CN113365788B - 作业判别装置及作业判别方法 - Google Patents
作业判别装置及作业判别方法 Download PDFInfo
- Publication number
- CN113365788B CN113365788B CN201980090472.1A CN201980090472A CN113365788B CN 113365788 B CN113365788 B CN 113365788B CN 201980090472 A CN201980090472 A CN 201980090472A CN 113365788 B CN113365788 B CN 113365788B
- Authority
- CN
- China
- Prior art keywords
- industrial machine
- unit
- sensor data
- output
- robot
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 71
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 58
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 24
- 238000003780 insertion Methods 0.000 description 14
- 230000037431 insertion Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012850 discrimination method Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0289—Reconfiguration to prevent failure, e.g. usually as a reaction to incipient failure detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/085—Force or torque sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/088—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices with position, velocity or acceleration sensors
- B25J13/089—Determining the position of the robot with reference to its environment
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40033—Assembly, microassembly
-
- 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
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40224—If robot gets a return signal, go to initial condition position
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manipulator (AREA)
- General Factory Administration (AREA)
- Numerical Control (AREA)
Abstract
本发明的目的在于得到能够抑制从作业的异常发生至判定出为止的时间延迟的作业判别装置。作业判别装置(30)具有:传感器数据输出部(31),其将表示机器人(1)的作业的状态的传感器数据以对机器人(1)的动作进行控制的控制周期的整数倍的输出间隔进行输出;以及判别部(32),其基于从传感器数据输出部(31)输出的传感器数据,通过由递归神经网络进行的推断对机器人(1)的作业的合格与否进行判别。
Description
技术领域
本发明涉及对由以机器人为代表的工业机械进行的作业的合格与否进行判别的作业判别装置及作业判别方法。
背景技术
在使用以机器人为代表的工业机械进行作业的情况下,使用由设置于工业机械的传感器取得的时间序列数据,进行作业的合格与否的判别。此时,对作业的合格与否进行判别的装置通常针对确定出的每个时间宽度,从时间序列数据提取振幅值等特征量,将特征量与基准相比较,由此进行作业的合格与否判别。为了抑制从异常发生至判定为止的时间延迟,希望缩短时间宽度,但如果缩短时间宽度则判定精度会降低。
在专利文献1中公开了一种判定装置,其目的在于以不同的时间宽度而提取多个特征量,根据多个特征量是否满足评价基准而对作业的合格与否进行判定,由此兼顾从异常发生至判定为止的时间延迟的抑制和确保判定精度。
专利文献1:日本特开2018-27577号公报
发明内容
但是,由于将一定期间的数据进行累积而使用累积的数据对特征量进行计算,因此依然存在会产生从异常发生至判定为止的时间延迟的问题。
本发明就是鉴于上述情况而提出的,其目的在于,得到能够对从作业的异常发生至判定为止的时间延迟进行抑制的作业判别装置。
为了解决上述的课题,达到目的,本发明所涉及的作业判别装置具有传感器数据输出部,其将表示工业机械的作业的状态的状态数据以对工业机械的动作进行控制的控制周期的整数倍的输出间隔进行输出。另外,该作业判别装置具有判别部,其基于从传感器数据输出部输出的状态数据,通过由递归神经网络进行的推断对工业机械的作业的合格与否进行判别。
发明的效果
本发明所涉及的作业判别装置具有下述效果,即,能够对从作业的异常发生至判定为止的时间延迟进行抑制。
附图说明
图1是表示包含本发明的实施方式1所涉及的作业判别装置的机械系统的结构例的图。
图2是表示实施方式1的判别部的结构例的图。
图3是表示实施方式1的模型部的中间层的结构例的图。
图4是表示实施方式1的处理电路的结构例的图。
图5是表示实施方式2所涉及的机械系统的结构例的图。
图6是表示实施方式3所涉及的传感器数据输出部的结构例的图。
图7是表示实施方式5所涉及的传感器数据输出部的结构例的图。
图8是表示实施方式6所涉及的传感器数据输出部的结构例的图。
图9是表示实施方式7所涉及的传感器数据输出部的结构例的图。
图10是表示实施方式8的机械系统的结构例的图。
图11是表示实施方式9的机械系统的结构例的图。
图12是表示实施方式10所涉及的传感器数据输出部的结构例的图。
图13是表示实施方式11的作业的合格与否的判别方法的一个例子的流程图。
具体实施方式
下面,基于附图对本发明的实施方式所涉及的作业判别装置及作业判别方法详细地进行说明。此外,本发明不受本实施方式限定。
实施方式1.
图1是表示包含本发明的实施方式1所涉及的作业判别装置的机械系统的结构例的图。如图1所示,机械系统具有机器人1、在机器人1设置的传感器2、控制装置3、学习装置4和显示器5。
下面,在本实施方式中,作为工业机械的一个例子,以进行罩组装、连接器插入、基板插入、轴的嵌合等组装作业的机器人1为例而进行说明。本实施方式并不限定于进行组装作业的机器人1,也能够应用于进行除了组装作业以外的作业的机器人、进行切断等加工的机械、包装机等工业机械。
传感器2设置于机器人1,对机器人1的作业的状态、机器人1周围的状态、机器人1的内部的状态量等进行检测。在本实施方式中,传感器2包含力觉传感器。力觉传感器例如设置于机器人1的手腕。力觉传感器周期性地对机器人1的3轴方向的力(Fx,Fy,Fz)和绕3轴的力矩(Mx,My,Mz)进行检测,将检测出的结果作为传感器数据向控制装置3输出。下面,将传感器2对机器人1的作业的状态、机器人1的周围的状态、机器人1的内部的状态量等进行检测的周期称为采样周期。
控制装置3使用从传感器2输出的传感器数据,按照用于对机器人1的动作进行控制的机器人程序对机器人1进行控制。在机器人1进行作业时,控制装置3按照机器人程序对机器人1的动作进行控制以使得实施规定的作业。在机器人程序中,例如规定机器人1的指尖位置等。控制装置3针对每个控制周期,生成用于使机器人1动作的动作指令而对机器人1进行控制。下面,控制周期设为与采样周期相同而进行说明,但控制周期和采样周期也可以不同。
控制装置3具有作为实施方式1所涉及的作业判别装置30的功能。控制装置3使用从传感器2输出的传感器数据,对机器人1的作业的合格与否,即异常的有无进行判别。具体地说,例如,对表示作业的合格与否的作业的类进行判别。作业的类是表示作业的合格与否的值,是表示作业的正常的程度或者异常的种类的值。作业的类并不限定于合格或不合格的2值,也可以包含表示合格和不合格的中间的状态的值。另外,关于异常也可以不是1个,作为异常的种类可以是大于或等于2个值的组合。下面,还包含对作业的类进行判别在内而称为作业的合格与否的判别。此外,在本实施方式中,说明对机器人1进行控制的控制装置3具有作为作业判别装置30的功能的例子,但也可以独立于对机器人1进行控制的控制装置3而设置作业判别装置30。
学习装置4使用输入的作业结果和从控制装置3输出的传感器数据,进行用于在控制装置3中实施的作业的合格与否的判别的学习,将学习结果向控制装置3输出。此外,在这里,对独立于控制装置3而设置学习装置4的例子进行说明,但学习装置4和控制装置3也可以是一体的。另外,也可以与对机器人1进行控制的控制装置3分体地设置作业判别装置30,作业判别装置30和学习装置4一体。
显示器5基于来自控制装置3的指示,对机器人1的作业的状态等进行显示。显示器5可以是液晶监视器、显示器等,也可以是旋转灯等显示灯。另外,显示器5也可以进行通过峰鸣等的声音实施的通知。在本实施方式中,对独立于控制装置3而设置显示器5的例子进行说明,但显示器5和控制装置3也可以是一体的。另外,显示器5和学习装置4也可以是一体的。
