CN113252371A - 状态估计装置、系统和制造方法 - Google Patents

状态估计装置、系统和制造方法 Download PDF

Info

Publication number
CN113252371A
CN113252371A CN202110176612.6A CN202110176612A CN113252371A CN 113252371 A CN113252371 A CN 113252371A CN 202110176612 A CN202110176612 A CN 202110176612A CN 113252371 A CN113252371 A CN 113252371A
Authority
CN
China
Prior art keywords
sensor
state
sensor value
work
value
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
CN202110176612.6A
Other languages
English (en)
Other versions
CN113252371B (zh
Inventor
横矢刚
嶋村崇
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.)
Yaskawa Electric Corp
Original Assignee
Yaskawa Electric 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 Yaskawa Electric Corp filed Critical Yaskawa Electric Corp
Publication of CN113252371A publication Critical patent/CN113252371A/zh
Application granted granted Critical
Publication of CN113252371B publication Critical patent/CN113252371B/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
    • G05B23/0218—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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • 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
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34465—Safety, control of correct operation, abnormal states

Landscapes

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

Abstract

本发明涉及状态估计装置、系统和制造方法。以往，以传感器值是正确的为前提进行作业机器的控制。本发明提供一种状态估计装置，包括：机器控制部，基于从传感器获取的传感器值来控制作业机器，传感器输出与作业机器的作业相关的传感器值；以及状态估计部，基于传感器值来估计传感器的状态。另外，提供一种包括状态估计装置、作业机器以及传感器的系统。另外，提供一种制造方法，利用作业机器制造被制造物，所述方法包括：机器控制步骤，基于从传感器获取的传感器值来控制作业机器，传感器输出与作业机器对被制造物进行的作业相关的传感器值；以及状态估计步骤，基于传感器值来估计传感器的状态。

