CN113459082A - 故障预测方法及故障预测装置 - Google Patents

故障预测方法及故障预测装置 Download PDF

Info

Publication number
CN113459082A
CN113459082A CN202110333365.6A CN202110333365A CN113459082A CN 113459082 A CN113459082 A CN 113459082A CN 202110333365 A CN202110333365 A CN 202110333365A CN 113459082 A CN113459082 A CN 113459082A
Authority
CN
China
Prior art keywords
failure prediction
failure
robot
robot arm
vibration characteristics
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.)
Pending
Application number
CN202110333365.6A
Other languages
English (en)
Inventor
平出俊宪
丁熠玫
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.)
Seiko Epson Corp
Original Assignee
Seiko Epson 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 Seiko Epson Corp filed Critical Seiko Epson Corp
Publication of CN113459082A publication Critical patent/CN113459082A/zh
Pending legal-status Critical Current

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/003—Controls for manipulators by means of an audio-responsive input
    • 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
    • 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
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • 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
    • 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
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33025—Recurrent artificial neural network
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • 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
    • G05B2219/34048—Fourier transformation, analysis, fft
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37209—Estimate life of gear, drive
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37351—Detect vibration, ultrasound
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37388—Acceleration or deceleration, inertial measurement
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37435—Vibration of machine
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39529—Force, torque sensor in wrist, end effector
    • 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
    • G05B2219/40549—Acceleration of end effector
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Manipulator (AREA)

Abstract

提供故障预测方法及故障预测装置，能够简单地预测机械手臂所具有的要素部件的故障。故障预测方法的特征在于，预测机器人的要素部件的故障，所述机器人具有机械手臂以及检测部，所述机械手臂具有所述要素部件，所述检测部检测与所述机械手臂动作时的振动特性相关的信息，在所述故障预测方法中，基于与所述振动特性相关的信息，通过机器学习而生成用于预测所述要素部件的故障的故障预测模型，通过向生成的所述故障预测模型输入与所述振动特性相关的信息，从而基于生成的所述故障预测模型所输出的故障预测的推定值，预测所述要素部件的故障。