接下来,对控制装置3的结构进行说明。控制装置3如图1所示,具有传感器数据输出部31、判别部32、动作修正部33及动作控制部34。传感器数据输出部31将表示机器人1的作业的状态的数据以对机器人1的动作进行控制的控制周期的整数倍的输出间隔进行输出。在本实施方式中,输出间隔为控制周期的1倍。详细地说,传感器数据输出部31针对每个采样周期即控制周期,对包含从力觉传感器输出的3轴方向的力(Fx,Fy,Fz)和绕3轴的力矩(Mx,My,Mz)在内的传感器数据进行接收,针对每个控制周期将3轴方向的力(Fx,Fy,Fz)向判别部32输出。即,传感器数据输出部31输出的状态数据在本实施方式中,是从传感器2输出的传感器数据之中的至少一部分,在本例中为3轴方向的力(Fx,Fy,Fz)。
判别部32基于从传感器数据输出部31输出的数据,通过由RNN(Recurrent NeuralNetwork:递归神经网络)进行的推断对机器人1的作业中的异常的有无进行判别。具体地说,判别部32通过使用由学习装置4生成的RNN的学习模型进行的推断,对机器人1的作业的合格与否进行判别。例如,判别部32针对每个控制周期,将从传感器数据输出部31输出的3轴方向的力(Fx,Fy,Fz)作为输入,使用学习模型而求出表示机器人1的作业的状态的输出数据,基于输出数据对机器人1的作业的合格与否即作业的异常的有无进行判别。另外,判别部32在判别为作业异常的情况下,也可以还对异常的类别进行判别。在这里,作为异常的类别,以位置偏移和部件异常这2种为例进行说明,但异常的种类也可以为1种或大于或等于3种。部件异常是部件缺失一部分或在部件附着有异物这种与部件相关的异常。另外,表示判别结果的数据的形式并不限定于上述的例子。判别部32将判别结果向动作修正部33输出。RNN是将时间序列数据设为输入的机械学习的一个例子。关于判别部32的详细内容在后面记述。
动作修正部33基于通过判别部32得到的判别结果而进行控制,以使得修正机器人1的动作。动作修正部33在从判别部32输入的判别结果是表示为正常的值的情况下,并不特别进行动作。动作修正部33在从判别部32输入的判别结果是表示位置偏移的异常的值的情况下,指示在显示器5对位置偏移的异常进行显示,并且对进行位置偏移的异常用的动作这样的机器人1的动作进行修正。具体地说,动作修正部33例如暂时停止机器人1而将机器人1返回至预定的位置为止,并且进行探索动作而生成用于恢复作业的指令,作为动作修正指令向动作控制部34输出。在探索动作中,基于安装于机器人1的力觉传感器、触觉传感器等的值对正确的插入作业的位置进行探索。例如如果是向没有罩的插针的连接器插入作业的情况,则将从多个方向由机器人1抓持的连接器以低速进行抵接而导出插针的位置,在导出的位置处再次实施连接器插入作业。另外,动作修正部33在从判别部32输入的判别结果是表示部件异常的值的情况下,指示在显示器5对部件异常进行显示,并且对进行部件异常用的动作这样的机器人1的动作进行修正。具体地说,动作修正部33例如生成用于在暂时停止机器人1后将机器人1返回至规定的位置为止而再次停止的指令作为动作修正指令,向动作控制部34输出。如以上所述,动作修正部33在由判别部32判别为机器人1的位置偏移的异常的情况下,进行控制以使得在将机器人1返回至规定的位置后再次进行作业,在判别为部件异常的情况下进行控制以使机器人1停止。
动作控制部34使用从传感器数据输出部31输出的传感器数据,针对每个控制周期,生成用于使机器人1动作的动作指令而向机器人1输出。另外,动作控制部34在从动作修正部33接收到动作修正指令的情况下,将通常的动作指令的输出停止,将从动作修正部33接收到的动作修正指令向机器人1输出。
学习装置4例如是个人计算机(PC)等计算机,具有学习部41。学习部41在机器人1开始实际的生产中的组装作业前,进行使用被称为训练数据的教师数据的机械学习。作为机械学习,如上所述例如能够使用RNN。在本实施方式中,控制装置3的判别部32内置通过学习部41使用教师数据进行学习的学习模型。判别部32如上所述,使用将从传感器数据输出部31输出的3轴方向的力(Fx,Fy,Fz)作为输入而通过该学习模型得到的结果,对机器人1的作业的合格与否进行判别。
接下来,对学习装置4的学习部41中的机械学习和控制装置3的判别部32详细地进行说明。首先,对学习部41中的机械学习进行说明。学习部41在机器人1开始实际的生产中的组装作业前,至少使用与包含以下的第1状态、第2状态及第3状态在内的各个状态相对应的教师数据进行机械学习。
第1状态是组装作业正常地结束的状态。操作者在开始实际的生产中的组装作业前,使机器人1实施组装作业。学习装置4的学习部41在该组装作业中,将从传感器数据输出部31输出的3轴方向的力(Fx,Fy,Fz)作为输入数据而存储于学习装置4。输入数据成为正在进行该组装作业的时间段的时间序列数据。操作者在正常地进行组装作业的情况下,作为作业结果即输出数据的正确值而将(1,0,0)向学习部41输入。详细地说,操作者通过对作为学习装置4的计算机的输入单元即键盘、鼠标、触摸面板等进行操作,从而将输出数据的正确值输入至学习装置4。学习装置4将由输入单元接收到的数据赋予给学习部41。学习部41将所存储的输入数据之中的与第1状态相对应的输入数据和输出数据的正确值即(1,0,0)的组作为教师数据进行学习。
第2状态是发生了机器人1的位置偏移,组装作业失败的状态。操作者在开始实际的生产中的组装作业前,有意地使机器人1发生位置偏移而使组装作业失败。学习装置4的学习部41在该失败的组装作业的作业中,将从传感器数据输出部31输出的3轴方向的力(Fx,Fy,Fz)作为输入数据而存储于学习装置4。操作者在有意地使机器人1发生位置偏移而使组装作业失败的情况下,作为输出数据的正确值而将(0,1,0)向学习部41输入。学习部41将所存储的输入数据之中的与第2状态相对应的输入数据和输出数据的正确值即(0,1,0)的组作为教师数据进行学习。
第3状态是由于部件缺失一部分或在部件附着有异物这样的部件异常而组装作业失败的状态。操作者在开始实际的生产中的组装作业前,有意地发生部件异常而使组装作业失败。学习装置4的学习部41在该失败的组装作业的作业中,将从传感器数据输出部31输出的3轴方向的力(Fx,Fy,Fz)作为输入数据而存储于学习装置4。操作者在有意地使部件异常发生而使组装作业失败的情况下,作为输出数据的正确值而将(0,0,1)向学习部41输入。学习部41将所存储的输入数据之中的与第3状态相对应的输入数据和输出数据的正确值即(0,0,1)的组作为教师数据进行学习。此外,在第3状态下,可以不仅发生部件异常,还发生位置偏移,使学习装置4取得与该期间相对应的传感器数据,作为对应的作业结果将输出数据的正确值即(0,1,1)进行输入而学习。
此外,在进行学习部41的学习时,使机器人1以多个速度进行组装作业,取得与各个速度相对应的数据而进行学习。此时,也可以关于机器人1能够动作的全部速度进行学习,以代表所设想的速度的范围的多个速度进行学习,由此与关于全部速度进行学习的情况相比,能够削减学习所需的时间。并且以使用的可能性最高的速度或者设想的速度范围中最低的速度等1个速度进行学习而从启动调整的早期的阶段取得用于学习的数据,并且削减学习所需的数据的量,由此能够进一步削减学习所需的时间。
此外,在本实施方式中,对作为机械学习中的输出数据而如(1,0,0)这样将3个要素进行输出的例子进行说明,但输出数据的要素的数并不限定于3个。另外,在这里,对(1,0,0)示出组装作业正常地进行、(0,1,0)示出位置偏移异常、(0,0,1)示出部件异常的例子进行说明,但输出数据的具体的值和其定义并不限定于本例。也可以增加维度,将部件的异常状态分为部件的缺失和异物的附着等多个异常模式而进行学习。在本实施方式中,各状态的时间序列数据即传感器数据成为输入数据,进行通过RNN实施的机械学习。
接下来,对判别部32详细地进行说明。图2是表示本实施方式的判别部32的结构例的图。判别部32具有:模型部321,其进行使用通过学习部41训练好的学习模型的数据生成;以及异常判别部322,其使用由模型部321生成的数据,即训练好的学习模型的输出数据而对作业的合格与否进行判别。此外,学习部41具有与图2的模型部321相同结构的模型部,并且具有对由模型部得到的输出数据的误差进行评价,决定模型部的各加权以使得误差变小的功能。误差变小而得到的学习模型成为训练好的学习模型。
模型部321如图2所示,具有输入层35、中间层36及输出层37。输入层35具有与输入数据的要素的数即输入数相对应的数的节点38。在图2中,仅对最上方的节点38标注有标号,但输入层35中的省略了标号的圆也是节点38。
中间层36具有多个节点39。在图2中,仅对最上方的节点39标注有标号,但中间层36中的省略了标号的双圆也是节点39。输出层37具有与输出数据的要素的数即输出数相对应的数的节点40。在图2中,仅对最上方的节点40标注有标号,但输出层37中的省略了标号的圆也是节点40。
输入层35针对每个控制周期,将从传感器数据输出部31输出的传感器数据即输入数据向中间层36输出。详细地说,各节点38将输入的数据向中间层36的各节点39输出。各节点38可以在将输入的值乘以加权后向中间层36的各节点39输出。中间层36的各节点39进行RNN的处理而将处理结果向输出层37的各节点40输出。输出层37的各节点40将从中间层36的各节点39输出的数据相加,对相加结果进行输出。输出层37的各节点40可以将从中间层36的各节点39输出的数据乘以加权,将乘以加权得到的结果进行相加。
在图2中,将中间层36设为1层,但中间层36也可以大于或等于2层。另外,在图2中,设为输入数3、输出数3,但输入数、输出数并不限定于此。另外,在图2中,将中间层36的节点39的数设为5,但中间层36的节点39的数并不限定于5。
在图2中,将构成时刻t的输入数据的3个要素设为x1 t、x2 t、x3 t。t是以控制周期为单位而离散化的时刻。即,t为表示是第几个控制周期的整数。h1 t、h2 t、h3 t、h4 t、h5 t示出时刻t的中间层36的各节点39的输出。y1 t、y2 t、y3 t示出时刻t的输出层37的各节点40的输出。