Description

状态估计装置、系统和制造方法
技术领域
本发明涉及状态估计装置、系统和制造方法。
背景技术
已知有基于来自传感器的输出数据来判定作业机器是否发生故障的技术，该传感器对作业机器或周围环境的状态进行检测(例如，参照专利文献1)。
在先技术文献
专利文件
专利文献1：日本特开2017-033526号公报。
发明内容
发明所要解决的问题
根据本发明的第一方式，提供了一种状态估计装置。状态估计装置可以包括：机器控制部，基于从传感器获取的传感器值来控制作业机器，传感器输出与作业机器的作业相关的传感器值。状态估计装置可以包括：状态估计部，基于传感器值来估计传感器的状态。
上述状态估计部可以基于在上述机器控制部使上述作业机器作为用于估计上述传感器的状态的动作而正在进行预先确定的动作的期间上述传感器输出的上述传感器值来估计上述传感器的状态。上述机器控制部可以基于上述传感器值来估计上述作业机器的状态。上述状态估计装置可以具备机器状态通知部，该机器状态通知部执行将上述作业机器的状态和上述传感器的状态一并通知的通知处理。上述状态估计部可以基于上述传感器值来估计上述传感器的可靠度。上述机器状态通知部可以执行将上述作业机器的状态和上述传感器的可靠度一并通知的通知处理。上述机器状态通知部可以基于上述传感器的可靠度执行以下通知处理：将包含由上述作业机器进行的多个作业的一系列作业的成功率、上述作业机器的状态以及上述传感器的可靠度一并通知。
上述状态估计部可以基于以下的作业来估计上述传感器是否是异常状态，上述作业是基于上述传感器值的由上述作业机器进行的多个作业中的上述传感器值满足表示异常的条件的作业。上述状态估计部可以基于以下作业的比例来估计上述传感器是否是异常状态，上述作业是基于上述传感器值的由上述作业机器进行的上述多个作业中的上述传感器值满足表示异常的条件的作业。上述状态估计部可以基于以下作业的组合来估计上述传感器是否是异常状态，上述作业是基于上述传感器值的由上述作业机器进行的上述多个作业中的上述传感器值满足表示异常的条件的作业。上述状态估计部可以在基于上述传感器值的由上述作业机器进行的多个作业中的预先确定的期间内，在多个作业中上述传感器值满足表示异常的条件的情况下，估计为上述传感器是异常状态。
上述状态估计装置可以包括：传感器状态通知部，在由上述状态估计部估计为上述传感器是异常状态的情况下执行以下通知处理：通知估计结果和表示上述传感器值满足表示异常的条件的作业的信息。上述状态估计装置可以包括：正解率存储部，将依据信息和估计结果的正解率关联起来进行存储，上述依据信息表示上述状态估计部估计为上述传感器是异常状态的依据。上述状态估计部可以基于以下的作业和上述依据信息及上述正解率来估计上述传感器是否是异常状态，上述作业是基于上述传感器值的由上述作业机器进行的多个作业中的上述传感器值满足表示异常的条件的作业。上述状态估计部可以基于一系列作业的成功率和上述多个作业中的上述传感器值满足表示异常的条件的作业来估计上述传感器是否是异常状态，上述一系列作业包含基于上述传感器值的由上述作业机器进行的上述多个作业。
上述状态估计部可以针对多个作业的每一个，在作业传感器值与存储传感器值之差大于预先确定的阈值的情况下，判定为上述作业传感器值满足表示异常的条件，上述作业传感器值是基于上述作业机器正在进行作业时的上述传感器的输出的传感器值，上述存储传感器值是与上述多个作业的每一个关联地预先存储的传感器值。上述状态估计装置可以包括：历史存储部，存储从上述传感器获取的上述作业传感器值的历史和从上述作业传感器值导出的作业导出值的历史中的至少一者。在基于上述作业传感器值的由上述作业机器进行的多个作业之中，在多个作业中上述存储传感器值与上述作业传感器值之差或者上述作业导出值与从上述存储传感器值导出的存储导出值之差按时间序列增加的情况下，上述状态估计部基于增加率来估计上述传感器的故障时期。上述状态估计部可以基于上述作业传感器值满足表示异常的条件的多个作业中的、上述作业传感器值与上述存储传感器值之差的对比来估计上述传感器的异常类型。上述状态估计装置可以包括：异常通知部，在由上述状态估计部估计为上述传感器是异常状态的情况下，执行与上述作业传感器值和上述存储传感器值之差对应的通知处理。
根据本发明的第二方式，提供一种包括上述状态估计装置的系统。系统可以包括上述作业机器。系统可以包括上述传感器。
根据本发明的第三方式，提供一种制造方法，利用作业机器制造被制造物。制造方法可以包括：机器控制步骤，基于从传感器获取的传感器值来控制作业机器，传感器输出与作业机器对被制造物进行的作业相关的传感器值。制造方法可以包括：状态估计步骤，基于传感器值来估计传感器的状态。
另外，上述发明的概要并没有列举出本发明的所有必要的特征。另外，这些特征组的子组合也能够成为发明。
附图说明
图1示意性地示出系统10的一个例子；
图2示意性地示出系统10的一个例子；
图3示意性地示出由机器控制装置100执行的处理的流程的一个例子；
图4示意性地示出估计表130的一个例子；
图5示意性地示出由机器控制装置100执行的处理的流程的一个例子；
图6示意性地示出由机器控制装置100执行的处理的流程的一个例子；
图7示意性地示出由系统10制造被制造物的方法的流程的一个例子；
图8示意性地示出增加趋势数据400的一个例子；
图9示意性地示出系统10的一个例子；
图10示意性地示出系统10的一个例子；
图11示意性地示出用作机器控制装置100或管理服务器500的计算机1200的硬件结构的一个例子。
具体实施方式
以下，通过发明的实施方式对本发明进行说明，但是以下的实施方式并不限定权利要求书所涉及的发明。另外，在实施方式中说明的特征的组合并非全部是发明的解决手段所必须的。
图1示意性地示出系统10的一个例子。系统10包括作业机器20、传感器30和机器控制装置100。
作业机器20是进行任意作业的机器。作业机器20可以是机器人。作业机器20例如对工件进行加工及组装等任意的作业。工件可以是单件的部件、多个部件组合成的半成品、或者组合了多个部件的产品。作业机器20也可以是制造被制造物的制造装置。作为被制造物，能够使用可被作业机器20加工的所有物品。
传感器30输出与作业机器20的作业相关联的传感器值。传感器30例如检测出正进行作业的作业机器20的状态，并输出表示所检测出的状态的传感器值。另外，传感器30例如检测出正进行作业的作业机器20的周边环境的状态，并输出表示检测出的状态的传感器值。
传感器30可以是组装在作业机器20中的传感器。传感器30也可以是配置在作业机器20的外部的传感器。传感器30例如包括力觉传感器、加速度传感器、应变传感器、压力传感器、陀螺传感器、距离传感器、摄像传感器、温度传感器、湿度传感器、拾音传感器、光量传感器、粘度传感器、流量传感器、光量传感器和气味传感器中的至少一个。
机器控制装置100控制作业机器20。机器控制装置100可以基于从传感器30获得的传感器值来控制作业机器20。基于传感器值控制作业机器20可以包括：基于从传感器值导出的导出值来控制作业机器20。导出值例如可以是对传感器值实施了滤波等处理后的值。机器控制装置100与作业机器20的连接方式可以是有线连接，也可以是无线连接。机器控制装置100与传感器30之间的连接方式可以是有线连接，也可以是无线连接。当传感器30被组装到作业机器20中时，机器控制装置100可以从机器控制装置100接收由传感器30输出的传感器值。
在以往的系统中，在传感器值表示异常的情况下判定为作业机器发生了异常，并通知给管理者等。这里，作为传感器值表示异常的原因，除了在作业机器中发生了异常以外，也有在传感器自身中发生异常的情况，但是以往不考虑这一点，以传感器值自身是正确的为前提进行作业机器的控制。即，在以往的系统中，有时难以准确地掌握实际的状态。
本实施方式所涉及的机器控制装置100基于从传感器30获取的传感器值来控制作业机器20，并且基于传感器值来估计传感器30的状态。由此，能够在控制作业机器20的同时，掌握输出作为控制作业机器20的基础的传感器值的传感器30的状态。基于传感器值来估计传感器30的状态可包括：基于从传感器值导出的导出值来估计传感器30的状态。或者，传感器值不限于来自传感器的输出值自身，也可以适当地将经过滤波等的一次处理的导出值用作传感器值。
机器控制装置100例如基于传感器值来估计传感器30是否处于异常状态。作为具体示例，机器控制装置100基于如下的作业来估计传感器30是否为异常状态，所述作业是基于传感器值的由作业机器20进行的多个作业中的、传感器值满足了表示异常的条件的作业(有时记载为“异常作业”)。机器控制装置100例如在多个作业中的异常作业的比例低于预先确定的比例的情况下，估计为传感器30不是异常状态，而是作业中的外部干扰等是其原因。机器控制装置100在多个作业中的异常作业的比例高于预先确定的比例的情况下，估计为传感器30是异常状态。
例如，在多个作业中的仅一个作业中、传感器30的传感器值满足了表示异常的条件的情况下，可以说该作业中的外部干扰等的影响的可能性高。另一方面，在多个作业中的很多作业中，传感器30的传感器值满足了表示异常的条件的情况下，可以说传感器30自身发生异常的可能性高。根据机器控制装置100，能够提供基于这样的见解的估计结果。
机器控制装置100可以是状态估计装置的一个例子。另外，进行作业机器20的控制的机器控制装置和状态估计装置也可以分体构成。在这种情况下，状态估计装置可以从机器控制装置获取传感器值。另外，状态估计装置可以通过将基于获取的传感器值的指示发送到机器控制装置来控制作业机器20。
图2示意性地示出系统10的一个例子。图2所示的系统10包括机器控制装置100、机器人200和状态检测传感器320。
机器人200可以是作业机器20的一个例子。图2例示的机器人200执行将作为嵌合部件的工件40嵌合到作为被嵌合部件的工件50的嵌合作业。机器人200具有基台210、臂220、手230以及力觉传感器310。
臂220设置在基台210上，并具有多个构造部件。在构造部件的内部配置有致动器，多个构造部件中的每一个以连结部为关节，由致动器旋转驱动。
手230配置在臂220的前端，由臂220的前端的构造部件内部的致动器旋转驱动。手230具有把持爪232，通过把持爪232把持工件40。
力觉传感器310配置在臂220和手230之间。力觉传感器310可以是所谓的六轴力觉传感器，其能够检测作用到检测部分上的平移三轴方向上的力分量和绕三个旋转轴的力矩分量这总共六个分量。力觉传感器310可以是传感器30的一个例子。
状态检测传感器320配置在机器人200的外部。状态检测传感器320检测机器人200的状态或机器人200的周围环境的状态。状态检测传感器320可以是传感器30的一个例子。
机器控制装置100控制机器人200。机器控制装置100包括机器通信部102、机器控制部104、传感器值获取部106、传感器值存储部108、状态估计部110、通知部112、输出部114、测试数据存储部116、测试数据注册部118、异常确认部120以及准确率存储部122。另外，机器控制装置100不一定必须具备这些全部。
机器通信部102与机器人200进行通信。机器通信部102可以通过有线通信与机器人200进行通信，也可以通过无线通信与机器人200进行通信。
机器控制部104控制机器人200。机器控制部104可以通过经由机器通信部102发送各种指示来控制机器人200。机器控制部104经由机器通信部102获取由力觉传感器310输出的传感器值，并基于传感器值控制机器人200。机器控制部104例如可以基于由力觉传感器310输出的传感器值来估计机器人200的状态。机器控制部104可以基于估计结果来控制机器人200。
传感器值获取部106获取传感器值。传感器值获取部106可以经由机器通信部102获取组装在机器人200中的传感器输出的传感器值。传感器值获取部106经由机器通信部102获取力觉传感器310输出的传感器值。
另外，传感器值获取部106获取由状态检测传感器320输出的传感器值。传感器值获取部106可以通过有线通信与状态检测传感器320进行通信，也可以通过无线通信与状态检测传感器320进行通信。
传感器值存储部108存储传感器值获取部106获取的传感器值。传感器值存储部108可以存储根据传感器值获取部106获取的传感器值导出的导出值。传感器值存储部108可以存储传感器值的历史。传感器值存储部108可以存储导出值的历史。传感器值存储部108可以是历史存储部的一个例子。
机器控制部104可以基于由状态检测传感器320输出并存储在传感器值存储部108中的传感器值来控制机器人200。机器控制部104可以根据由传感器值表示的、机器人200的状态和机器人200的周边环境的状态中的至少任意一个状态，控制机器人200。机器控制部104可以基于由状态检测传感器320输出的传感器值来估计机器人200的状态。机器控制部104可以基于估计结果来控制机器人200。
