zh) 2021-03-16
CN112512762B CN112512762B (zh) 2023-10-20

Family

ID=69232385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880096218.8A Active CN112512762B (zh) 2018-07-31 2018-07-31 异常判定装置和异常判定方法

Country Status (6)

Country Link
US (1) US11433539B2 (zh)
EP (1) EP3831553A4 (zh)
JP (1) JP7052873B2 (zh)
CN (1) CN112512762B (zh)
MX (1) MX2021001101A (zh)
WO (1) WO2020026344A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI769762B (zh) * 2021-03-26 2022-07-01 東元電機股份有限公司 應用於伺服馬達驅動系統的波形分析系統及其方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11820007B2 (en) * 2018-05-11 2023-11-21 Nissan Motor Co., Ltd. Abnormality detection device and abnormality detection method
JP7467982B2 (ja) * 2020-02-27 2024-04-16 日産自動車株式会社 異常判定装置及び異常判定方法
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
CN112686567B (zh) * 2021-01-11 2023-04-07 南方电网数字电网研究院有限公司 异常运维操作处理方法、装置、计算机设备和存储介质
WO2023016616A1 (en) * 2021-08-13 2023-02-16 Universal Robots A/S A robot system for anomaly detection

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6249518A (ja) * 1985-08-29 1987-03-04 Omron Tateisi Electronics Co プログラマブル・コントロ−ラの故障診断ユニツト
KR100713206B1 (ko) * 2006-07-21 2007-05-02 연세대학교 산학협력단 다중고착 고장 진단을 위한 매칭 방법
JP2012009064A (ja) * 2011-09-05 2012-01-12 Toshiba Corp 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
AU2010344438A1 (en) * 2010-01-28 2012-08-16 Hitachi Construction Machinery Co., Ltd. Operation machine monitoring diagnosis device
CN102713777A (zh) * 2010-01-22 2012-10-03 株式会社日立制作所 诊断装置及诊断方法
CN102951107A (zh) * 2011-08-25 2013-03-06 日产自动车株式会社 车辆系统的异常判断装置
JP2013233604A (ja) * 2012-05-08 2013-11-21 Canon Inc 生産装置の監視制御方法、監視制御装置及び生産システム
US20140201571A1 (en) * 2005-07-11 2014-07-17 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
JP2015024092A (ja) * 2013-07-29 2015-02-05 株式会社大都技研 遊技台
JP2015112631A (ja) * 2013-12-13 2015-06-22 株式会社ダイヘン モニタ装置
JP2017033526A (ja) * 2015-07-31 2017-02-09 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
CN107614214A (zh) * 2015-05-21 2018-01-19 日产自动车株式会社 故障诊断装置及故障诊断方法
US20180107174A1 (en) * 2016-10-19 2018-04-19 Fanuc Corporation Human collaborative robot system having improved external force detection accuracy by machine learning
US20180147735A1 (en) * 2015-05-29 2018-05-31 Nissan Motor Co., Ltd. Failure diagnosis device and failure diagnosis method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2837003B2 (ja) 1991-10-22 1998-12-14 三菱重工業株式会社 レーザ作業監視装置
JP2837002B2 (ja) 1991-10-22 1998-12-14 三菱重工業株式会社 溶接状況監視装置
JP5199478B2 (ja) 2009-10-02 2013-05-15 株式会社日立製作所 プラント診断装置
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

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6249518A (ja) * 1985-08-29 1987-03-04 Omron Tateisi Electronics Co プログラマブル・コントロ−ラの故障診断ユニツト
US20140201571A1 (en) * 2005-07-11 2014-07-17 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
KR100713206B1 (ko) * 2006-07-21 2007-05-02 연세대학교 산학협력단 다중고착 고장 진단을 위한 매칭 방법
CN102713777A (zh) * 2010-01-22 2012-10-03 株式会社日立制作所 诊断装置及诊断方法
AU2010344438A1 (en) * 2010-01-28 2012-08-16 Hitachi Construction Machinery Co., Ltd. Operation machine monitoring diagnosis device
CN102951107A (zh) * 2011-08-25 2013-03-06 日产自动车株式会社 车辆系统的异常判断装置
JP2012009064A (ja) * 2011-09-05 2012-01-12 Toshiba Corp 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
JP2013233604A (ja) * 2012-05-08 2013-11-21 Canon Inc 生産装置の監視制御方法、監視制御装置及び生産システム
JP2015024092A (ja) * 2013-07-29 2015-02-05 株式会社大都技研 遊技台
JP2015112631A (ja) * 2013-12-13 2015-06-22 株式会社ダイヘン モニタ装置
CN107614214A (zh) * 2015-05-21 2018-01-19 日产自动车株式会社 故障诊断装置及故障诊断方法
US20180147735A1 (en) * 2015-05-29 2018-05-31 Nissan Motor Co., Ltd. Failure diagnosis device and failure diagnosis method
JP2017033526A (ja) * 2015-07-31 2017-02-09 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
US20180107174A1 (en) * 2016-10-19 2018-04-19 Fanuc Corporation Human collaborative robot system having improved external force detection accuracy by machine learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI769762B (zh) * 2021-03-26 2022-07-01 東元電機股份有限公司 應用於伺服馬達驅動系統的波形分析系統及其方法

Also Published As

Publication number Publication date
CN112512762B (zh) 2023-10-20
JP7052873B2 (ja) 2022-04-12
EP3831553A4 (en) 2021-08-04
US11433539B2 (en) 2022-09-06
JPWO2020026344A1 (ja) 2021-08-02
MX2021001101A (es) 2021-03-31
US20210331320A1 (en) 2021-10-28
WO2020026344A1 (ja) 2020-02-06
EP3831553A1 (en) 2021-06-09

Similar Documents

Publication Publication Date Title
CN112512762B (zh) 异常判定装置和异常判定方法
JP6711854B2 (ja) 故障予測装置及び機械学習装置
JP6392819B2 (ja) 製造時間情報により異常検出条件を変更する製造管理システム
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
JP4004222B2 (ja) 作業用ロボットシステムの保全支援方法及び保全支援装置
JP2021000672A (ja) 調整支援装置
JP7407784B2 (ja) 生産システムの情報収集装置、情報収集方法及びプログラム
JP6328675B2 (ja) エリア毎または工程毎の製造機械の異常発生状況を表示するセル制御装置
CN112005256B (zh) 维护记录制作装置和维护记录制作方法
JP2005216213A (ja) 故障診断システム及び故障診断方法
WO2021241352A1 (ja) 工具診断装置
CN113366172B (zh) 用于呈现描述拆除机器人的运行操作状况的信息的方法、设备和用户界面
JP2022128114A (ja) メンテナンス支援システム
CN112867975B (zh) 维护辅助系统、数控装置及维护辅助系统的控制方法
CN113614660B (zh) 数控装置及数控方法
CN112975004A (zh) 优劣判定装置及优劣判定方法
JP7056733B2 (ja) 異常検出装置及び異常検出方法
JP6927421B2 (ja) 異常判定装置、異常判定システム及び異常判定方法
WO2023218651A1 (ja) 映像関連情報決定装置、及びコンピュータが読み取り可能な記憶媒体
JP2018099736A (ja) 故障診断装置及び故障診断方法
TW202302299A (zh) 管理機器人之動作程式的管理裝置、網路系統及方法
CN114505850A (zh) 诊断系统和诊断方法
CN114930262A (zh) 作业中停止状态管理装置
JPH07191734A (ja) 生産管理装置
KR20170065874A (ko) 이동형 로봇의 구동부 손상감지 방법

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