在本实施方式中,以RNN为前提。因此,中间层36存储有前一次的控制周期的中间层36的输出结果,将前一次的控制周期的输出结果和根据以本次的控制周期从输入层35输入的值而计算出的项的加权和向输出层37输出。RNN在传感器输出等时间序列数据的学习中常常使用。在RNN中,如果将输入值(例如,x1 t、x2 t、x3 t)设为要素的矢量表示为xt,将中间层36的输出值设为要素的矢量设为ht,则矢量ht能够通过下面的式(1)表示。t如上所述,为表示是第几个控制周期的整数。在将矢量xt的维度设为M、将矢量ht的维度设为N时,W是N×M的维度的线性变换矩阵,R是N×N的维度的线性变换矩阵,b是偏置矢量。g(·)表示激活函数。
【式1】
ht=g(Wxt+Rht-1+b)…(1)
作为RNN的例子,存在Elman/Jordan net、LSTM(Long Short Term Memory)、GRU(Gated Recurrent Unit)等,可以由任意者构成,但在本实施方式中以使用LSTM的情况为例而进行说明。
图3是表示本实施方式的模型部321的中间层36的结构例的图。在图3中,以节点39为1个的情况为例进行了记载。在图3所示的结构例中,在中间层36进行下面的式(2)-(7)所示的计算。
【式2】
ft=σ(Wfxt+Rfht-1+bf)…(2)
it=σ(Wixt+Riht-1+bi)…(3)
zt=tanh(Wzxt+Rzht-1+bz)…(4)
ot=σ(Woxt+Roht-1+bo)…(5)
Wf,Wi,W:,Wo∈R(dim(ht)×dim(xt))
Rf,Ri,Rz,Ro∈R(dim(ht)×dim(ht))
Wf、Wi、Wz、Wo是N×M的维度的线性变换矩阵,Rf、Ri、Rz、Ro是N×N的维度的线性变换矩阵,bf、bi、bz、bo是偏置矢量。它们是通过学习部41的学习而决定的。σ(·)表示S形函数,tanh(·)表示双曲正切函数。
此外,模型部321中的各处理能够使用通常的RNN中的处理,因此省略详细的说明。
从输出层37的各节点40输出的y1 t、y2 t、y3 t作为模型部321的输出数据而输入至异常判别部322。在本实施方式中,y1 t、y2 t、y3 t设为下面的值。第1要素即y1 t表示越接近1则正常的可能性越高。第2要素即y2 t表示越接近1则机器人1的位置偏移的异常的可能性越高。第3要素即y3 t表示越接近1则部件缺失一部分或在部件附着有异物的部件异常的可能性越高。异常判别部322基于模型部321的输出数据,针对每个控制周期对机器人1的作业的合格与否进行判别。
本实施方式所涉及的控制装置3为了进行生产,由机器人1开始罩组装、连接器插入、基板插入、轴的嵌合等组装作业,并且开始通过判别部32进行的判别,随着机器人1结束上述组装作业而结束判别。
在教师数据中,如上所述,输出数据的正确值通过(1,0,0)等整数值表示,但模型部321的输出数据的各值并不一定为整数值。因此,作业的合格与否的判别是通过各值与规定值相比较而进行的。异常判别部322在从组装作业的开始至结束为止的各控制周期,第2要素至少一次大于或等于规定值的情况下,判别为位置偏移异常,将表示位置偏移异常的值作为判别结果向动作修正部33输出。另外,异常判别部322在从组装作业的开始至结束为止的各控制周期,第3要素至少一次大于或等于规定值的情况下,判断为部件异常,将表示部件异常的值作为判别结果向动作修正部33输出。另外,异常判别部322也可以在从组装作业的开始至结束为止的各控制周期,第2要素至少一次大于或等于规定值且第3要素至少一次大于或等于规定值的情况下,判断为部件异常,将表示部件异常的值作为判别结果向动作修正部33输出。
另外,异常判别部322在从组装作业的开始至结束为止的全部控制周期,第1要素大于或等于规定值且第2要素和第3要素都小于规定值的情况下,将表示为正常的值作为判别结果向动作修正部33输出。或者,异常判别部322也可以在从组装作业的开始至结束为止的全部控制周期,第2要素和第3要素都小于规定值的情况下,将表示为正常的值作为判别结果向动作修正部33输出。在与第1要素、第2要素和第3要素各自比较时使用的规定值可以不同、也可以相同。另外,在上述的例子中,根据各值是否大于或等于规定值进行判别,但也可以根据各值是否超过规定值而进行判别。
接下来,对本实施方式的学习装置4及控制装置3的硬件结构进行说明。控制装置3的传感器数据输出部31、判别部32、动作修正部33及动作控制部34通过处理电路而实现。处理电路可以是具有处理器的电路,也可以是专用硬件。
在处理电路是具有处理器的电路的情况下,处理电路例如是图4所示的结构的处理电路。图4是表示本实施方式的处理电路的结构例的图。图4所示的处理电路100具有处理器101及存储器102。在传感器数据输出部31、判别部32、动作修正部33及动作控制部34通过图4所示的处理电路100实现的情况下,处理器101将在存储器102中储存的程序读出并执行,由此将它们实现。即,在传感器数据输出部31、判别部32、动作修正部33及动作控制部34通过图4所示的处理电路100实现的情况下,它们的功能使用软件即程序而实现。存储器102还作为处理器101的作业区域而被使用。处理器101是CPU(Central Processing Unit)等。存储器102例如相当于RAM(Random Access Memory)、ROM(Read Only Memory)、闪存等非易失性或者易失性的半导体存储器、磁盘等。
在传感器数据输出部31、判别部32、动作修正部33及动作控制部34为专用硬件的情况下,处理电路例如为FPGA(Field Programmable Gate Array)、ASIC(ApplicationSpecific Integrated Circuit)。此外,传感器数据输出部31也可以将具有处理器的处理电路及专用硬件组合而实现。传感器数据输出部31、判别部32、动作修正部33及动作控制部34可以通过多个处理电路而实现。
学习装置4如上所述为计算机。学习装置4的学习部41是通过计算机中的处理电路而实现的。该处理电路与图4所示的处理电路100相同。处理器101将在存储器102中储存的程序读出并执行,由此实现学习装置4。存储器102还作为处理器101的作业区域而被使用。另外,实现学习装置4的计算机如上所述,具有键盘、鼠标、触摸面板等输入单元,并且具有显示器、监视器等显示单元。使用学习装置4的操作者根据在显示单元进行显示的显示画面,如上所述能够使用输入单元而输入作业结果。
为了在学习装置4和控制装置3之间进行数据的收发,学习装置4及控制装置3可以各自具有通信电路。在该情况下,在学习装置4和控制装置3之间数据的收发是经由这些通信电路而进行的。
在以上所述的例子中,对将模型部321中的输入数设为3、将输出数设为3的例子进行了说明,但输入数、输出数并不限定于上述的例子。例如,如下面这样,也可以将输入数设为6、将输出数设为2。作为输入数据,在3轴方向的力的基础上还使用分别绕3轴的力矩(Mx,My,Mz)。在机器人1的作业开始前,操作者使学习装置4在正常的状态和位置偏移及部件异常等异常的状态两者下在3轴方向的力的基础上还取得分别绕3轴的力矩(Mx,My,Mz),与正确的输出数据即作业结果相关联而进行学习。例如,在机器人1的作业正常的情况下将输出数据设为(1,0),在异常的情况下将输出数据设为(0,1)而进行学习。在生产开始后的机器人1的组装作业中,异常判别部322基于由第1要素、第2要素这2个要素构成的输出数据,对作业的合格与否进行判别。
详细地说,异常判别部322在第2要素大于或等于规定值的情况下,将表示为异常的值作为判别结果而输出至动作修正部33。异常判别部322在第2要素小于规定值的情况下,将表示为正常的值作为判别结果而输出至动作修正部33。动作修正部33在作为判别结果而输入了表示为正常的值的情况下,保持原样而什么也不做。另外,动作修正部33在作为判别结果而输入了表示为异常的值的情况下,将在暂时停止机器人1后将机器人1返回至规定的位置为止而用于再次停止的动作指令向动作控制部34输出,并且在显示器5对异常进行显示。
另外,作为传感器2,可以具有力觉传感器及对机器人1的各轴的电动机位置进行检测的位置检测器。在该情况下,传感器数据输出部31作为传感器数据而将3轴方向的力(Fx,Fy,Fz)、绕3轴的力矩(Mx,My,Mz)及6轴的各电动机位置输出至判别部32,因此模型部321中的输入数成为12。另外,也可以作为传感器2而还加入对电动机电流进行检测的电流检测器,传感器数据输出部31进一步作为传感器数据而将电动机电流输出至判别部32。另外,也可以将电动机的位置指令向判别部32输入。传感器数据的内容和项目的数只要是表示机器人1的状态、机器人1的作业的状态、机器人1的周围的状态即可,并不限定于上述的例子。
另外,在作为输出数异常的要因而对大于或等于3种异常进行判别的情况下,输出数成为大于或等于4。此外,在输出数与上述的例子不同的情况下,与它们相对应的学习是使用学习装置4进行的。例如,在对大于或等于3种异常进行判别的情况下,使用与各异常的种类相对应的教师数据进行的学习在开始实际的生产中的组装作业前由学习装置4进行。
在本实施方式所涉及的控制装置3中,通过判别部32进行的判别如上所述,针对每个控制周期而进行。因此,与将一定期间的数据累积而使用累积的数据对特征量进行计算而判别作业的异常的现有技术相比,能够抑制从异常发生至判定为止的时间延迟。另外,在本实施方式中通过1个递归神经网络进行多个异常模式的判别,因此与计算多个特征量而对作业的合格与否进行判别的现有技术相比,能够抑制作业的合格与否判定时的处理负荷。另外,在本实施方式中不需要判别用的时间宽度的设定,因此与作业的速度无关而能够由同一判别部进行判别。因此,不需要通过作业的速度的变更进行的再学习。如以上所述,本实施方式所涉及的控制装置3能够抑制作业的合格与否判定时的从作业的异常发生至判定为止的时间延迟,抑制作业的合格与否判定时的处理负荷,不需要通过作业的速度的变更进行的再学习。
实施方式2.