机器控制部104例如基于由力觉传感器310输出的传感器值和由状态检测传感器320输出的传感器值中的至少一个来估计机器人200的状态。机器控制部104可以使用公知的技术，基于传感器值来估计机器人200的状态。机器控制部104例如估计机器人200是正常状态还是异常状态。另外，机器控制部104也可以估计机器人200的故障预测时期。
状态估计部110估计力觉传感器310的状态。状态估计部110可以基于存储在传感器值存储部108中的、由力觉传感器310输出的传感器值来估计力觉传感器310的状态。状态估计部110例如估计力觉传感器310是否为异常状态。状态估计部110例如估计力觉传感器310的可靠度。
状态估计部110例如通过比较在机器人200正在进行作业时力觉传感器310输出的传感器值(有时记载为作业传感器值)和预先存储的传感器值(有时记载为存储传感器值)来估计力觉传感器310的状态。作业传感器值可以是基于机器人200正在进行作业时的力觉传感器310的输出的传感器值。作业传感器值可以是在机器人200正在进行作业时力觉传感器310输出的传感器输出值自身，另外，也可以是对机器人200正在进行作业时力觉传感器310输出的传感器输出施加某种加工而导出的导出值。存储传感器值例如是在确认力觉传感器310处于正常状态的状况下机器人200正在进行作业时力觉传感器310输出的传感器值。状态估计部110例如在机器人200被配置在作业场所之后，在确认力觉传感器310处于正常状态的状况下，将在机器人200正在进行作业时力觉传感器310输出的传感器值作为存储传感器值进行存储。
状态估计部110例如通过对由时间序列的作业传感器值构成的作业波形数据和由时间序列的存储传感器值构成的存储波形数据进行比较来估计力觉传感器310的状态。状态估计部110例如在1次作业中，在作业波形数据与存储波形数据之差超过预先确定的阈值的次数大于预先确定的次数的情况下，估计为处于异常状态，在小于的情况下，估计为处于正常状态。另外，状态估计部110例如以作业波形数据与存储波形数据的差越大则可靠度越低的方式估计力觉传感器310的可靠度。
状态估计部110可以使用机器学习来估计力觉传感器310的状态。状态估计部110例如在确认到力觉传感器310处于正常状态的状况下，生成在机器人200正在进行作业时力觉传感器310输出的传感器值组的正态分布作为基准数据。然后，状态估计部110在作业传感器值从基准数据的正态分布偏离阈值以上的情况下，估计为力觉传感器310处于异常状态。另外，状态估计部110以作业传感器值越偏离基准数据的正态分布则可靠度越低的方式估计力觉传感器310的可靠度。或者，状态估计部110在确认到力觉传感器310处于正常状态的状况下，生成基于在机器人200正在进行作业时力觉传感器310输出的传感器值组的概率分布、期待值作为基准数据。然后，状态估计部110在作业传感器值从基准数据偏离阈值以上的情况下，估计为力觉传感器310处于异常状态。另外，状态估计部110以作业传感器值越偏离基准数据则可靠度越低的方式估计力觉传感器310的可靠度。
状态估计部110也可以收集确认到力觉传感器310处于正常状态的状况下的传感器值组和确认到力觉传感器310处于异常状态的状况下的传感器值组，并基于这些传感器值组来生成机器学习模型。状态估计部110还可以利用各种公知的机器学习算法。
状态估计部110也可以根据基于力觉传感器310的传感器值的、由机器人200进行的多个作业中的异常作业，估计力觉传感器310的状态。由机器人200进行的多个作业可以是多种作业。例如，多个作业是嵌合作业中的气割、碰触、试探和插入。
状态估计部110可以针对多个作业的每一个，对作业传感器值和与多个作业的每一个关联地预先存储的存储传感器值进行比较，由此判定作业传感器值是否满足表示异常的条件。状态估计部110可以在作业传感器值与存储传感器值之差大于预先确定的阈值的情况下，判定为作业传感器值满足表示异常的条件。通过对多个作业的每一个准备存储传感器值，能够高精度地估计作业异常。
状态估计部110例如在由时间序列的作业传感器值构成的作业波形数据与由时间序列的存储传感器值构成的存储波形数据之差大于预先确定的阈值的情况下，判定为作业传感器值满足表示异常的条件。如果作业波形数据和存储波形数据之差多次超过预先确定的阈值，并且如果差的平均值大于预先确定的阈值，则状态估计部110可以判定为作业传感器值满足表示异常的条件。
状态估计部110也可以利用机器学习来判定作业传感器值是否满足表示异常的条件。状态估计部110例如在确认到力觉传感器310是正常状态的状况下，对根据在机器人200正在进行作业时力觉传感器310输出的传感器值组生成的基准数据和作业传感器值进行比较。然后，状态估计部110在基准数据与作业传感器值之差大于预先确定的阈值的情况下，判定为作业传感器值满足表示异常的条件。状态估计部110还可以利用各种公知的机器学习算法。
状态估计部110例如根据基于力觉传感器310的传感器值的、由机器人200进行的多个作业中的异常作业的比例，估计力觉传感器310是否是异常状态。状态估计部110例如在多个作业全部为异常作业的情况下，估计为力觉传感器310是异常状态，在除此以外的情况下，估计为力觉传感器310不是异常状态。
另外，状态估计部110例如在多个作业中的异常作业的比例为预先确定的比例以上的情况下，估计为力觉传感器310是异常状态。状态估计部110可以在多个作业中的异常作业的比例小于预先确定的比例的情况下，估计为不是力觉传感器310的异常，而是外部干扰等引起的各作业的异常。
预先确定的比例可以由系统10的管理者等任意设定。另外，也可以由状态估计部110设定预先确定的比例。例如，状态估计部110在确认到力觉传感器310是异常状态的状况下，获取在机器人200多次进行多个作业时力觉传感器310输出的传感器值组。然后，状态估计部110基于传感器值组确定多个作业中的异常作业的比例，基于确定的比例来设定预先确定的比例。例如，在确定的比例是75％的情况下，状态估计部110将预先确定的比例设定为70％。由此，能够设定基于实际状况的比例，能够有助于提高力觉传感器310的异常状态的估计精度。
状态估计部110可以根据基于力觉传感器310的传感器值的、由机器人200进行的多个作业中的异常作业的比例，估计力觉传感器310的可靠度。状态估计部110例如以异常作业的比例越高则可靠度越低的方式估计力觉传感器310的可靠度。
状态估计部110也可以在基于力觉传感器310的传感器值的由机器人200进行的多个作业中，在预先确定的期间内，在多个作业中，传感器值满足表示异常的条件的情况下，估计为力觉传感器310是异常状态。由此，在多个作业中在同时期检测出异常的情况下，能够执行基于力觉传感器310的异常的可能性高的见解的估计，能够有助于提高估计精度。
预先确定的期间可以任意地设定。可以根据由机器人200执行的作业类型来设定预先确定的期间。另外，状态估计部110也可以设定预先确定的期间。例如，状态估计部110在确认到力觉传感器310是异常状态的状况下，获取在机器人200多次进行多个作业时力觉传感器310输出的传感器值组。然后，状态估计部110在多个作业中确定传感器值满足表示异常的条件的期间，并基于所确定的期间设定预先确定的比例。例如，在所确定的期间是4分钟的情况下，状态估计部110将预先确定的期间设定为5分钟。
状态估计部110也可以基于存储在传感器值存储部108中的作业传感器值的历史来估计力觉传感器310的状态。状态估计部110可以基于作业传感器值的历史来估计力觉传感器310的故障时期。
例如，状态估计部110在基于力觉传感器310的传感器值的由机器人200进行的多个作业中，在作业传感器值与存储传感器值之差按时间序列增加的情况下，基于增加率来估计力觉传感器310的故障时期。例如，状态估计部110基于作业传感器值与存储传感器值之差的增加率来估计作业传感器值与存储传感器值之差的将来的增加率。然后，状态估计部110将作业传感器值与存储传感器值之差大于预先确定的阈值的时期估计为故障时期。
状态估计部110也可以基于存储在传感器值存储部108中的作业导出值的历史来估计力觉传感器310的状态。状态估计部110可以基于作业导出值的历史和从存储传感器值导出的存储导出值，估计力觉传感器310的故障时期。存储导出值可以是对存储传感器值实施了滤波等处理后的值。
例如，状态估计部110在基于力觉传感器310的传感器值的由机器人200进行的多个作业中，在作业导出值与存储导出值之差按时间序列增加的情况下，基于增加率来估计力觉传感器310的故障时期。例如，状态估计部110基于作业导出值与存储导出值之差的增加率来估计作业导出值与存储导出值之差的将来的增加率。然后，状态估计部110将作业导出值与存储导出值之差大于预先确定的阈值的时期估计为故障时期。
状态估计部110估计状态检测传感器320的状态。状态估计部110可以基于存储在传感器值存储部108中的由状态检测传感器320输出的传感器值来估计状态检测传感器320的状态。状态估计部110例如估计状态检测传感器320是否是异常状态。状态估计部110可以通过与估计力觉传感器310的状态的方法同样的方法来估计状态检测传感器320的状态。另外，状态估计部110例如估计状态检测传感器320的可靠度。状态估计部110可以通过与估计力觉传感器310的可靠度的方法同样的方法来估计状态检测传感器320的可靠度。
通知部112执行通知由机器控制部104估计出的机器人200的状态的通知处理。另外，通知部112执行通知由状态估计部110估计出的力觉传感器310的状态的通知处理。另外，通知部112执行通知由状态估计部110估计出的状态检测传感器320的状态的通知处理。
输出部114可以具有显示输出功能。输出部114可以包括显示器。输出部114可以具有语音输出功能。可以包括扬声器。
通知部112可以执行使输出部114输出机器人200的状态的通知处理。通知部112例如执行使输出部114显示输出机器人200的状态的通知处理。通知部112也可以执行使输出部114声音输出机器人200的状态的通知处理。另外，通知部112也可以执行使机器控制装置100的外部的显示器及扬声器等输出机器人200的状态的通知处理。
通知部112可以执行使输出部114输出力觉传感器310的状态的通知处理。通知部112例如执行使输出部114显示输出力觉传感器310的状态的通知处理。通知部112也可以执行使输出部114声音输出力觉传感器310的状态的通知处理。另外，通知部112也可以执行使机器控制装置100的外部的显示器及扬声器等输出力觉传感器310的状态的通知处理。
通知部112可以执行使输出部114输出状态检测传感器320的状态的通知处理。通知部112例如执行使输出部114显示输出状态检测传感器320的状态的通知处理。通知部112也可以执行使输出部114声音输出状态检测传感器320的状态的通知处理。另外，通知部112也可以执行使机器控制装置100的外部的显示器及扬声器等输出状态检测传感器320的状态的通知处理。
通知部112例如执行如下通知处理：将由机器控制部104基于力觉传感器310的传感器值估计的机器人200的状态和由状态估计部110基于力觉传感器310的传感器值估计的力觉传感器310的状态一并通知。另外，通知部112例如执行如下通知处理：将由机器控制部104基于状态检测传感器320的传感器值估计的机器人200的状态和由状态估计部110基于状态检测传感器320的传感器值估计的状态检测传感器320的状态一并通知。通知部112可以是机器状态通知部的一个例子。
通知部112例如使输出部114将表示机器人200的状态的文字、数值、图表及图像中的至少一个和表示力觉传感器310的状态的文字、数值、图表及图像中的至少一个一并显示输出。由此，能够容易地掌握机器人200的状态和提供了估计该机器人200的状态的依据的力觉传感器310的状态。
例如，在仅通知了机器人200是正常状态的情况下，接收到通知的人只能信赖该通知。但是，在通知了机器人200是正常状态且力觉传感器310是异常状态的情况下，接收到通知的人能够怀疑机器人200为正常状态的事实。另外，例如，在通知了机器人200是异常状态且力觉传感器310是异常状态的情况下，接收到通知的人能够掌握机器人200有可能没有异常。
在通知了机器人200是正常状态且力觉传感器310是正常状态的情况下，能够提高机器人200是正常状态的可信度。另外，在通知了机器人200是异常状态且力觉传感器310是正常状态的情况下，能够提高机器人200是异常状态的可信度。
通知部112也可以执行如下通知处理：将由机器控制部104基于力觉传感器310的传感器值估计的机器人200的状态和由状态估计部110基于力觉传感器310的传感器值估计的力觉传感器310的可靠度一并通知。通知部112也可以执行如下通知处理：将由机器控制部104基于状态检测传感器320的传感器值估计的机器人200的状态和由状态估计部110基于状态检测传感器320的传感器值估计的状态检测传感器320的可靠度一并通知。
通知部112例如使输出部114将表示机器人200的状态的文字、数值、图表及图像中的至少一个和表示力觉传感器310的可靠度的文字、数值、图表及图像中的至少一个一并显示输出。