Description

故障预测方法及故障预测装置
技术领域
本发明涉及故障预测方法及故障预测装置。
背景技术
近年来，由于在工厂中人工费的高涨、人材不足，通过各种机器人、该机器人周边设备，加速了由人工进行的作业的自动化。例如，专利文献1记载的机器人具有机械手臂和驱动机械手臂的驱动部。此外，驱动部具有电机和减速器。
在这种机器人中，例如减速器等要素部件有时随着使用而发生故障。作为预测该故障的单元，在专利文献1中公开了一种控制系统，根据机器人的速度和减速器的润滑脂的铁粉浓度数据，利用机器学习来预测减速器的故障。因此，控制系统能够导出减速器的维护的推荐时期。
专利文献1：日本特开2019-100353号公报
但是，为了预测内置于机器人的关节的减速器的故障，如果使用根据减速器的润滑脂的铁粉浓度数据进行预测的方法，则每次都需要分解机械手臂来确认减速器。进行这种作业比较费时费事。
发明内容
本发明的故障预测方法的特征在于，预测机器人的要素部件的故障，所述机器人具有机械手臂以及检测部，所述机械手臂具有所述要素部件，所述检测部检测与所述机械手臂动作时的振动特性相关的信息，在所述故障预测方法中，基于与所述振动特性相关的信息，通过机器学习而生成用于预测所述要素部件的故障的故障预测模型，通过向生成的所述故障预测模型输入与所述振动特性相关的信息，从而基于生成的所述故障预测模型所输出的故障预测的推定值，预测所述要素部件的故障。
本发明的故障预测装置的特征在于，预测机器人的要素部件的故障，所述机器人具有机械手臂以及检测部，所述机械手臂具有所述要素部件，所述检测部检测与所述机械手臂动作时的振动特性相关的信息，所述故障预测装置具备：故障预测模型生成部，基于与所述振动特性相关的信息，通过机器学习而生成用于预测所述要素部件的故障的故障预测模型；以及处理部，基于生成的所述故障预测模型所输出的故障预测的推定值，预测所述要素部件的故障。
附图说明
图1是示出第一实施方式的机器人系统的整体构成的图。
图2是图1所示的机器人系统的框图。
图3是图1所示的故障预测装置的框图。
图4是图3所示的故障预测模型生成部的构成例的一个例子，是神经网络的示意图。
图5是纵轴表示使机械手臂执行特定动作时的特定的电机的动作速度、横轴表示时间的曲线图的一个例子。
图6是纵轴表示使机械手臂执行特定动作时的特定的电机的动作速度、横轴表示时间的曲线图的一个例子。
图7是横轴表示频率、纵轴表示各频率的功率的有效值的曲线图。
图8是横轴表示频率、纵轴表示各频率的功率的有效值的曲线图。
图9是示出惯性传感器的检测结果的一个例子的曲线图，是横轴表示时间、纵轴表示角速度的曲线图。
图10是示出惯性传感器的检测结果的一个例子的曲线图，是横轴表示时间、纵轴表示加速度的曲线图。
图11是横轴表示测定振动特性的次数、纵轴表示异常度的曲线图。
图12是示出图1所示的机器人系统进行的控制动作的一个例子的流程图。
附图标记说明
1…机器人；3…控制装置；4…示教装置；5…故障预测装置；6…输入装置；10…机械手臂；11…基台；12…第一臂；13…第二臂；14…第三臂；15…第四臂；16…第五臂；17…第六臂；18…惯性传感器；19…力检测部；20…末端执行器；21…声音采集传感器；31…控制部；32…存储部；33…通信部；41…显示部；50…故障预测模型；51…故障预测模型生成部；52…变换部；53…处理部；54…通知部；60…检测部；100…机器人系统；171…关节；172…关节；173…关节；174…关节；175…关节；176…关节；D1…电机驱动器；D2…电机驱动器；D3…电机驱动器；D4…电机驱动器；D5…电机驱动器；D6…电机驱动器；E1…编码器；E2…编码器；E3…编码器；E4…编码器；E5…编码器；E6…编码器；F1…频率；F2…频率；M1…电机；M2…电机；M3…电机；M4…电机；M5…电机；M6…电机；TCP…工具中心点。
具体实施方式
<第一实施方式>
图1是示出第一实施方式的机器人系统的整体构成的图。图2是图1所示的机器人系统的框图。图3是图1所示的故障预测装置的框图。图4是图3所示的故障预测模型生成部的构成例的一个例子，是神经网络的示意图。图5是纵轴表示使机械手臂执行特定动作时的特定的电机的动作速度、横轴表示时间的曲线图的一个例子。图6是纵轴表示使机械手臂执行特定动作时的特定的电机的动作速度、横轴表示时间的曲线图的一个例子。图7是横轴表示频率、纵轴表示各频率的功率的有效值的曲线图。图8是横轴表示频率、纵轴表示各频率的功率的有效值的曲线图。图9是示出惯性传感器的检测结果的一个例子的曲线图，是横轴表示时间、纵轴表示角速度的曲线图。图10是示出惯性传感器的检测结果的一个例子的曲线图，是横轴表示时间、纵轴表示加速度的曲线图。图11是横轴表示测定振动特性的次数、纵轴表示异常度的曲线图。图12是示出图1所示的机器人系统进行的控制动作的一个例子的流程图。