接下来,对本发明所涉及的实施方式2的作业判别方法进行说明。图5是表示实施方式2的机械系统的结构例的图。如图5所示,本实施方式的机械系统除了取代实施方式1的控制装置3而具有控制装置3a以外,与实施方式1的机械系统相同。控制装置3a相对于实施方式1的控制装置3而追加有校正量存储部61。对与实施方式1相同的结构要素标注相同的标号而进行说明,省略与实施方式1重复的说明。下面,以与实施方式1的不同点为中心进行说明。
在实施方式1中,将模型部321的输出数据即RNN的输出数据构成的各要素,例如如是否正常这样,相当于表示是否适合于各要素所示的条件的标志。在本实施方式中,对在输出数据中不仅包含相当于标志的数据,还包含定量地表示某些项目的值的例子进行说明。
学习部41在机器人1开始实际的生产中的组装作业前,使用与至少包含以下的第1状态、第2状态及第3状态在内的各个状态相对应的教师数据而进行机械学习。即,第1状态是没有位置偏移且组装作业正常地结束的情况,第2状态是由于位置偏移而组装作业失败或者虽然存在位置偏移但组装作业成功的情况。第3状态是由于部件缺失一部分或在部件附着有异物的部件异常而作业失败的情况。
操作者作为与第1状态相对应的作业结果而将(1,0,0,0,0)输入至学习装置4。学习装置4将与第1状态相对应的传感器数据和作业结果相关联而进行学习。在本实施方式中,传感器数据设为3轴方向的力(Fx,Fy,Fz)及绕3轴的力矩(Mx,My,Mz)的时间序列数据。
另外,操作者通过有意地使位置偏移产生而产生第2状态。操作者作为与第2状态相对应的作业结果,在组装作业失败的情况下将(0,r1,r2,r3,0)输入至学习装置4,在组装作业成功的情况下将(1,r1,r2,r3,0)输入至学习装置4。r1、r2、r3各自表示x轴方向的位置、y轴方向的位置、绕垂直轴即z轴的旋转θ的偏移量的容许值和实际的偏移量之比。r1、r2、r3是表示位置偏移量的值的一个例子。此外,在这里,xy轴设为是水平方向的2轴,z轴设为是垂直轴方向。例如,机器人1的x轴方向的位置的偏移量的容许值设为是Δxmax。操作者对实际的机器人1的x轴方向的偏移量进行测量。将由操作者测量出的测量结果设为Δxr。此时,操作者作为r1=Δxr/Δxmax而对r1进行计算。此外,r1设为是包含正负符号的值。例如,实际的偏移量作为包含正负符号的值被测量,偏移量的容许值设为是绝对值。同样地,操作者对r2、r3进行计算,将基于得到的计算结果的作业结果输入至学习装置4。学习装置4将与第2状态相对应的传感器数据和作业结果相关联而进行学习。此时,操作者对所要产生的位置偏移量进行变更,输入与变更后的偏移量相对应的作业结果,由此使学习装置4进行位置偏移量不同的多个情形的学习。
另外,操作者通过有意地使部件异常产生而产生第3状态。另外,操作者作为与第3状态相对应的作业结果而将(0,r1,r2,r3,1)输入至学习装置4。在第3状态下,关于位置偏移,既可以产生也可以不产生。在不产生位置偏移的情况下,r1、r2、r3分别成为0、0、0。学习装置4将与第3状态相对应的传感器数据和作业结果相关联而进行学习。
如果进行上述的学习,则通过学习装置4生成训练好的学习模型,该学习模型由判别部32的模型部321使用。而且,与实施方式1同样地,机器人1为了进行生产,开始罩组装、连接器插入、基板插入、轴的嵌合等组装作业,并且开始通过判别部32进行的判别。
在本实施方式中,模型部321的输入数为6,输出数为5。模型部321将由从第1要素至第5要素为止这5个要素构成的输出数据向异常判别部322输入。异常判别部322在从组装作业的开始至结束为止的各控制周期,第5要素至少一次大于或等于规定值的情况下,判别为部件异常,将表示部件异常的值作为判别结果而向动作修正部33输出。
另外,异常判别部322在从组装作业的开始至结束为止的各控制周期,第2要素、第3要素及第4要素之中的大于或等于1个要素至少一次大于或等于规定值的情况下,判别为位置偏移异常,将表示位置偏移异常的值作为判别结果而向动作修正部33输出。此时,异常判别部322在从组装作业的开始至结束为止的全部控制周期,第2要素、第3要素及第4要素全部小于规定值的情况下,作为判定结果将表示正常的值向动作修正部33输出,并且关于r1、r2、r3也向动作修正部33输出。与第1要素至第5要素为止各自比较时使用的规定值可以不同,也可以相同。
另外,异常判别部322在从组装作业的开始至结束为止的全部控制周期,第1要素大于或等于规定值,且第2要素、第3要素、第4要素及第5要素为0的情况下,判别为没有位置偏移且作业正常地进行,将表示正常的值作为判别结果而向动作修正部33输出。
动作修正部33在作为判别结果而被输入表示部件异常的值的情况下,生成用于暂时使机器人1停止,然后将机器人1返回至规定的位置为止而再次停止的动作修正指令,向动作控制部34输出,并且在显示器5对异常进行显示。动作修正部33在作为判别结果而被输入表示位置偏移异常的值的情况下,生成用于暂时使机器人1停止,然后将机器人1返回至规定的位置为止,并且与r1、r2、r3的值相应地对机器人1的位置偏移进行修正的动作修正指令而向动作控制部34输出。即,动作修正部33以使用r1、r2、r3的值对工业机械的动作进行修正而再次进行作业的方式进行控制,以使得对位置偏移进行抑制。由此,再次基于位置偏移被修正后的动作修正指令而实施组装作业。
另外,动作修正部33在作为判别结果被输入正常的条件下的r1、r2、r3被输入的情况下,什么也不做而使该作业结束,但直至下一次的作业开始时为止将r1、r2、r3的值存储于校正量存储部61,在下一次的作业开始时,从校正量存储部61读出r1、r2、r3,生成用于与r1、r2、r3的值相应地对机器人1的位置偏移进行修正的动作指令而向动作控制部34输出。即,在表示位置偏移量的值小于规定值的情况下,动作修正部33在该作业中不进行机器人1的动作的修正,在下一次的机器人1的作业中以使用表示位置偏移量的值对机器人1的动作进行修正的方式进行控制,以使得对位置偏移进行抑制。由此,在下一次及其以后的作业中,基于位置偏移被修正后的动作修正指令而实施组装作业,因此能够抑制由于位置偏移累积而引起的机器人1的停止。除了以上所述以外的本实施方式的动作与实施方式1相同。此外,校正量存储部61通过存储器而实现。
如以上所述,在本实施方式中,异常判别部322在判别出位置偏移的情况下,将包含定量地表示机器人1的位置偏移的值在内的输出数据向动作修正部33输出。由此,本实施方式的控制装置3a具有与实施方式1相同的效果,并且在发生了位置偏移的情况下,能够通过使机器人1动作而使机器人1继续作业,以使得对机器人1的位置偏移量进行补偿。另外,通过对下一次及其以后的指令进行修正,从而具有对作业时的位置偏移发生进行抑制的效果。
实施方式3.
图6是表示本发明的实施方式3所涉及的传感器数据输出部的结构例的图。实施方式3的传感器数据输出部31b具有由高通滤波器、带通滤波器、低通滤波器的任意者构成的滤波器311。本发明所涉及的控制装置3b除了取代传感器数据输出部31而具有传感器数据输出部31b以外,与实施方式1的控制装置3相同。本实施方式的机械系统除了取代控制装置3而具有控制装置3b以外,与实施方式1的机械系统相同。下面,对与实施方式1不同的部分进行说明,省略与实施方式1重复的说明。
与实施方式1的传感器数据输出部31同样地,将从传感器2输出的传感器数据输入至传感器数据输出部31b。在这里,传感器2设为力觉传感器,传感器数据设为由机器人1的3轴方向的力(Fx,Fy,Fz)和绕3轴的力矩(Mx,My,Mz)构成的力觉传感器数据。
传感器数据输出部31b的滤波器311从力觉传感器数据提取期望的频带的成分,将提取出的结果作为状态数据向判别部32输出。如上所述,从传感器数据提取期望的频带的成分,由此能够抑制噪声等的影响,因此能够使作业合格与否的判别精度提高。另外,在已知出现由作业引起的传感器数据的变动的频带的情况下,通过滤波器311提取该频带,由此能够使作业合格与否的判别精度提高。此外,传感器数据输出部31b与传感器数据输出部31同样地通过处理电路而实现。除了以上所述以外的本实施方式的动作与实施方式1相同。另外,也可以在实施方式2的机械系统中应用本实施方式的传感器数据输出部31b。
实施方式4.