另外，通知部112例如使表示机器人200的状态的对象根据力觉传感器310的可靠度而变化，并使输出部114显示输出。例如，通知部112将表示机器人200的状态的对象以力觉传感器310的可靠度高的程度强调并使输出部114显示输出。由此，能够与机器人200的状态的估计结果一起掌握该估计结果的可信度。
另外，例如，通知部112根据力觉传感器310的可靠度来变更表示机器人200的状态的内容，并使输出部114显示输出。作为具体示例，在机器人200的故障预测结果是60天后的情况下，通知部112将力觉传感器310的可靠度越低则越多的天数加到60天、或从60天减去该天数之后的天数作为机器人200的故障预测结果并使输出部114显示输出。由此，能够提供反映了力觉传感器310的可靠度的机器人200的状态的估计结果。
通知部112也可以执行通知由状态估计部110估计的力觉传感器310的故障时期的通知处理。通知部112也可以执行通知由状态估计部110估计的状态检测传感器320的故障时期的通知处理。由此，能够在力觉传感器310或状态检测传感器320发生故障之前，作为修理或更换的时期而研究合适的时期。
测试数据存储部116存储测试数据，该测试数据用于使机器人200执行预先确定的动作，将该动作作为用于估计力觉传感器310的状态的动作。用于估计力觉传感器310的状态的动作可以是：容易估计力觉传感器310的状态的动作。容易估计力觉传感器310的状态的动作例如可以是：手230的上下动作、手230的左右动作等不容易受到外部干扰的影响的比较简单的动作。
测试数据存储部116存储测试数据，该测试数据用于使机器人200执行预先确定的动作，将该动作作为用于估计状态检测传感器320的状态的动作。用于估计状态检测传感器320的状态的动作可以是：容易估计状态检测传感器320的状态的动作。容易估计状态检测传感器320的状态的动作例如可以是：与状态检测传感器320类型对应的、不容易受到外部干扰的影响的动作。
测试数据例如在系统10的制造时由制造者等存储在测试数据存储部116中。在制造系统10之后，可以在任意的时间将测试数据存储在测试数据存储部116中。
测试数据注册部118注册测试数据。例如，在机器人200被配置在作业场所之后，测试数据注册部118接收由系统10的利用者等注册的测试数据。
异常确认部120在由状态估计部110估计为力觉传感器310是异常状态的情况下，确认实际在力觉传感器310中是否发生了异常。异常确认部120例如在由通知部112执行了表示力觉传感器310是异常状态的通知处理之后，接收基于接收到通知的人等的反馈，由此确认力觉传感器310是否发生了异常。另外，异常确认部120也可以：具有检测力觉传感器310的异常的异常检测传感器，根据异常检测传感器的检测结果来确认力觉传感器310是否发生了异常。
异常确认部120可以与依据信息关联地记录确认结果，该依据信息表示状态估计部110估计为力觉传感器310是异常状态的依据。并且，异常确认部120可以基于多次的确认结果来导出估计结果的正解率。
异常确认部120在由状态估计部110估计为状态检测传感器320是异常状态的情况下，确认状态检测传感器320是否实际上发生了异常。异常确认部120例如在由通知部112执行了表示状态检测传感器320是异常状态的通知处理之后，接收基于接收到通知的人等的反馈，由此确认状态检测传感器320是否发生了异常。另外，异常确认部120也可以：具有检测状态检测传感器320的异常的异常检测传感器，根据异常检测传感器的检测结果来确认状态检测传感器320是否发生了异常。
异常确认部120可以与依据信息关联地记录确认结果，该依据信息表示状态估计部110估计为状态检测传感器320是异常状态的依据。并且，异常确认部120可以基于多次的确认结果来导出估计结果的正解率。
正解率存储部122将依据信息和由异常确认部120导出的估计结果的正解率关联地进行存储，其中，依据信息表示状态估计部110估计力觉传感器310是异常状态的依据。状态估计部110可以基于存储在正解率存储部122中的信息来估计力觉传感器310是否是异常状态。
例如，状态估计部110根据基于力觉传感器310的传感器值的由机器人200执行的多个作业中的、传感器值满足表示异常的条件的作业、和依据信息及正解率，估计力觉传感器310是否是异常状态。作为具体示例，以在基于力觉传感器310的传感器值的由机器人200执行的多个作业中的、传感器值满足表示异常的条件的作业的比例多于6成为依据、估计为力觉传感器310是异常状态的估计结果的正解率低于预先确定的阈值的情况下，状态估计部110将阈值变更为比6成高的值。由此，在传感器值满足表示异常的条件的作业的比例高于6成但低于变更后的阈值的情况下，能够估计为力觉传感器310不是异常状态。通过执行这样的阈值的调整，能够有助于提高估计精度。
正解率存储部122将依据信息和由异常确认部120导出的估计结果的正解率关联起来进行存储，该依据信息表示状态估计部110估计状态检测传感器320是异常状态的依据。状态估计部110也可以基于正解率存储部122中存储的信息，执行与估计力觉传感器310是否是异常状态的估计处理同样的估计处理，由此估计状态检测传感器320是否是异常状态。
图3示意性地示出由机器控制装置100执行的处理的流程的一个例子。在这里，说明基于在机器控制部104使机器人200作为用于估计力觉传感器310的状态的动作而进行预先确定的动作的期间力觉传感器310所输出的传感器值，由状态估计部110估计力觉传感器310的状态的处理流程。
在步骤(有时将步骤省略为S进行记载)102中，机器控制部104从测试数据存储部116获取注册有多个动作的测试数据。在S104中，机器控制部104使机器人200执行注册在测试数据中的多个动作中的一个。
在S106中，传感器值获取部106获取由力觉传感器310输出的传感器值并存储在传感器值存储部108中。在注册在测试数据中的多个动作全部结束的情况下(在S108中“是”)，进入S110，在没有结束的情况下(在S108中“否”)，返回到S104。
在S110中，状态估计部110基于在S106中获取的传感器值来估计力觉传感器310的状态。在S112中，通知部112执行通知处理，通知在S110中估计出的力觉传感器310的状态。
如上所述，通过使机器人200执行容易根据测试数据估计力觉传感器310的状态的动作，能够提高力觉传感器310的状态的估计精度。机器控制装置100可以按照系统10的管理者等的指示执行图3所示的处理。另外，机器控制装置100可以定期或不定期地执行图3所示的处理。
测试数据注册部118也可以生成测试数据。测试数据注册部118例如基于机器人200正在执行多种动作的各个时的力觉传感器310的传感器值来生成用于力觉传感器310的测试数据。基于传感器值生成测试数据可包括基于从传感器值导出的导出值生成测试数据。
例如，首先，机器控制部104使机器人200执行机器人200能够执行的多种动作。机器控制部104也可以使机器人200执行机器人200能够执行的所有类型的动作。然后，传感器值获取部106获取在机器人200正在执行多种动作的每一个时的力觉传感器310的传感器值，并存储在传感器值存储部108中。
测试数据注册部118可以基于机器人200正在执行多种动作的每一个时的力觉传感器310的传感器值来生成测试数据。例如，测试数据注册部118确定多种动作中力觉传感器310的利用频度低的动作。测试数据注册部118例如按照力觉传感器310的利用频度从低到高的顺序确定预先确定的数量的动作。然后，测试数据注册部118生成用于使机器人200执行所确定的动作的测试数据。在执行力觉传感器310的利用频度低的动作但是力觉传感器310频繁输出传感器值的情况下，力觉传感器310是异常状态的可能性高。因此，通过使用该测试数据，能够容易估计力觉传感器310是异常状态。
测试数据注册部118例如确定多种动作中力觉传感器310的传感器值更小的动作。测试数据注册部118例如按照力觉传感器310的传感器值从小到大的顺序确定预先确定的数量的动作。然后，测试数据注册部118生成用于使机器人200执行所确定的动作的测试数据。在执行力觉传感器310的传感器值小的动作但是力觉传感器310输出的传感器值大的情况下，力觉传感器310是异常状态的可能性高。因此，通过使用该测试数据，能够容易估计力觉传感器310是异常状态。
测试数据注册部118可以基于机器人200正在执行多种动作的每一个时的状态检测传感器320的传感器值来生成用于状态检测传感器320的测试数据。测试数据注册部118可以以与用于力觉传感器310的测试数据的生成方法相同的方法来生成用于状态检测传感器320的测试数据。
另外，测试数据注册部118也可以被构成为：确定多种动作中的力觉传感器310的传感器值难以受到外部干扰等影响的动作。例如，对于多次利用的动作，确定基于力觉传感器310的传感器值的值的变动小于阈值的动作。然后，测试数据注册部118生成用于使机器人200执行所确定的动作的测试数据。
图4示意性地示出估计表130的一个例子。在这里，例示了用于基于嵌合作业所包含的4种作业中的、力觉传感器310的传感器值满足表示异常的条件的作业的组合来估计力觉传感器310的状态的估计表130。状态估计部110可以基于估计表130估计力觉传感器310的状态。
例如，状态估计部110在气割、碰触、试探以及插入中的气割、碰触、以及插入中，传感器值满足表示异常的条件的情况下，估计为力觉传感器310发生了异常。状态估计部110在只有气割、碰触、试探以及插入中的碰触中，传感器值满足表示异常的条件的情况下，可以估计为不是力觉传感器310的异常，而是碰触动作发生了异常。状态估计部110可以基于多个作业中的异常作业的组合来估计力觉传感器310是否异常。
估计表130可以由人来注册。例如，估计表130由系统10的管理者和辅助机器人200的作业的作业辅助者等注册。注册了估计表130的注册者例如以如下方式注册估计表130：在多个作业中的异常作业的比例高于预先确定的比例的情况下，估计为力觉传感器310是异常状态，而在低的情况下，估计为各动作中发生了异常。
另外，当在多个作业中的第一作业和第二作业中、传感器值满足表示异常的条件的情况下，根据经验感觉到力觉传感器310处于异常状态的可能性高时，注册者能够注册反映了该经验的估计表130。这样，状态估计部110通过执行使用了估计表130的估计，能够执行基于系统10的管理者和机器人200的作业辅助者等的经验的估计。
注册者也可以注册估计表130，使得在多个作业中难以受到外部干扰等影响的1个或多个作业中传感器值满足表示异常的条件的情况下估计为力觉传感器310是异常状态。由此，能够执行基于以下见解的估计：在难以受到外部干扰等的影响的作业中力觉传感器310的传感器值满足表示异常的条件的情况下，力觉传感器310是异常状态的可能性高，由此能够有助于提高估计精度。
状态估计部110也可以生成估计表130。例如，在确认力觉传感器310是异常状态的状况下，机器控制部104使机器人200执行嵌合作业，传感器值获取部106获取力觉传感器310的传感器值并将其存储在传感器值存储部108中。状态估计部110基于存储在传感器值存储部108中的传感器值，估计在多个作业的每一个中传感器值是否满足表示异常的条件并记录。然后，状态估计部110生成估计表130，该估计表130将表示力觉传感器310发生了异常的估计结果与传感器值满足表示异常的条件的作业的组合关联起来。
例如，在一次嵌合作业中，当存在多个作业的全部中传感器值满足表示异常的条件的情况和多个作业中只有试探不满足表示异常的条件的情况时，状态估计部110生成反映了该结果的估计表130。具体而言，状态估计部110生成估计表130，该估计表130在多个作业的全部为异常的情况下和多个作业中只有试探正常的情况下估计为力觉传感器310的异常，除此以外的异常估计为作业中的异常。由此，在力觉传感器310是异常状态的情况下，能够执行基于实际发生的满足表示异常的条件的作业的组合的估计，能够有助于提高估计精度。
通知部112也可以执行以下通知处理：在由状态估计部110估计为力觉传感器310是异常状态的情况下，通知估计结果和表示力觉传感器310的传感器值满足表示异常的条件的作业的信息。通知部112可以是传感器状态通知部的一个例子。
例如，通知部112执行以下通知处理：通知以多个作业中的异常作业的比例高于预先确定的比例为依据来估计力觉传感器310是异常状态。另外，例如，通知部112执行以下通知处理：通知以在多个作业中的气割、碰触以及插入中力觉传感器310的传感器值满足表示异常的条件为依据，估计力觉传感器310是异常状态。由此，能够提高估计结果的可靠度。
机器控制部104可以记录基于力觉传感器310的传感器值的由机器人200进行的一系列作业的成功率，状态估计部110也可以使用该成功率估计力觉传感器310是否是异常状态。例如，状态估计部110基于气割、碰触、试探及插入的一系列作业的成功率和气割、碰触、试探及插入中的异常作业来估计力觉传感器310是否是异常状态。