下面，基于附图所示的优选的实施方式，对本发明的故障预测方法及故障预测装置进行详细说明。另外，以下为了便于说明，对于机械手臂，将图1中的基台11侧也称为“基端”，将其相反侧、即末端执行器20侧也称为“前端”。
如图1所示，机器人系统100具备：机器人1、控制机器人1的控制装置3、示教装置4和故障预测装置5。
首先，对机器人1进行说明。
图1所示的机器人1在本实施方式中是单臂的六轴垂直多关节机器人，具有基台11和机械手臂10。此外，能够在机械手臂10的前端部安装末端执行器20。末端执行器20可以是机器人1的构成要件，也可以不是机器人1的构成要件。
另外，机器人1不限定于图示的构成，例如，可以是双臂型的多关节机器人。此外，机器人1也可以是水平多关节机器人。
基台11是将机械手臂10从下侧支承为能够驱动的支承体，例如固定于工厂内的地面。机器人1的基台11经由中继电缆与控制装置3电连接。另外，机器人1与控制装置3的连接不限定于如图1所示的构成那样基于有线的连接，例如，也可以是基于无线的连接，此外，还可以是经由因特网那样的网络进行连接。
在本实施方式中，机械手臂10具有：第一臂12、第二臂13、第三臂14、第四臂15、第五臂16和第六臂17，这些臂从基台11侧依次连结。另外，机械手臂10所具有的臂的数量不限定于六个，例如，也可以是一个、两个、三个、四个、五个或七个以上。此外，各臂的全长等的大小分别没有特别限定，能够适当设定。
基台11和第一臂12经由关节171连结。并且，第一臂12能够相对于基台11以与铅垂方向平行的第一转动轴为转动中心绕该第一转动轴转动。第一转动轴与固定基台11的地面的法线一致。
第一臂12和第二臂13经由关节172连结。并且，第二臂13能够相对于第一臂12以与水平方向平行的第二转动轴为转动中心而转动。第二转动轴平行于与第一转动轴正交的轴。
第二臂13和第三臂14经由关节173连结。并且，第三臂14能够相对于第二臂13以与水平方向平行的第三转动轴为转动中心而转动。第三转动轴与第二转动轴平行。
第三臂14和第四臂15经由关节174连结。并且，第四臂15能够相对于第三臂14以与第三臂14的中心轴方向平行的第四转动轴为转动中心而转动。第四转动轴与第三转动轴正交。
第四臂15和第五臂16经由关节175连结。并且，第五臂16能够相对于第四臂15以第五转动轴为转动中心而转动。第五转动轴与第四转动轴正交。
第五臂16和第六臂17经由关节176连结。并且，第六臂17能够相对于第五臂16以第六转动轴为转动中心而转动。第六转动轴与第五转动轴正交。
此外，第六臂17成为在机械手臂10中位于最前端侧的机器人前端部。该第六臂17能够通过机械手臂10的驱动与末端执行器20一起转动。
机器人1具备作为驱动部的电机M1、电机M2、电机M3、电机M4、电机M5及电机M6和编码器E1、编码器E2、编码器E3、编码器E4、编码器E5及编码器E6。电机M1内置于关节171，使基台11和第一臂12相对旋转。电机M2内置于关节172，使第一臂12和第二臂13相对旋转。电机M3内置于关节173，使第二臂13和第三臂14相对旋转。电机M4内置于关节174，使第三臂14和第四臂15相对旋转。电机M5内置于关节175，使第四臂15和第五臂16相对旋转。电机M6内置于关节176，使第五臂16和第六臂17相对旋转。
此外，编码器E1内置于关节171，检测电机M1的位置。编码器E2内置于关节172，检测电机M2的位置。编码器E3内置于关节173，检测电机M3的位置。编码器E4内置于关节174，检测电机M4的位置。编码器E5内置于第五臂16，检测电机M5的位置。编码器E6内置于第六臂17，检测电机M6的位置。
编码器E1～E6与控制装置3电连接，电机M1～电机M6的位置信息、即旋转量作为电信号发送到控制装置3。并且，控制装置3基于该信息，通过未图示的电机驱动器D1～电机驱动器D6驱动电机M1～电机M6。即，控制机械手臂10是控制电机M1～电机M6。
此外，如后所述，编码器E1～E6也作为检测施加于机械手臂10的振动的振动检测部发挥功能。另外，不限定于该构成，也可以使用其它振动计作为振动传感器。
此外，在机械手臂10的前端部内置有检测角速度或加速度的惯性传感器18。作为惯性传感器18没有特别限定，例如能够使用三轴陀螺仪传感器。