接下来,对本发明所涉及的实施方式4的作业判别方法进行说明。实施方式4的机械系统的结构及构成机械系统的各装置的结构与实施方式1相同。对与实施方式1相同的结构要素标注相同的标号而进行说明,省略与实施方式1重复的说明。下面,以与实施方式1的不同点为中心进行说明。
在实施方式1中,通过判别部32进行的判别动作的执行周期与动作控制部34中的通常的控制周期相同。与此相对,在本实施方式中,将来自传感器数据输出部31的输出间隔,即通过判别部32进行的判别动作的执行周期设为动作控制部34中的通常的控制周期的整数倍。在将L设为大于或等于2的整数时,在本实施方式中,来自传感器数据输出部31的输出间隔为控制周期的L倍,传感器数据输出部31将最新的L个传感器数据的平均值作为状态数据而输出。
例如,将通过判别部32进行的判别动作的执行周期设为动作控制部34中的通常的控制周期的4倍。在该情况下,传感器数据输出部31使用最近的4个采样周期量的传感器数据,针对3轴方向的力(Fx,Fy,Fz)等各个数据对4个采样周期量的平均值进行计算。
如上所述,通过使用多个采样周期量的传感器数据的平均值,从而能够抑制噪声等的影响。此外,在本实施方式中,与实施方式1相比有可能从发生异常至判别为异常为止的时间变长,但如果将通过判别部32进行的判别动作的执行周期设定比在现有的特征量的计算中使用的一定期间短,则与现有技术相比,能够抑制从发生异常至判别为异常为止的时间。除了以上所述以外的本实施方式的动作与实施方式1相同。另外,也可以在实施方式2或者实施方式3的机械系统应用本实施方式的动作。
实施方式5.
图7是表示本发明的实施方式5所涉及的传感器数据输出部的结构例的图。实施方式5的传感器数据输出部31c具有干扰预测部312和减法部313。本发明所涉及的控制装置3c除了取代传感器数据输出部31而具有传感器数据输出部31c以外,与实施方式1的控制装置3相同。本实施方式的机械系统除了取代控制装置3而具有控制装置3c以外,与实施方式1的机械系统相同。下面,对与实施方式1不同的部分进行说明,省略与实施方式1重复的说明。
在实施方式5中,在传感器2不仅包含力觉传感器,还包含对与机器人1的各轴相对应的电动机的位置进行检测的位置检测器。位置检测器将表示机器人1的各轴的电动机的位置的电动机位置数据进行输出。向传感器数据输出部31c输入力觉传感器数据及电动机位置数据。
干扰预测部312使用电动机位置数据,对作用于力觉传感器的重力进行计算,基于计算出的重力,对在力觉传感器的测量值出现的由重力引起的干扰成分进行预测,将预测结果向减法部313输出。减法部313从力觉传感器数据减去从干扰预测部312输出的预测结果,将相减后的结果向判别部32输出。在本实施方式中,由此,传感器数据输出部31c能够从力觉传感器数据将由重力引起的干扰成分去除,使用由作业引起的力觉传感器数据的变动而进行作业的合格与否的判别。因此,能够使作业合格与否的判别精度提高。此外,传感器数据输出部31c与传感器数据输出部31同样地通过处理电路而实现。除了以上所述以外的本实施方式的动作与实施方式1相同。
另外,也可以在实施方式2或者实施方式4的机械系统中应用本实施方式的结构及动作。另外,也可以将本实施方式和实施方式3组合,通过滤波器对从减法部313输出的数据进行提取。
此外,在上述例子中,干扰预测部312预测出由重力引起的干扰成分,但并不限定于此,也可以对惯性力、离心力、科里奥利力等进行预测。例如,干扰预测部312使用机器人1的各轴的电动机位置数据对各轴的电动机速度及电动机加速度进行计算。接下来,干扰预测部312使用机器人1的各轴的电动机位置、速度及加速度,对由于作用于力觉传感器的惯性力、离心力、科里奥利力及重力之和而在力觉传感器的测量值出现的干扰成分进行预测,将预测结果向减法部313输出。
实施方式6.
图8是表示本发明的实施方式6所涉及的传感器数据输出部的结构例的图。实施方式6的传感器数据输出部31d具有规定值经过判定部314和移动量计算部315。本发明所涉及的控制装置3d除了取代传感器数据输出部31而具有传感器数据输出部31d以外,与实施方式1的控制装置3相同。但是,判别部32中的判别的执行定时与实施方式1不同。本实施方式的机械系统除了取代控制装置3而具有控制装置3d以外,与实施方式1的机械系统相同。下面,对与实施方式1不同的部分进行说明,省略与实施方式1重复的说明。
在本实施方式中,传感器数据输出部31d的输出间隔被决定为,使得针对每个输出间隔的机器人1的移动量成为恒定。向移动量计算部315从对机器人1所具有的各轴的电动机的位置即电动机位置进行检测的位置检测器将电动机位置的检测结果即电动机位置数据针对每个控制周期进行输入。移动量计算部315针对每个控制周期,基于电动机位置数据对机器人1的指尖位置进行计算,对从作业开始起的指尖位置的移动量进行计算。移动量计算部315将计算出的移动量输出至规定值经过判定部314。
向规定值经过判定部314针对每个控制周期而输入力觉传感器数据。另外,如上所述,向规定值经过判定部314针对每个控制周期,输入由移动量计算部315计算的移动量。规定值经过判定部314在从移动量计算部315输入的移动量小于规定值的情况下,不将该控制周期的力觉传感器数据向判别部32输出。规定值经过判定部314在由移动量计算部315计算的移动量大于或等于规定值的情况下,将该控制周期的力觉传感器数据向判别部32输出。然后,规定值经过判定部314在输入的移动量小于“规定值×2”的情况下,不将该控制周期的力觉传感器数据向判别部32输出,在输入的移动量大于或等于“规定值×2”的情况下,将该控制周期的力觉传感器数据向判别部32输出。此后,在每次将力觉传感器数据向判别部32输出时,规定值经过判定部314使与规定值相乘的整数每次增加1而实施相同的动作。判别部32如果被输入力觉传感器数据,则如实施方式1所述那样,实施所述作业的合格与否的判别。
即,规定值经过判定部314在输入的移动量小于“规定值×k”的情况下,不将该控制周期的力觉传感器数据向判别部32输出,在输入的移动量大于或等于“规定值×k”的情况下,将该控制周期的力觉传感器数据向判别部32输出。k的初始值为0,规定值经过判定部314在每次将力觉传感器数据向判别部32输出时使k的值增加1。即,传感器数据输出部31d基于电动机位置数据而决定输出间隔,以使得针对每个输出间隔的机器人1的移动量成为恒定。通过进行如上所述的动作,从而在机器人1的指尖以规定值进行移动时,力觉传感器数据向判别部32输出,实施通过判别部32进行的判别。此外,传感器数据输出部31d与传感器数据输出部31同样地通过处理电路而实现。除了以上所述以外的本实施方式的动作与实施方式1相同。
在机器人1的作业中存在与移动量相应地发生的现象的情况下,在本实施方式中以与移动量相对应的输出间隔将力觉传感器数据向判别部32输入,因此与作业速度无关地在输入的时间序列数据的相同的部分出现其现象,因此具有下述效果,即,即使作业速度在学习后变更,也能够将判别的精度维持得高。
此外,针对每个控制周期进行计算的移动量并不一定成为规定值的整数倍,因此移动量成为规定值×k的时刻并不一定与将力觉传感器数据向判别部32输出的控制周期中的各传感器的输出时刻一致。因此,移动量成为规定值×k时的机器人1的状态有时与向判别部32输出的力觉传感器数据所示的状态不同。因此,规定值经过判定部314可以不将力觉传感器数据直接输出,而是使用该控制周期中的力觉传感器数据和之前的控制周期中的力觉传感器数据对与移动量成为规定值×k的时刻相对应的力觉传感器数据进行推定,将推定结果向判别部32输出。例如,规定值经过判定部314将输入的力觉传感器数据及移动量至少保持至下一个控制周期为止。规定值经过判定部314在以第t个控制周期输入的移动量dt成为大于或等于规定值×k且以第(t-1)个控制周期输入的移动量dt-1小于规定值×k的情况下,求出(规定值×k-dt-1)和(dt-规定值×k)之比。而且,规定值经过判定部314可以与求出的比相应地,对以第(t-1)个控制周期输入的力觉传感器数据和以第t个控制周期输入的力觉传感器数据的加权和进行计算,将计算出的加权和向判别部32输出。
另外,也可以在实施方式2或者实施方式4的机械系统中应用本实施方式的结构及动作。另外,也可以将实施方式3和本实施方式组合,例如使从规定值经过判定部314输出的数据经过滤波器311而输入至判别部32。
实施方式7.