例如，状态估计部110在一系列作业中的异常作业的比例高于预先确定的比例的情况下，在判定为一系列作业的成功率降低时，估计为力觉传感器310是异常状态。即使在一系列作业中的异常作业的比例高于预先确定的比例的情况下，在判定为一系列作业的成功率没有降低时，状态估计部110也估计为力觉传感器310不是异常状态。由此，能够执行基于在多个作业中表示异常且作业成功率也降低的情况下，基于力觉传感器310的异常的可能性高的见解的估计，能够有助于提高估计精度。
通知部112也可以执行将一系列作业的成功率和机器人200的状态以及力觉传感器310的可靠度一并通知的通知处理。由此，即使力觉传感器310的可靠度较低，只要作业成功率不低，也能够判断为不急着进行力觉传感器310的调整、修理以及更换等。另外，即使力觉传感器310的可靠度不太低，但在作业成功率低的情况下，也能够判断为需要加紧进行力觉传感器310的调整、修理以及更换等。
图5示意性地示出由机器控制装置100执行的处理的流程的一个例子。在这里，对状态估计部110基于力觉传感器310的传感器值满足表示异常的条件的多个作业中的、作业传感器值与存储传感器值之差的对比来估计力觉传感器310的异常类型的处理流程进行说明。
在S202中，状态估计部110在多个作业中的全部异常作业中，判定作业传感器值是否大于存储传感器值。在肯定的情况下，进入S204，在否定的情况下，进入S206。在S204中，状态估计部110估计为力觉传感器310的异常类型为传感器值变高的过检测异常。
在S206中，状态估计部110在多个作业中的全部异常作业中，判定作业传感器值是否小于存储传感器值。在肯定的情况下，进入S208，在否定的情况下，进入S210。在步骤S208中，状态估计部110估计为力觉传感器310的异常类型是低检测异常，在该低检测异常中，传感器值变低。在S210中，状态估计部110判定为异常类型不明。
在S212中，通知部112执行以下通知处理：通知力觉传感器310为异常状态和由状态估计部110估计的异常类型。如图5所例示的那样，通知部112通知由状态估计部110估计的力觉传感器310的异常类型，由此与仅通知是异常状态的情况相比，能够容易采取针对力觉传感器310的之后的应对。
图6示意性地示出由机器控制装置100执行的处理流程的一个例子。在这里，说明在通过状态估计部110估计为力觉传感器310是异常状态的情况下通知部112执行与作业传感器值和存储传感器值的差对应的通知处理时的处理流程。通知部112可以是异常通知部的一个例子。
在S302中，通知部112获取由状态估计部110估计的力觉传感器310的异常度。在S304中，通知部112判定在S302中获取的力觉传感器310的异常度是否低于预先确定的阈值。在判定为低的情况下，进入S306，在判定为不低的情况下，进入S308。
在S306中，通知部112执行建议力觉传感器310的设定变更的通知处理。在S308中，通知部112执行建议力觉传感器310的修理或更换的通知处理。
由此，在作业传感器值与存储传感器值之差小、力觉传感器310的异常度可以说较低的情况下，仅进行设定变更，在作业传感器值与存储传感器值之差大、力觉传感器310的异常度可以说较高的情况下，可以建议修理或更换。即，通过执行图6所示的处理，机器控制装置100能够执行与力觉传感器310的异常度对应的适当的建议。
另外，在S306中，通知部112也可以代替建议设定变更的通知处理，执行建议力觉传感器310的重启或力觉传感器310的安装位置的重新评估的通知处理。
图7示意性地示出系统10制造被制造物的方法的一个例子。系统10通过对工件进行加工来制造被制造物。
在S402中，作业机器20获取加工对象的工件。作业机器20在加工对象的工件为多个的情况下，获取多个工件。
在S404中，机器控制装置100基于由传感器30输出的传感器值使作业机器20执行工件的加工。在步骤S406中，机器控制装置100基于由传感器30输出的传感器值来估计传感器30是否发生了异常。在估计为没有发生异常的情况下，进入S412，在估计为发生了异常的情况下，进入S408。
在步骤S408中，机器控制装置100执行通知传感器30发生了异常的通知处理。机器控制装置100可以向系统10的管理者等通知传感器30发生了异常。
在步骤S410中，机器控制装置100判定是否继续制造。机器控制装置100可以按照在步骤S408中通知传感器30发生了异常的管理员等的指示来判定是否继续制造。在判定为继续制造的情况下，进入S412，在判定为不继续制造的情况下，结束制造处理。
在S412中，机器控制装置100判定工件的加工是否结束。在S402中获取了多个工件的情况下，机器控制装置100判定针对多个工件的全部加工是否结束。由于加工结束，被制造物的制造完成。在判定为没有结束的情况下，返回到S404，在判定为结束的情况下，结束处理。
在上述实施方式中，列举出力觉传感器310作为传感器30的一个例子，说明了下面的例子：生成在确认传感器30为正常状态的状况下基于作业机器20正在进行作业时的传感器30的输出的传感器值组的正态分布作为基准数据，在作业传感器值从基准数据的正态分布偏离阈值以上的情况下，估计为传感器30是异常状态，或者以作业传感器值越偏离基准数据的正态分布则可靠度越低的方式估计传感器30的可靠度。状态估计部110也可以按照作业机器20所进行的每个作业的内容，执行该处理。
状态估计部110例如按照嵌合作业中的多个作业中的每一个，生成基准数据。嵌合作业中的多个作业可包括气割、碰触、试探和插入。另外，状态估计部110例如针对嵌合作业以外的各个作业，按照构成作业的多个作业的每一个生成基准数据。作为嵌合作业以外的作业的例子，可列举出组装、涂装、螺丝紧固、贴标签、包装、研磨、注射成型和焊接等，但是不限于这些。
在上述实施方式中，列举力觉传感器310作为传感器30的一个例子，并说明了下面的例子：状态估计部110在基于传感器30的传感器值的由作业机器20进行的多个作业中，在作业传感器值与存储传感器值之差按时间序列增加的情况下，基于增加率估计传感器30的故障时期。状态估计部110也可以基于作业传感器值与存储传感器值之差的增加趋势，估计传感器30的故障时期。
图8示意性地示出增加趋势数据400的一个例子。增加趋势数据400表示在机器人反复进行相同作业的情况下的、基于力觉传感器的作业传感器值与存储传感器值之差的增加趋势。图8示出通过分析过去的数据来导出的趋势。
状态估计部110在估计机器人200的力觉传感器310的故障时期时，可以使用通过分析与机器人200同种的其他机器人的、与力觉传感器310同种的其他力觉传感器的过去的数据来导出的趋势。与机器人200同种的其他机器人例如是与机器人200型号相同的机器人。与机器人200同种的其他机器人可以是与机器人200相同的商品。与力觉传感器310同种的其他力觉传感器例如是与力觉传感器310型号相同的力觉传感器。与力觉传感器310同种的其他力觉传感器可以是与力觉传感器310相同的商品。状态估计部110在这样估计作业机器20的传感器30的故障时期时，可以使用通过分析与作业机器20同种的其他作业机器的、与传感器30同种的其他传感器的过去的数据来导出的趋势。
如果对力觉传感器过去的数据进行分析，则表示在力觉传感器迎来故障时期430之前，作业传感器值与存储传感器值之差存在按线性函数增加的期间410和按指数函数增加的期间420。状态估计部110可以基于运行中的机器人200的力觉传感器310的作业传感器值与存储传感器值之差和增加趋势数据400来判定力觉传感器310的故障时期。例如，状态估计部110监视运行中的机器人200的力觉传感器310的作业传感器值与存储传感器值之差，来判定位于增加趋势数据400的期间410和期间420中的哪一个，根据该差的历史来估计各期间表示的趋势的系数等参数，确定故障时期为何时。与成为过去数据的基础的力觉传感器相比，无论运行中的力觉传感器310容易发生故障还是难以发生故障，作为趋势，表示与增加趋势数据同样的趋势的可能性高，所以通过使用增加趋势数据400，能够提高故障时期的估计精度。
另外，例如，状态估计部110监视运行中的机器人200的力觉传感器310的作业传感器值与存储传感器值之差，持续地掌握位于增加趋势数据400所示的趋势的何处，掌握当前时刻是期间410还是期间420。然后，例如，状态估计部110在判定为当前时刻是期间420的情况下，判定为临近故障时期。通知部112可以根据由状态估计部110判定为临近故障时期的情况，执行通知临近力觉传感器310的故障时期的通知处理。由此，能够在力觉传感器310的劣化程度提高之前，通知有可能临近故障时期的情况。
图9示意性地示出系统10的一个例子。在这里，主要说明与图1及图2所示的系统10的不同点。图9所示的系统10包括与一个作业相关联的多个传感器30。
机器控制部104对于作业机器20执行的至少一个作业，为了使作业机器20执行该作业，可以基于由多个传感器30输出的传感器值来控制作业机器20。状态估计部110可以基于多个传感器30各自的传感器值来估计多个传感器30各自的状态。状态估计部110可以在多个传感器30的每一个的传感器值中只有一部分满足表示异常的条件时，估计为满足输出的传感器值表示异常的条件的传感器30是异常状态。状态估计部110例如在多个传感器30中只有一个传感器30满足表示异常的条件的情况下，估计为该一个传感器30是异常状态。
在与某动作相关联的多个传感器30中，在其他传感器30的传感器值正常但只有一个传感器30的传感器值表示异常的情况下，该一个传感器30为异常状态的可能性高。因此，通过执行上述那样的估计，能够有助于提高估计精度。
图10示意性地示出系统10的一个例子。图10所示的系统10包括用于管理多个机器控制装置100的管理服务器500。多个机器控制装置100的每一个基于与自身连接的传感器30的传感器值来控制与自身连接的作业机器20。多个作业机器20可以具有如下关系：例如，以多个作业机器20中的一个作业机器20进行嵌合作业，多个作业机器20中的其他作业机器20进行由该一个作业机器20嵌合的对象物的组装作业等的方式，对同一作业对象物连续地进行作业。
多个机器控制装置100中的每一个可以经由管理服务器500共享各种信息。例如，多个机器控制装置100中的第一机器控制装置100经由管理服务器500从多个机器控制装置100中的第二机器控制装置100获取各种信息。
例如，与第一作业机器20和第一传感器30连接的第一机器控制装置100的传感器值获取部106经由管理服务器500从与第二作业机器20和第二传感器30连接的第二机器控制装置100获取第二传感器30的传感器值(有时记载为第二传感器值)。然后，第一机器控制装置100的状态估计部110(有时记载为第一状态估计部110)基于第一传感器30的传感器值(有时记载为第一传感器值)和第二传感器值来估计第一传感器30的状态。
作为具体示例，第一状态估计部110预先存储有第一传感器30和第二传感器30正常工作的状况下的作业传感器值的正常范围。多个传感器30各自的作业传感器值的正常范围例如可以由管理服务器500事先确定。
例如，管理服务器500从多个机器控制装置100的每一个获取传感器30的作业传感器值并存储历史。管理服务器500通过分析多个作业机器20及多个传感器30正常工作的状况下的作业传感器值的历史，确定多个传感器30各自的作业传感器值的正常范围。管理服务器500例如关于第一传感器30的作业传感器值，确定为A～B是正常范围，关于第二传感器30的作业传感器值，确定为C～D是正常范围。管理服务器500可以将所确定的多个传感器30的作业传感器值的正常范围通知给多个机器控制装置100。
第一状态估计部110可以基于第一传感器30及第二传感器30的作业传感器值的正常范围和运行中的第一传感器30及第二传感器30的作业传感器值来估计第一传感器30的状态。第一状态估计部110例如在第二传感器30的作业传感器值在正常范围内、且第一传感器30的作业传感器值在正常范围外的情况下，估计为第一传感器30是异常状态。在对同一作业对象物进行作业的状况下，第一传感器30及第二传感器30双方的作业传感器值在正常范围外的情况下，有可能在作业对象物中发生了某些问题，但是在仅第一传感器30的作业传感器值在正常范围外的情况下，可以说第一传感器30有可能发生了异常。根据本实施方式所涉及的机器控制装置100，能够提供基于这样的见解的估计结果。
另外，在这里，虽然以使用多个传感器30各自的作业传感器值的正常范围的情况为例进行了说明，但不限于此。也可以使用多个传感器30各自的作业传感器值与存储传感器值之差的正常范围。在该情况下，第一状态估计部110可以在第二传感器30的作业传感器值与存储传感器值之差在正常范围内、且第一传感器30的作业传感器值与存储传感器值之差在正常范围外的情况下，估计为第一传感器30是异常状态。
管理服务器500可以用作状态估计装置。即，管理服务器500可以是状态估计装置的一个例子。在这种情况下，管理服务器500可以从多个机器控制装置100中的每一个获取传感器值，并且将基于所获取的传感器值的指示发送到机器控制装置，由此控制作业机器20。另外，管理服务器500也可以不进行作业机器20的控制，而基于传感器30的传感器值来估计传感器30的状态。
管理服务器500可以基于多个传感器30各自的作业传感器值的正常范围和从运行中的多个机器控制装置100的每一个获取的传感器30的作业传感器值，估计多个传感器30的状态。管理服务器500例如在多个传感器30中、预定比例以下的传感器30的作业传感器值脱离正常范围的情况下，估计为该预定比例以下的传感器30是异常状态。在多个传感器30中的很多传感器30的作业传感器值脱离正常范围的情况下，可以说在作业对象物上存在某些问题的可能性高。与此相对，例如，在多个传感器30中只有一个传感器30的作业传感器值脱离正常范围的情况下，可以说不是作业对象物、而是传感器30自身发生了异常的可能性高。根据本实施方式所涉及的管理服务器500，能够提供基于这样的见解的估计结果。另外，管理服务器500也可以代替多个传感器30各自的作业传感器值的正常范围，而使用多个传感器30各自的作业传感器值与存储传感器值之差的正常范围。
管理服务器500也可以基于第一传感器30的作业传感器值与第二传感器30的作业传感器值之间的关系来估计第一传感器30和第二传感器30的状态。例如，管理服务器500预先存储传感器值关系数据，该传感器值关系数据表示第一作业机器20、第二作业机器20、第一传感器30以及第二传感器30正常工作的状况下的、第一传感器30的作业传感器值与第二传感器30的作业传感器值之间的关系。在传感器值关系数据中例如注册有：在第一传感器30的作业传感器值为第一值的情况下，第二传感器30的作业传感器值表示哪个范围的值。
管理服务器500可以基于传感器值关系数据、运行中的第一传感器30的作业传感器值及第二传感器30的作业传感器值，估计第一传感器30及第二传感器30的状态。例如，管理服务器500根据传感器值关系数据确定与第一传感器30的作业传感器值对应的第二传感器30的作业传感器值的范围，在第二传感器30的作业传感器值在该范围外的情况下，估计为第一传感器30及第二传感器30的某一个是异常状态。如果第一作业机器20、第二作业机器20、第一传感器30以及第二传感器30正常工作，则第一传感器30的作业传感器值和第二传感器30的作业传感器值保持特定关系的可能性变高。因此，在该关系破坏的情况下，可以说第一传感器30及第二传感器30的至少某一个为异常状态的可能性高。根据本实施方式所涉及的管理服务器500，能够提供基于这样的见解的估计结果。
管理服务器500所管理的多个机器控制装置100可以控制相同类型的作业机器20。管理服务器500所管理的多个机器控制装置100也可以控制不同类型的作业机器20。在该情况下，管理服务器500也可以按照控制相同类型的作业机器20的机器控制装置100，分组进行管理。
管理服务器500可以从多个机器控制装置100持续地获取传感器30的作业传感器值并存储历史。管理服务器500也可以针对传感器30的每个类型，收集多个传感器30的直到发生故障为止的作业传感器值的历史，执行使用了收集到的数据的学习，由此生成根据作业传感器值的推移来估计故障时期的估计模型。并且，管理服务器500可以从运行中的机器控制装置100持续地获取传感器30的作业传感器值，使用与传感器30的类型对应的估计模型，由此估计传感器30的故障时期。另外，管理服务器500也可以针对传感器30的每个类型，收集多个传感器30的直到发生故障为止的作业传感器值与存储传感器值之差的历史，执行使用了收集到的数据的学习，由此生成根据作业传感器值与存储传感器值之差的推移来估计故障时期的估计模型。
上述实施方式中的机器通信部102可以是与作业机器20进行通信的单元的一个例子。上述实施方式中的机器控制部104可以是控制作业机器20的单元的一个例子。上述实施方式中的传感器值获取部106可以是获取传感器值的单元的一个例子。上述实施方式中的传感器值存储部108可以是对传感器值获取部106获取的传感器值进行存储的单元的一个例子。传感器值存储部108可以是对传感器值和导出值中的至少任意一个的历史进行存储的历史存储单元的一个例子。上述实施方式中的状态估计部110可以是估计传感器30的状态的单元的一个例子。上述实施方式中的通知部112可以是执行通知处理的单元的一个例子，该通知处理通知由机器控制部104估计的作业机器20的状态。上述实施方式中的输出部114可以是具有显示输出功能和声音输出功能中的至少一个的输出单元的一个例子。上述实施方式中的测试数据存储部116可以是存储测试数据的单元的一个例子，该测试数据用于使作业机器20执行预先确定的动作作为用于估计传感器30的状态的动作。上述实施方式中的测试数据注册部118可以是注册测试数据的单元的一个例子。
上述实施方式中的异常确认部120可以是在由状态估计部110估计为传感器30是异常状态的情况下、确认传感器30是否实际发生了异常的单元的一个例子。上述实施方式中的正解率存储部122可以是将依据信息和由异常确认部120导出的估计结果的正解率关联起来进行存储的单元的一个例子，该依据信息表示状态估计部110估计传感器30是异常状态的依据。
图11示意性地示出用作机器控制装置100或管理服务器500的计算机1200的硬件结构的一个例子。安装在计算机1200上的程序可以使计算机1200作为本实施方式所涉及的装置的一个或多个“部”发挥功能，或者使计算机1200执行与本实施方式所涉及的装置相关联的操作或该一个或多个“部”，和/或使计算机1200执行本实施方式所涉及的过程或该过程的步骤。这样的程序可由CPU 1212执行，以使得计算机1200执行与本说明书所描述的流程图和框图中的框的一些或全部相关联的特定操作。
本实施方式所涉及的计算机1200包括CPU 1212、RAM 1214和图形控制器1216，它们通过主机控制器1210相互连接。计算机1200还包括输入/输出单元，例如通信接口1222、存储装置1224、DVD驱动器和IC卡驱动器，它们经由输入输出控制器1220连接到主机控制器1210。DVD驱动器可以是DVD-ROM驱动器和DVD-RAM驱动器等。存储装置1224可以是硬盘驱动器、固态驱动器等。计算机1200还包括传统的输入输出单元，例如ROM 1230和键盘，它们经由输入输出芯片1240连接到输入输出控制器1220。
CPU 1212按照存储在ROM 1230和RAM 1214中的程序进行动作，从而控制各单元。图形控制器1216获取由CPU 1212在RAM 1214中提供的帧缓冲器等或其自身中生成的图像数据，并且使得图像数据显示在显示设备1218上。
通信接口1222经由网络与其它电子设备通信。存储装置1224存储由计算机1200中的CPU 1212使用的程序和数据。DVD驱动器从DVD-ROM等读取程序或数据，并提供给存储装置1224。IC卡驱动器从IC卡读取程序和数据和/或向IC卡写入程序和数据。
ROM 1230在其中存储：在激活时由计算机1200执行的引导程序等和/或依赖于计算机1200的硬件的程序。输入输出芯片1240还可以经由USB端口、并行端口、串行端口、键盘端口、鼠标端口等将各种输入输出单元连接到输入输出控制器1220。
程序由诸如DVD-ROM或IC卡之类的计算机可读存储介质提供。程序被从计算机可读存储介质读取，并且被安装到也作为计算机可读存储介质的例子的存储装置1224、RAM1214或ROM 1230中，并且由CPU 1212执行。在这些程序中所描述的信息处理被计算机1200读取，并且导致程序与上述各种类型的硬件资源之间的协作。可以通过计算机1200的使用来实现信息的操作或处理，由此构成装置或方法。
例如，当在计算机1200和外部设备之间执行通信时，CPU 1212可以执行加载到RAM1214中的通信程序，并且基于在通信程序中描述的处理来指示通信接口1222执行通信处理。通信接口1222在CPU 1212的控制下读取RAM 1214、存储装置1224、DVD-ROM或IC卡等记录介质内提供的发送缓冲区所存储的发送数据，将读取的发送数据发送到网络，或将从网络接收到的接收数据写入到记录介质所提供的接收缓冲区等中。
此外，CPU 1212可以使得RAM 1214读取存储在诸如存储装置1224、DVD驱动器(DVD-ROM)或IC卡等的外部记录介质中的文件或数据库的全部或必要部分，并且可以对RAM1214上的数据执行各种类型的处理。CPU 1212接着可将经处理的数据写回外部记录介质。
各种类型的信息例如各种类型的程序、数据、表和数据库可以存储在记录介质中，并接收信息处理。CPU 1212可针对从RAM 1214读取的数据执行被记载在本公开的上下文中的包括根据程序的指令序列指定的各种操作、信息处理、条件判断、条件分支、无条件分支、信息检索/替换等的各种类型的处理，并且将结果写回RAM 1214。另外，CPU 1212可以检索记录介质内的文件、数据库等中的信息。例如，在记录介质内存储有分别具有与第二属性的属性值相关联的第一属性的属性值的多个条目的情况下，CPU 1212可以从该多个条目中检索与指定了第一属性的属性值的条件一致的条目，读取该条目内存储的第二属性的属性值，由此获取与满足预先确定的条件的第一属性相关联的第二属性的属性值。
上述的程序或软件模块可以存储在计算机1200上或计算机1200附近的计算机可读存储介质中。另外，在连接到专用通信网络或因特网的服务器系统中提供的诸如硬盘或RAM之类的记录介质可以用作计算机可读存储介质，从而经由网络将程序提供给计算机1200。
本实施方式中的流程图和框图中的框可以表示用于执行操作的过程的步骤或具有用于执行操作的作用的装置的“部”。特定步骤和“部”可由专用电路、与存储在计算机可读存储介质上的计算机可读指令一起提供的可编程电路、和/或与存储在计算机可读存储介质上的计算机可读指令一起提供的处理器来安装。专用电路可以包括数字和/或模拟硬件电路，并且可以包括集成电路(IC)和/或分立电路。可编程电路例如可包括例如现场可编程门阵列(FPGA)，可编程逻辑阵列(PLA)等的可重新配置的硬件电路，所述可重新配置的硬件电路包括逻辑积、逻辑和、异或、与非、或非以及其它逻辑运算、触发器、寄存器和存储器元件。
计算机可读存储介质可包括能够存储由适当装置执行的指令的任何有形设备，其结果是，具有存储在其中的指令的计算机可读存储介质具备以下产品，该产品包括可被执行以创建用于执行流程图或框图中指定的操作的单元的指令。计算机可读存储介质的例子可包括电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。计算机可读存储介质的更具体示例包括软(Floppy disk注册商标)盘、磁盘(diskette)、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、蓝光(注册商标)盘、记忆棒、集成电路卡等。
计算机可读指令可包括以一种或多种编程语言的任何组合编写的源代码或目标代码的任意一个，包括汇编程序指令、指令集架构(ISA)指令、机器指令、依赖机器的指令、微码、固件指令、状态设置数据或诸如Smalltalk、JAVA、C++等面向对象的编程语言、以及诸如“C”编程语言或类似编程语言的传统程序语言。
计算机可读指令可经由本地或局域网(LAN)、因特网等这样的广域网(WAN)被提供给通用计算机、专用计算机或其它可编程的数据处理装置的处理器或可编程电路，以使得通用计算机、专用计算机或其它可编程的数据处理装置的处理器或可编程电路执行该计算机可读指令，以生成用于执行流程图或框图中指定的操作的单元。处理器的例子包括计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
以上，使用实施方式对本发明进行了说明，但是本发明的技术范围并不限于上述实施方式所记载的范围。对本领域技术人员来说，显然能够对上述实施方式施加各种变更或改良。从权利要求书的记载可知，施加了这样的变更或改良的方式也包含在本发明的技术范围内。
应当注意，在权利要求书、说明书和附图中示出的装置、系统、程序和方法中的动作、过程、步骤和阶段等中的每个处理的执行顺序没有特别指明为“之前”、“在～之前”等，可以以任意顺序来实现，除非在后处理中使用前处理的输出。关于权利要求书、说明书以及附图中的动作流程，即使为了方便而使用“首先”、“接着”等进行了说明，也不意味着必须按照该顺序实施。
[符号说明]
10系统、20作业机器、30传感器、40、50工件、100机器控制装置、102机器通信部、104机器控制部、106传感器值获取部、108传感器值存储部、110状态估计部、112通知部、114输出部、116测试数据存储部、118测试数据注册部、120异常确认部、122正解率存储部、130估计表、200机器人、210基台、220臂、230手、232把持爪、310力觉传感器、320状态检测传感器、400增加趋势数据、410期间、420期间、430故障时期、500管理服务器、1200计算机、1210主机控制器、1212CPU、1214RAM、1216图形控制器、1218显示设备、1220输入输出控制器、1222通信接口、1224存储装置、1230ROM、1240输入输出芯片。