图9是表示本发明的实施方式7所涉及的传感器数据输出部的结构例的图。实施方式7的传感器数据输出部31e具有力觉数据推定部316。本发明所涉及的控制装置3e除了取代传感器数据输出部31而具有传感器数据输出部31e以外,与实施方式1的控制装置3相同。本实施方式的机械系统除了取代控制装置3而具有控制装置3e以外,与实施方式1的机械系统相同。下面,对与实施方式1不同的部分进行说明,省略与实施方式1重复的说明。
向力觉数据推定部316针对每个控制周期,作为传感器数据而输入电动机电流数据和电动机位置数据。力觉数据推定部316使用电动机位置数据,对电动机速度、电动机加速度进行计算,并且根据机器人1的运动方程式对各轴的驱动扭矩进行计算。并且,力觉数据推定部316对电动机电流数据所示的电动机电流和根据扭矩常数计算出的扭矩的差进行计算,使用根据电动机位置数据进行计算的雅克比矩阵,将计算出的扭矩的差变换为作用于机器人1的指尖的力及力矩。力觉数据推定部316将通过变换得到的、作用于机器人1的指尖的力及力矩,以下一个控制周期作为力觉推定值即推定出的力觉值而向判别部32输出。判别部32使用输入的力觉推定值与实施方式1同样地,实施作业的合格与否的判别。传感器数据输出部31e与传感器数据输出部31同样地通过处理电路而实现。除了以上所述以外的本实施方式的动作与实施方式1相同。
如以上所述,在本实施方式中,使用电动机电流数据和电动机位置数据对力觉值进行推定,使用推定出的力觉值而实施作业的合格与否的判别。因此,不使用力觉传感器,能够实现与实施方式1相同的效果。
另外,也可以在实施方式2或实施方式4的机械系统应用本实施方式的结构及动作。另外,也可以将实施方式3和本实施方式组合,例如使用经过滤波器311的电动机电流数据和电动机位置数据由力觉数据推定部316进行处理。
实施方式8.
图10是表示本发明所涉及的实施方式8的机械系统的结构例的图。如图10所示,本实施方式的机械系统除了取代实施方式2的控制装置3a而具有控制装置3f以外,与实施方式2的机械系统相同。控制装置3f相对于实施方式2的控制装置3a而追加有程序解释部62。对与实施方式2相同的结构要素标注相同的标号而进行说明,省略与实施方式2重复的说明。下面,以与实施方式2的不同点为中心进行说明。
在本实施方式中,在用于使机器人动作的机器人程序(通过机器人语言记载的程序)中记载有用于作业合格与否的判别开始的命令、用于作业合格与否的判别结束的命令。即,在本实施方式中,通过判别部32进行的判别的开始和结束是使用机器人程序进行指定。机器人程序能够使用机械系统内的装置或者机械系统外的装置而由作业者进行编辑。因此,作业者能够容易地指定作业合格与否的判别开始及判别结束。程序解释部62按照机器人程序,将作业合格与否的判别开始及判别结束向传感器数据输出部31指定。具体地说,程序解释部62按照机器人程序对用于作业合格与否的判别开始的命令进行处理,由此对传感器数据输出部31指示传感器数据向判别部32的输出的开始。由此,传感器数据输出部31开始传感器数据向判别部32的输出。另外,程序解释部62对用于作业合格与否的判别结束的命令进行处理,由此对传感器数据输出部31指示传感器数据向判别部32的输出的结束。由此,传感器数据输出部31结束传感器数据向判别部32的输出。判别部32如果来自传感器数据输出部31的传感器数据的输入开始,则开始作业的合格与否的判别,如果来自传感器数据输出部31的传感器数据的输入结束,则结束作业的合格与否的判别。
除了以上所述以外的本实施方式的结构及动作与实施方式2相同,因此省略说明。在本实施方式中,具有与实施方式2相同的效果,并且通过对机器人程序进行编辑,从而用户能够容易地指定进行作业的合格与否判别的部位。此外,在以上的说明中,对相对于实施方式2的控制装置3a而追加程序解释部62的例子进行了说明,但并不限定于此,也可以将实施方式1及3至7和本实施方式的结构及动作组合。
实施方式9.
图11是表示本发明所涉及的实施方式9的机械系统的结构例的图。如图11所示,本实施方式的机械系统除了取代实施方式2的控制装置3a而具有控制装置3g以外,与实施方式2的机械系统相同。控制装置3g除了取代实施方式2的作业判别装置30而具有作业判别装置30a以外与实施方式2的作业判别装置30相同。作业判别装置30a相对于实施方式2的作业判别装置30而追加有数据存储部63及判别结果存储部64。对与实施方式2相同的结构要素标注相同的标号而进行说明,省略与实施方式2重复的说明。下面,以与实施方式2的不同点为中心进行说明。
此外,在图11中,示出了在控制装置3g内具有数据存储部63及判别结果存储部64的例子,但并不限定于此,也可以在PLC(Programmable Logic Controller)这样的控制装置3g的外部的控制装置、或者控制装置3g的外部的个人计算机内具有数据存储部63及判别结果存储部64。
数据存储部63将从传感器数据输出部31输出的传感器数据与该传感器数据的识别信息一起作为时间序列数据进行存储。识别信息例如为时间戳,是用于对该传感器数据何时被执行、与哪个作业相对应进行识别的信息。
判别结果存储部64将从判别部32最终输出的判别结果与该判别结果的识别信息一起进行存储。该识别信息与上述的识别信息同样地,例如为时间戳,是用于对该判别结果何时被执行、与哪个作业相对应进行识别的信息。
在数据存储部63及判别结果存储部64中存储的数据,例如发送至将学习装置4实现的个人计算机、显示器5等,在这些装置进行显示。或者,在数据存储部63及判别结果存储部64中存储的数据也可以发送至其他个人计算机或者PLC等经由网络与控制装置3g连接的装置。
除了以上所述以外的本实施方式的结构及动作与实施方式2相同,因此省略说明。在本实施方式中,控制装置3g能够具有与实施方式2相同的效果,并且能够存储过去的传感器数据及判别结果。通过存储过去的判别结果,从而作业者将来能够进行解析。另外,能够将存储的一定期间的数据汇总显示。此外,在以上的说明中,说明了在实施方式2的控制装置3a中,取代作业判别装置30而具有作业判别装置30a的例子,但并不限定于此,也可以将实施方式1及3至8和本实施方式的结构及动作组合。
实施方式10.
图12是表示本发明的实施方式10所涉及的传感器数据输出部的结构例的图。实施方式10的传感器数据输出部31f具有在实施方式3中所述的滤波器311和由高通滤波器、带通滤波器、低通滤波器的任意者构成的滤波器317。本发明所涉及的控制装置3h除了取代传感器数据输出部31而具有传感器数据输出部31f以外,与实施方式2的控制装置3a相同。本实施方式的机械系统除了取代控制装置3a而具有控制装置3h以外,与实施方式2的机械系统相同。下面,对与实施方式2不同的部分进行说明,省略与实施方式2重复的说明。
滤波器311与实施方式3同样地,从力觉传感器数据提取期望的频带的成分,将提取出的结果作为状态数据向判别部32输出。滤波器317从电动机位置数据提取期望的频带的成分,将提取出的结果作为状态数据向判别部32输出。
在6轴的垂直多关节机器人的情况下,机器人各轴的电动机位置成为6维度。在本实施方式中,使力觉传感器的输出(6维度)和机器人各轴的电动机位置分别经过滤波器311、滤波器317而向判别部32输入。由此向判别部32的输入数成为12。
如以上所述,在输入数为12的情况下,也与实施方式3同样地使传感器数据经过滤波器而进行判别,由此能够具有与实施方式3相同的效果。此外,在以上的说明中,对将实施方式2的控制装置3a的传感器数据输出部31替换为传感器数据输出部31f的例子进行了说明,但并不限定于此,也可以将实施方式1、3至6、8及9和本实施方式的结构及动作组合。
实施方式11.