Claims (23)

1.一种状态估计装置，包括：
机器控制部，基于从传感器获取的传感器值来控制作业机器，所述传感器输出与所述作业机器的作业相关的所述传感器值；以及
状态估计部，基于所述传感器值来估计所述传感器的状态。
2.根据权利要求1所述的状态估计装置，其中，
所述状态估计部基于在所述机器控制部使所述作业机器正在执行作为用于估计所述传感器的状态的动作而预先确定的动作的期间所述传感器输出的所述传感器值，来估计所述传感器的状态。
3.根据权利要求1所述的状态估计装置，其中，
所述机器控制部基于所述传感器值来估计所述作业机器的状态，
所述状态估计装置具有机器状态通知部，所述机器状态通知部执行将所述作业机器的状态和所述传感器的状态一并通知的通知处理。
4.根据权利要求3所述的状态估计装置，其中，
所述状态估计部基于所述传感器值来估计所述传感器的可靠度，
所述机器状态通知部执行将所述作业机器的状态和所述传感器的可靠度一并通知的通知处理。
5.根据权利要求4所述的状态估计装置，其中，
所述机器状态通知部基于所述传感器的可靠度执行以下通知处理：将包含由所述作业机器进行的多个作业的一系列作业的成功率、所述作业机器的状态以及所述传感器的可靠度一并通知。
6.根据权利要求1所述的状态估计装置，其中，
所述状态估计部基于以下的作业来估计所述传感器是否是异常状态，所述作业是基于所述传感器值的由所述作业机器进行的多个作业中所述传感器值满足表示异常的条件的作业。
7.根据权利要求6所述的状态估计装置，其中，
所述状态估计部基于以下作业的比例来估计所述传感器是否是异常状态，所述作业是基于所述传感器值的由所述作业机器进行的所述多个作业中所述传感器值满足表示异常的条件的作业。
8.根据权利要求6所述的状态估计装置，其中，
所述状态估计部基于以下作业的组合来估计所述传感器是否是异常状态，所述作业是基于所述传感器值的由所述作业机器进行的所述多个作业中所述传感器值满足表示异常的条件的作业。
9.根据权利要求6所述状态估计装置，其中，
所述状态估计部在基于所述传感器值的由所述作业机器进行的多个作业中的预先确定的期间内，在多个作业中所述传感器值满足表示异常的条件的情况下，估计为所述传感器是异常状态。
10.根据权利要求6所述的状态估计装置，包括：
传感器状态通知部，在由所述状态估计部估计为所述传感器是异常状态的情况下执行以下通知处理：通知估计结果和表示所述传感器值满足表示异常的条件的作业的信息。
11.根据权利要求6所述的状态估计装置，包括：
正解率存储部，将依据信息和估计结果的正解率关联存储，所述依据信息表示所述状态估计部估计为所述传感器是异常状态的依据，
所述状态估计部基于以下的作业和所述依据信息及所述正解率来估计所述传感器是否是异常状态，所述作业是基于所述传感器值的由所述作业机器进行的多个作业中所述传感器值满足表示异常的条件的作业。
12.根据权利要求6所述状态估计装置，其中，
所述状态估计部基于一系列作业的成功率和所述多个作业中的所述传感器值满足表示异常的条件的作业来估计所述传感器是否是异常状态，所述一系列作业包含基于所述传感器值的由所述作业机器进行的所述多个作业。
13.根据权利要求6所述的状态估计装置，其中，
所述状态估计部针对多个作业的每一个，在作业传感器值与存储传感器值之差大于预先确定的阈值的情况下，判定为所述作业传感器值满足表示异常的条件，所述作业传感器值是基于所述作业机器正在进行作业时的所述传感器的输出的传感器值，所述存储传感器值是与所述多个作业的每一个关联地预先存储的传感器值。
14.根据权利要求13所述的状态估计装置，包括：
历史存储部，存储基于所述传感器的输出的所述作业传感器值的历史，
在基于所述作业传感器值的由所述作业机器进行的多个作业之中，在多个作业中所述存储传感器值与所述作业传感器值之差按时间序列增加的情况下，所述状态估计部基于增加率来估计所述传感器的故障时期。
15.根据权利要求13所述的状态估计装置，其中，
所述状态估计部基于所述作业传感器值满足表示异常的条件的多个作业中的、所述作业传感器值与所述存储传感器值之差的对比，来估计所述传感器的异常类型。
16.根据权利要求13所述的状态估计装置，包括：
异常通知部，在由所述状态估计部估计为所述传感器是异常状态的情况下，执行与所述作业传感器值和所述存储传感器值之差对应的通知处理。
17.根据权利要求13所述的状态估计装置，包括：
历史存储部，存储基于所述传感器的输出的所述作业传感器值的历史，
在由所述作业机器进行的多个作业中，在所述存储传感器值与所述作业传感器值之差增加的情况下，所述状态估计部基于增加趋势来估计所述传感器的故障时期。
18.根据权利要求17所述的状态估计装置，其中，
所述状态估计部基于所述传感器的所述增加趋势和对应数据来估计所述传感器的故障时期，所述对应数据是将与所述传感器同类型的其他传感器中的所述存储传感器值与所述作业传感器值之差的增加趋势和该其他传感器的故障时期关联的数据。
19.根据权利要求1所述的状态估计装置，其中，
所述状态估计部基于从所述传感器获取的所述传感器值和过去从所述传感器获取并存储的所述传感器值来估计所述传感器是否是异常状态。
20.根据权利要求1所述的状态估计装置，其中，
所述机器控制部针对所述作业机器所执行的至少一个作业，基于由多个传感器输出的传感器值来控制所述作业机器，以使所述作业机器执行该作业，
所述状态估计部基于所述多个传感器中的每一个的传感器值来估计所述多个传感器中的每一个的状态。
21.根据权利要求1所述的状态估计装置，包括：
传感器值获取部，获取其他传感器的其他传感器值，所述其他传感器输出和与所述作业机器不同的作业机器的作业相关的所述其他传感器值，
所述状态估计部基于所述传感器值和所述其他传感器值来估计所述传感器的状态。
22.一种系统，包括：
所述作业机器；
所述传感器；以及
权利要求1至21中任一项所述的状态估计装置。
23.一种制造方法，通过作业机器制造被制造物，所述方法包括：
机器控制步骤，基于从传感器获取的传感器值来控制所述作业机器，所述传感器输出与所述作业机器对所述被制造物进行的作业相关的所述传感器值；以及
状态估计步骤，基于所述传感器值来估计所述传感器的状态。
CN202110176612.6A 2020-02-07 2021-02-07 状态估计装置、系统和制造方法 Active CN113252371B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-019639 2020-02-07
JP2020019639 2020-02-07

Publications (2)

Publication Number Publication Date
CN113252371A true CN113252371A (zh) 2021-08-13
CN113252371B CN113252371B (zh) 2024-04-26

Family

ID=74556748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110176612.6A Active CN113252371B (zh) 2020-02-07 2021-02-07 状态估计装置、系统和制造方法

Country Status (4)

Country Link
US (1) US20210247753A1 (zh)
EP (1) EP3862829B1 (zh)
JP (1) JP7238915B2 (zh)
CN (1) CN113252371B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420863A (zh) * 2022-11-04 2022-12-02 四川瑞吉绿能科技有限公司 一种提高气体碳含量测量精度的方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022132985A (ja) * 2021-03-01 2022-09-13 株式会社東芝 稼働状態管理装置、稼働状態管理システム及び稼働状態管理方法
JP7171880B1 (ja) 2021-12-10 2022-11-15 株式会社日立パワーソリューションズ 異常予兆診断装置およびプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140045848A (ko) * 2012-10-09 2014-04-17 조선대학교산학협력단 이동로봇의 위치추정과 지도 작성 장치 및 방법
CN106444746A (zh) * 2016-08-30 2017-02-22 北京小米移动软件有限公司 自主机器人、检测故障的装置和方法
CN107490998A (zh) * 2016-06-09 2017-12-19 富士电机株式会社 传感器装置、传感器系统及测定方法
JP2018027577A (ja) * 2016-08-15 2018-02-22 富士通株式会社 判定装置、判定方法、および判定プログラム
US20180154514A1 (en) * 2005-09-30 2018-06-07 Irobot Corporation Companion robot for personal interaction
US20200030981A1 (en) * 2018-07-30 2020-01-30 Seiko Epson Corporation Robot and abnormality detection method of robot

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE59507817D1 (de) * 1994-12-27 2000-03-23 Litef Gmbh FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren
US6741919B1 (en) * 2003-02-26 2004-05-25 General Electric Company Methods and apparatus for detecting impending sensor failure
DE102004015000B4 (de) * 2004-03-26 2012-03-29 Continental Automotive Gmbh Verfahren und Vorrichtung zum Ermitteln einer Größe, die charakteristisch ist für eine Masse, die auf einer Sitzfläche eines Sitzes ruht
DE102008040461A1 (de) * 2008-07-16 2010-01-21 Robert Bosch Gmbh Verfahren zum Bestimmen fehlerhafter Komponenten in einem System
US8650965B2 (en) * 2010-08-31 2014-02-18 Kabushiki Kaisha Yaskawa Denki Robot, robot system, robot control device, and state determining method
US10881339B2 (en) * 2012-06-29 2021-01-05 Dexcom, Inc. Use of sensor redundancy to detect sensor failures
JP5962371B2 (ja) * 2012-09-20 2016-08-03 株式会社Ihi ロボットシステム並びにセンサ検査装置及び方法
JP2014176940A (ja) * 2013-03-15 2014-09-25 Yaskawa Electric Corp ロボットシステム、ロボット制御方法及び被加工物の製造方法
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
JP6299184B2 (ja) * 2013-11-29 2018-03-28 株式会社ジェイテクト 工作機械および工作機械における加工制御方法
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
US9694494B1 (en) * 2015-12-11 2017-07-04 Amazon Technologies, Inc. Feature identification and extrapolation for robotic item grasping
JP6434445B2 (ja) * 2016-04-28 2018-12-05 ファナック株式会社 一回転信号を検出するセンサの故障診断機能を有する工作機械の制御装置
WO2018216197A1 (ja) * 2017-05-26 2018-11-29 三菱電機ビルテクノサービス株式会社 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム
US20200184373A1 (en) * 2017-08-30 2020-06-11 Siemens Aktiengesellschaft Recurrent Gaussian Mixture Model For Sensor State Estimation In Condition Monitoring
US10591313B2 (en) * 2017-09-29 2020-03-17 Intel Corporation Detecting mobile device sensor malfunctions
JP7043801B2 (ja) * 2017-11-15 2022-03-30 トヨタ自動車株式会社 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
JP6730337B2 (ja) * 2018-02-01 2020-07-29 ファナック株式会社 異常判別装置、プログラム、異常判別システム及び異常判別方法
JP7251924B2 (ja) * 2018-04-24 2023-04-04 株式会社日立製作所 故障診断装置、故障診断方法並びに故障診断装置が適用された機械
US20200081813A1 (en) * 2018-09-11 2020-03-12 Hewlett Packard Enterprise Development Lp Sensor Reliability Determination
US10369701B1 (en) * 2018-10-30 2019-08-06 Mujin, Inc. Automated package registration systems, devices, and methods
US10996663B2 (en) * 2018-10-30 2021-05-04 University Corporation For Atmospheric Research Method and system for providing quality controlled data from a redundant sensor system
US11161244B2 (en) * 2019-01-22 2021-11-02 Mitsubishi Electric Research Laboratories, Inc. System and method for automatic error recovery in robotic assembly

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180154514A1 (en) * 2005-09-30 2018-06-07 Irobot Corporation Companion robot for personal interaction
KR20140045848A (ko) * 2012-10-09 2014-04-17 조선대학교산학협력단 이동로봇의 위치추정과 지도 작성 장치 및 방법
CN107490998A (zh) * 2016-06-09 2017-12-19 富士电机株式会社 传感器装置、传感器系统及测定方法
JP2018027577A (ja) * 2016-08-15 2018-02-22 富士通株式会社 判定装置、判定方法、および判定プログラム
CN106444746A (zh) * 2016-08-30 2017-02-22 北京小米移动软件有限公司 自主机器人、检测故障的装置和方法
US20200030981A1 (en) * 2018-07-30 2020-01-30 Seiko Epson Corporation Robot and abnormality detection method of robot

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420863A (zh) * 2022-11-04 2022-12-02 四川瑞吉绿能科技有限公司 一种提高气体碳含量测量精度的方法

Also Published As

Publication number Publication date
JP2021125266A (ja) 2021-08-30
EP3862829B1 (en) 2023-03-29
JP7238915B2 (ja) 2023-03-14
CN113252371B (zh) 2024-04-26
EP3862829A1 (en) 2021-08-11
US20210247753A1 (en) 2021-08-12

Similar Documents

Publication Publication Date Title
CN113252371A (zh) 状态估计装置、系统和制造方法
JP6450858B2 (ja) 設備管理装置および方法
JP6956028B2 (ja) 故障診断装置及び機械学習装置
Borgi et al. Data analytics for predictive maintenance of industrial robots
JP6810097B2 (ja) 異常検出器
JP2017134786A (ja) 製造機械の異常の原因を発見するセル制御装置
US10768188B2 (en) Diagnostic device and method for monitoring operation of a technical system
US20190163165A1 (en) Examining apparatus, examining method and recording medium
US10684608B2 (en) Abnormality detection apparatus and machine learning device
US20230367296A1 (en) Industrial system, abnormality detection system, and abnormality detection method
US11731332B2 (en) State determination device and state determination method
US20210310679A1 (en) Abnormality cause estimation device, abnormality cause estimation method, and medium
US20200254671A1 (en) State determination device and state determination method
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
CN115329796A (zh) 异常检测装置、计算机可读存储介质以及异常检测方法
CN111788042A (zh) 机器人的预见性分析
JPWO2019016892A1 (ja) 品質分析装置及び品質分析方法
KR102093287B1 (ko) Cnc 공작기계의 공구 마모 간접 계측방법
CN114462663A (zh) 模块化工业车间中的事件分析
CN110597698B (zh) 用于分析至少一个异常的原因的方法
US11966218B2 (en) Diagnosis device, diagnosis method and program
JP6441433B1 (ja) 予兆診断装置
JP7457601B2 (ja) 要因推定装置、要因推定システムおよびプログラム
JP2020187502A (ja) 診断装置と診断方法および加工装置
JP7471529B1 (ja) 診断システム及び診断方法

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