接下来,对本发明所涉及的实施方式11的作业的合格与否的判别方法进行说明。本实施方式的机械系统的结构与实施方式1相同。此外,在实施方式2-10的任意的机械系统中,也可以应用本实施方式的作业的合格与否的判别方法。
图13是表示实施方式11的作业的合格与否的判别方法的一个例子的流程图。本实施方式所涉及的判别方法是随着机器人1开始罩组装、连接器插入、基板插入、轴的嵌合等组装作业而开始判别,随着结束该作业而结束判别。
如图13所示,首先,传感器数据输出部31输出传感器数据(步骤S1)。传感器数据输出部31针对每个控制周期而输出传感器数据。传感器数据是机器人1内部的状态量、在机器人1的手腕部安装的力觉传感器的输出数据等。机器人1内部的状态量是机器人1的各轴的电动机的位置、速度、电流、电动机的位置指令等,作为力觉传感器的输出数据为3轴方向的力(Fx,Fy,Fz)和绕3轴的力矩(Mx,My,Mz)等。
判别部32如果从传感器数据输出部31接收到传感器数据,则将传感器数据作为输入而进行RNN运算(步骤S2)。详细地说,判别部32的图2所示的模型部321进行RNN运算。如上所述,传感器数据针对每个控制周期而输出,因此RNN运算也针对每个控制周期而进行。在RNN运算中存储有前一次控制周期的中间层的输出,将前一次控制周期中的输出值和根据本次周期的输入侧的值(输入层的输出)计算出的项的加权和作为中间层的输出。从输出层针对每个控制周期而输出三维度的值。
如上所述,在开始实际的生产前将组装作业时的3轴方向的力(Fx,Fy,Fz)的时间序列数据、其组装作业的作业结果成对学习而得到的训练好的模型由模型部321使用。在本实施方式中,机器人1以多个动作速度实施作业,获取数据。具体地说,在组装作业正常地结束的情况下作为输出值(1,0,0)进行学习,在有意地引起位置偏移而失败的情况下作为输出值(0,1,0)进行学习,在部件缺失一部分或部件附着有异物而作业失败的情况下作为输出值(0,0,1)进行学习。此外,也可以增加维度,将部件的异常状态分为部件的缺失和异物的附着等,分为多个异常模式进行学习。
在步骤S2后,判别部32的图2所示的异常判别部322对来自模型部321的输出值的第2及3项的任意者是否大于或等于规定值,即来自模型部321的输出值的第2要素及第3要素之中的至少任一个是否大于或等于规定值进行判定(步骤S3)。如果在步骤S3判定为No,即,在第2要素及第3要素的任意者小于规定值的情况下,动作修正部33不修正机器人1的动作而使动作继续(步骤S7)。
如果在步骤S3判定为Yes,即在来自模型部321的输出值的第2要素及第3要素之中的至少任一个大于或等于规定值的情况下,异常判别部322对第2项即第2要素是否大于或等于规定值进行判定(步骤S4)。在第2要素大于或等于规定值的情况下(步骤S4为Yes),动作修正部33暂时使机器人1停止而将机器人返回至预定的位置为止,并且进行探索动作而恢复(重试)作业(步骤S5)。在探索动作中,基于在机器人1安装的力觉传感器、触觉传感器的值对正确的插入作业的位置进行探索。例如如果在向没有罩的插针的连接器插入作业的情况,则将从多个方向由机器人抓持的连接器低速地抵接而导出插针的位置,在导出的位置处再次实施连接器插入作业。
如果在步骤S4判定为No,即在第3要素大于或等于规定值的情况下,动作修正部33使机器人1的动作在该处停止(步骤S6)。
对以上的本发明所涉及的作业的合格与否的判别方法的处理顺序的一个例子进行了说明。由此,能够实现实施方式1所述的效果。
以上的实施方式所示的结构,表示本发明的内容的一个例子,也能够与其他公知技术进行组合,在不脱离本发明的主旨的范围,也能够对结构的一部分进行省略、变更。
标号的说明
1 机器人,2 传感器,3、3a、3b、3c、3d、3e、3f、3g、3h控制装置,4 学习装置,5 显示器,30、30a 作业判别装置,31、31b、31c、31d、31e、31f传感器数据输出部,32 判别部,33 动作修正部,34 动作控制部,41 学习部,61 校正量存储部,62 程序解释部,63 数据存储部,64 判别结果存储部,311、317 滤波器,312 干扰预测部,313 减法部,314 规定值经过判定部,315 移动量计算部,316 力觉数据推定部,321 模型部,322 异常判别部。
Claims (19)
1.一种作业判别装置,其特征在于,具有:
传感器数据输出部,其将表示工业机械的作业的状态的状态数据,以对所述工业机械的动作进行控制的控制周期的整数倍的输出间隔进行输出;以及
判别部,其基于从所述传感器数据输出部输出的所述状态数据,通过以所述状态数据的输出间隔进行由递归神经网络实施的推断,从而以所述状态数据的输出间隔对所述工业机械的作业的合格与否进行判别。
2.根据权利要求1所述的作业判别装置,其特征在于,
具有动作修正部,该动作修正部基于通过所述判别部得到的判别结果进行控制,以使得对所述工业机械的动作进行修正。
3.根据权利要求2所述的作业判别装置,其特征在于,
所述工业机械为机器人,所述作业为组装作业,
所述判别部还对所述作业中的异常的类别进行判别,
所述动作修正部在通过所述判别部判别为所述工业机械的位置偏移的异常的情况下,进行控制以使得在将所述工业机械返回至规定的位置之后再次进行作业,在通过所述判别部判别为与在所述作业中使用的部件相关的异常的情况下,进行控制以使机器人停止。
4.根据权利要求2所述的作业判别装置,其特征在于,
所述工业机械为机器人,所述作业为组装作业,
所述判别部还对所述作业中的异常的类别进行判别,对表示所述工业机械的位置偏移量的值进行计算,
所述动作修正部在通过所述判别部判别为所述工业机械的位置偏移的异常的情况下,以使用表示所述位置偏移量的值对所述工业机械的动作进行修正而再次进行作业的方式进行控制,以使得对位置偏移进行抑制,在通过所述判别部判别为与在所述作业中使用的部件相关的异常的情况下,进行控制以使机器人停止。
5.根据权利要求4所述的作业判别装置,其特征在于,
所述动作修正部在表示所述位置偏移量的值小于规定值的情况下,在该作业中不进行所述工业机械的动作的修正,在下一次的所述工业机械的作业中以使用表示所述位置偏移量的值对所述工业机械的动作进行修正的方式进行控制,以使得对位置偏移进行抑制。
6.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
所述输出间隔是所述控制周期的1倍。
7.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
将L设为大于或等于2的整数,所述输出间隔是所述控制周期的L倍,
针对每个所述控制周期向所述传感器数据输出部输入所述工业机械的作业的状态的检测结果即传感器数据,
所述传感器数据输出部将最新的L个传感器数据的平均值作为所述状态数据进行输出。
8.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
所述输出间隔被决定为,使得针对每个所述输出间隔的所述工业机械的移动量成为恒定。
9.根据权利要求8所述的作业判别装置,其特征在于,
表示所述工业机械的作业的状态的状态数据,包含通过在所述工业机械设置的力觉传感器检测出的检测结果即力觉传感器数据,
所述传感器数据输出部基于所述工业机械所具有的电动机的位置的检测结果即电动机位置数据而决定所述输出间隔,以使得针对每个所述输出间隔的所述工业机械的移动量成为恒定。
10.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
所述传感器数据输出部从由对所述工业机械的作业的状态进行检测的传感器输出的传感器数据提取期望的频带成分,将提取出的结果作为所述状态数据进行输出。
11.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
表示所述工业机械的作业的状态的状态数据,将所述工业机械所具有的电动机的位置的检测结果即电动机位置数据和通过在所述工业机械设置的力觉传感器检测出的检测结果即力觉传感器数据输入至所述传感器数据输出部,
所述传感器数据输出部基于所述电动机位置数据,对通过所述力觉传感器得到的测量值所包含的干扰成分进行推定,将从所述力觉传感器数据去除所述干扰成分后的结果作为所述状态数据进行输出。
12.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
表示所述工业机械的作业的状态的状态数据,将所述工业机械所具有的电动机的位置的检测结果即电动机位置数据、和在所述电动机流过的电动机电流的检测结果即电动机电流数据输入至所述传感器数据输出部,
所述传感器数据输出部基于所述电动机位置数据及所述电动机电流数据对所述工业机械中的力觉值进行推定,将推定出的所述力觉值作为所述状态数据进行输出。
13.一种作业判别装置,其特征在于,具有:
传感器数据输出部,其以对工业机械的动作进行控制的控制周期的整数倍的输出间隔将表示所述工业机械的作业的状态的状态数据进行输出;以及
判别部,其基于从所述传感器数据输出部输出的所述状态数据,通过由递归神经网络进行的推断对所述工业机械的作业的合格与否进行判别,
决定所述输出间隔以使得针对每个所述输出间隔的所述工业机械的移动量成为恒定。
14.根据权利要求13所述的作业判别装置,其特征在于,
表示所述工业机械的作业的状态的状态数据,包含通过在所述工业机械设置的力觉传感器检测出的检测结果即力觉传感器数据,
所述传感器数据输出部基于所述工业机械所具有的电动机的位置的检测结果即电动机位置数据,决定所述输出间隔以使得针对每个所述输出间隔的所述工业机械的移动量成为恒定。
15.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
通过所述判别部进行的判别的开始和结束是使用机器人程序进行指定的。
16.根据权利要求13或14所述的作业判别装置,其特征在于,
通过所述判别部进行的判别的开始和结束是使用机器人程序进行指定的。
17.根据权利要求1至5中任一项所述的作业判别装置,其特征在于,
具有判别结果存储部,该判别结果存储部对通过所述判别部得到的判别结果进行存储。
18.根据权利要求13或14所述的作业判别装置,其特征在于,
具有判别结果存储部,该判别结果存储部对通过所述判别部得到的判别结果进行存储。
19.一种作业判别方法,其由作业判别装置对工业机械的作业的合格与否进行判别,
该作业判别方法的特征在于,包含:
数据输出步骤,将表示所述工业机械的作业的状态的状态数据以对所述工业机械的动作进行控制的控制周期的整数倍的输出间隔进行输出;以及
判别步骤,基于通过所述数据输出步骤输出的所述状态数据,通过以所述状态数据的输出间隔进行由递归神经网络实施的推断,从而以所述状态数据的输出间隔对所述工业机械的作业的合格与否进行判别。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019017080A JP7092307B2 (ja) | 2019-02-01 | 2019-02-01 | 作業判別装置および作業判別方法 |
JP2019-017080 | 2019-02-01 | ||
PCT/JP2019/049929 WO2020158239A1 (ja) | 2019-02-01 | 2019-12-19 | 作業判別装置および作業判別方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113365788A CN113365788A (zh) | 2021-09-07 |
CN113365788B true CN113365788B (zh) | 2024-06-21 |
Family
ID=71840026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980090472.1A Active CN113365788B (zh) | 2019-02-01 | 2019-12-19 | 作业判别装置及作业判别方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11865721B2 (zh) |
JP (1) | JP7092307B2 (zh) |
CN (1) | CN113365788B (zh) |
DE (1) | DE112019006789B4 (zh) |
WO (1) | WO2020158239A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900015491A1 (it) * | 2019-09-03 | 2021-03-03 | St Microelectronics Srl | Procedimento di elaborazione dati di serie temporali, sistema di elaborazione, dispositivo e prodotto informatico corrispondenti |
GB202003015D0 (en) * | 2020-03-03 | 2020-04-15 | Atlas Copco Ias Uk Ltd | Riveting machine |
US20240033911A1 (en) * | 2020-12-28 | 2024-02-01 | Sony Group Corporation | Control system and control method |
WO2022145213A1 (ja) * | 2020-12-28 | 2022-07-07 | ソニーグループ株式会社 | 制御装置、制御システム及び制御方法 |
DE102021126188A1 (de) | 2021-10-08 | 2023-04-13 | Dürr Systems Ag | Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage |
DE102021213918A1 (de) * | 2021-12-07 | 2023-06-07 | Kuka Deutschland Gmbh | Identifikation von Fehlerursachen auf Befehlsebene in Prozessen |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016221660A (ja) * | 2015-06-03 | 2016-12-28 | 富士通株式会社 | 判定方法、判定プログラム及び判定装置 |
CN107921626A (zh) * | 2015-05-01 | 2018-04-17 | 通用电气公司 | 用于控制机器人操纵的系统和方法 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2921330B2 (ja) * | 1993-05-19 | 1999-07-19 | 関西電力株式会社 | コンデンサ形計器用変圧器の内部部分放電検出方法 |
JPH08300280A (ja) * | 1995-05-09 | 1996-11-19 | Fanuc Ltd | ロボットの動作制御方式 |
JPH09123078A (ja) * | 1995-11-01 | 1997-05-13 | Ricoh Co Ltd | ロボット装置 |
JP4271249B2 (ja) * | 2007-06-14 | 2009-06-03 | ファナック株式会社 | 嵌合装置 |
JP4598849B2 (ja) * | 2008-09-03 | 2010-12-15 | ファナック株式会社 | 嵌合の詰まり状態を修正する嵌合装置 |
JP5436160B2 (ja) | 2009-11-19 | 2014-03-05 | 三菱電機株式会社 | 力制御装置 |
JP5218470B2 (ja) | 2010-04-28 | 2013-06-26 | 株式会社安川電機 | ロボットの作業成否判定装置、および方法 |
JP5496129B2 (ja) | 2011-02-23 | 2014-05-21 | 富山県 | ロボットのねじ締め作業異常検知方法 |
US20150266182A1 (en) * | 2012-10-11 | 2015-09-24 | Abb Technology Ltd | Method And An Apparatus For Automatically Generating A Collision Free Return Program For Returning A Robot From A Stop Position To A Predefined Restart Position |
CN105934313B (zh) * | 2014-01-26 | 2018-02-06 | Abb瑞士股份有限公司 | 用于将对象移动到目标位置的方法、装置和机器人系统 |
JP5893665B2 (ja) * | 2014-04-14 | 2016-03-23 | ファナック株式会社 | 作用された力に応じて移動されるロボットを制御するロボット制御装置 |
JP6003942B2 (ja) * | 2014-04-24 | 2016-10-05 | トヨタ自動車株式会社 | 動作制限装置及び動作制限方法 |
JP6460690B2 (ja) * | 2014-09-16 | 2019-01-30 | キヤノン株式会社 | ロボット装置、ロボット制御方法、プログラム及び記録媒体 |
WO2016208467A1 (ja) | 2015-06-22 | 2016-12-29 | 三菱電機株式会社 | キャリブレーション装置およびこれを用いたロボットシステム |
DE102016008987B4 (de) | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
JP6702081B2 (ja) | 2016-08-15 | 2020-05-27 | 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 |
JP6514166B2 (ja) * | 2016-09-16 | 2019-05-15 | ファナック株式会社 | ロボットの動作プログラムを学習する機械学習装置,ロボットシステムおよび機械学習方法 |
US10723022B2 (en) * | 2016-09-16 | 2020-07-28 | Carbon Robotics, Inc. | System and calibration, registration, and training methods |
JP6834528B2 (ja) | 2017-01-25 | 2021-02-24 | オムロン株式会社 | 制御装置、制御プログラムおよび制御システム |
CN106826826B (zh) * | 2017-02-14 | 2019-09-20 | 上海新时达电气股份有限公司 | 一种机器人控制方法与装置 |
JP6707485B2 (ja) * | 2017-03-22 | 2020-06-10 | 株式会社東芝 | 物体ハンドリング装置およびその較正方法 |
US10862175B2 (en) | 2017-05-29 | 2020-12-08 | Rohm Co., Ltd. | Battery fuel gauge circuit |
JP7141236B2 (ja) | 2017-05-29 | 2022-09-22 | ローム株式会社 | バッテリの残量検出回路、それを用いた電子機器、バッテリ残量の検出方法 |
US11007648B2 (en) * | 2017-09-05 | 2021-05-18 | Abb Schweiz Ag | Robotic system for grasping objects |
US10016900B1 (en) * | 2017-10-10 | 2018-07-10 | Auris Health, Inc. | Surgical robotic arm admittance control |
JP6781183B2 (ja) * | 2018-03-26 | 2020-11-04 | ファナック株式会社 | 制御装置及び機械学習装置 |
JP7045243B2 (ja) | 2018-04-03 | 2022-03-31 | 株式会社ダイヘン | コンピュータプログラム、溶接情報算出装置、溶接トーチ、溶接電源、溶接システム |
JP7225563B2 (ja) * | 2018-05-14 | 2023-02-21 | セイコーエプソン株式会社 | ロボット、制御装置およびロボットの制御方法 |
JP2020044610A (ja) * | 2018-09-19 | 2020-03-26 | 株式会社デンソーウェーブ | ロボットの制御方法 |
JP7000359B2 (ja) * | 2019-01-16 | 2022-01-19 | ファナック株式会社 | 判定装置 |
-
2019
- 2019-02-01 JP JP2019017080A patent/JP7092307B2/ja active Active
- 2019-12-19 US US17/299,785 patent/US11865721B2/en active Active
- 2019-12-19 CN CN201980090472.1A patent/CN113365788B/zh active Active
- 2019-12-19 WO PCT/JP2019/049929 patent/WO2020158239A1/ja active Application Filing
- 2019-12-19 DE DE112019006789.3T patent/DE112019006789B4/de active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107921626A (zh) * | 2015-05-01 | 2018-04-17 | 通用电气公司 | 用于控制机器人操纵的系统和方法 |
JP2016221660A (ja) * | 2015-06-03 | 2016-12-28 | 富士通株式会社 | 判定方法、判定プログラム及び判定装置 |
Also Published As
Publication number | Publication date |
---|---|
DE112019006789B4 (de) | 2023-09-07 |
US20220016770A1 (en) | 2022-01-20 |
US11865721B2 (en) | 2024-01-09 |
JP2020124760A (ja) | 2020-08-20 |
WO2020158239A1 (ja) | 2020-08-06 |
DE112019006789T5 (de) | 2021-10-28 |
JP7092307B2 (ja) | 2022-06-28 |
CN113365788A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113365788B (zh) | 作业判别装置及作业判别方法 | |
US10782664B2 (en) | Production system that sets determination value of variable relating to abnormality of product | |
US10203666B2 (en) | Cell controller for finding cause of abnormality in manufacturing machine | |
US10502253B2 (en) | Machine learning device for learning assembly operation and component assembly system | |
US10478969B2 (en) | Method for the improved detection of the collision of a robot with its environment, system and computer program product implementing said method | |
CN109213074B (zh) | 控制装置以及机器学习装置 | |
EP3173891B1 (en) | Control device, control program, and recording medium | |
EP3900889A1 (en) | Control apparatus, robot, learning apparatus, robot system, and method | |
CN113748597B (zh) | 电动机控制装置 | |
US20230367296A1 (en) | Industrial system, abnormality detection system, and abnormality detection method | |
JP2020155114A (ja) | 時変システム動作における異常検出のためのシステム、方法およびコンピュータ読取可能記憶媒体 | |
US10962957B2 (en) | Collision position estimation device and machine learning device | |
JPWO2020152741A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
KR102139229B1 (ko) | 인공신경망을 이용한 로봇 매니퓰레이터의 충돌을 감지하는 방법 및 시스템 | |
EP3589457B1 (en) | Monitored control system | |
JP6949284B1 (ja) | 数値制御装置 | |
CN109583124B (zh) | 一种基于adrc的hmm故障预测系统 | |
Briquet-Kerestedjian et al. | Quantifying the uncertainties-induced errors in robot impact detection methods | |
US20230286150A1 (en) | Robot control device | |
US11820007B2 (en) | Abnormality detection device and abnormality detection method | |
Fathi et al. | Human-Robot Contact Detection in Assembly Tasks | |
Xu et al. | A novel collision detection method based on current residuals for robots without joint torque sensors: A case study on UR10 robot | |
US20240227180A9 (en) | Robot system, learning apparatus, information processing apparatus, learned model, control method, information processing method, method for manufacturing product, and recording medium | |
US20240131699A1 (en) | Robot system, learning apparatus, information processing apparatus, learned model, control method, information processing method, method for manufacturing product, and recording medium | |
JP2022077227A (ja) | 異常判定プログラム、異常判定方法および異常判定装置 |
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 |