此外，惯性传感器18设置于机械手臂10的前端部。机械手臂10的前端部是角速度、加速度容易变高的部分。因此，通过将惯性传感器18设置于机械手臂10的前端部，能够更灵敏地检测角速度或加速度。由此，如后所述，能够更准确地进行要素部件的故障预测。
此外，虽然未图示，但是在执行后述的特定动作时，在各关节171～关节176分别设置与惯性传感器18不同的专用惯性传感器。
此外，在机器人1中，在机械手臂10装拆自如地设置有检测力的力检测部19。并且，机械手臂10能够在设置有力检测部19的状态下进行驱动。在本实施方式中力检测部19是六轴测力传感器。此外，如后所述，力检测部19是检测相互正交的三个检测轴上的力的大小和绕该三个检测轴的转矩的大小的转矩传感器。此外，力检测部19不限定于六轴测力传感器，也可以是其它构成的传感器。
此外，机器人系统100具有声音采集传感器21。在图示的构成中，声音采集传感器21设置于远离机器人1的位置。另外，不限定于该构成，例如，声音采集传感器21也可以设置于机器人1。此外，声音采集传感器21优选为能够测定高频的传感器。
作为这种振动传感器的编码器E1～E6、惯性传感器18、作为转矩传感器的力检测部19以及声音采集传感器21构成检测与机械手臂动作时的振动特性相关的信息的检测部60。换言之，检测部60具有编码器E1～E6、惯性传感器18、力检测部19以及声音采集传感器21。此外，与振动特性相关的信息包括施加于机械手臂的振动或残留振动、角速度、加速度、转矩、声音等信息。
编码器E1～E6、惯性传感器18、力检测部19及声音采集传感器21经由控制装置3或直接与后述的故障预测装置5电连接。因此，编码器E1～E6、惯性传感器18、力检测部19及声音采集传感器21检测到的与振动特性相关的信息被发送到故障预测装置5。
可以在力检测部19能够装拆地安装末端执行器20。在本实施方式中，末端执行器20由手部构成，该手部具有能够相互接近分离的一对爪部，并且通过各爪部把持、松开工件。另外，作为末端执行器20不限定于图示的构成，也可以是通过吸引把持作业对象物的手部。此外，作为末端执行器20例如也可以是研磨机、磨削机、切削机、螺丝刀、扳手等工具。
此外，在机器人坐标系中，在末端执行器20的前端设定有作为控制点的工具中心点TCP。在机器人系统100中，通过由机器人坐标系把握工具中心点TCP的位置，能够将工具中心点TCP作为控制的基准。
接着，对控制装置3及示教装置4进行说明。
如图1所示，在本实施方式中，控制装置3设置于远离机器人1的位置。但是，并不限定于该构成，也可以内置于基台11。此外，控制装置3具有控制机器人1的驱动的功能，并与上述机器人1的各部分电连接。控制装置3具有控制部31、存储部32和通信部33。这些各部分例如经由总线连接成能够相互通信。
控制部31例如由CPU(Central Processing Unit，中央处理器)构成，读出存储于存储部32的动作程序等各种程序并执行。由控制部31生成的信号经由通信部33发送到机器人1的各部分。由此，机械手臂10能够以规定的条件执行规定的作业。存储部32保存控制部31能够执行的各种程序等。作为存储部32例如可以列举RAM(Random Access Memory，随机存取存储器)等易失性存储器、ROM(Read Only Memory，只读存储器)等非易失性存储器以及装拆式的外部存储装置等。通信部33例如使用有线LAN(Local Area Network，局域网)、无线LAN等外部接口在与控制装置3之间进行信号的收发。
如图1及图2所示，示教装置4具有显示部41，并具有对机械手臂10制作、输入动作程序的功能。作为示教装置4没有特别限定，例如，可以列举平板、个人计算机、智能手机、示教盒等。
在这种控制装置3或示教装置4存储有以下那样的振动赋予程序，通过执行振动赋予程序，能够得到与后述那样的机械手臂10的振动特性相关的信息。
振动赋予程序是如下程序：通过驱动电机M1～电机M6使机械手臂10进行预先确定的特定动作来驱动机械手臂10。
图5及图6是纵轴表示使机械手臂10执行特定动作时的特定的电机的动作速度、横轴表示时间的曲线图的一个例子。图5是进行从时刻T0开始动作、在时刻T1暂时停止并重新开始动作、在时刻T2再次停止动作的特定动作时的惯性传感器18的检测结果。另一方面，图6是进行从时刻T0开始动作、在时刻T3暂时停止、在时刻T4重新开始动作、在时刻T5再次停止动作的特定动作时的特定的电机的动作速度。
另外，在图5及图6所示的例子中，从时刻T0到时刻T1、从时刻T1到时刻T2、从时刻T0到时刻T3、从时刻T4到时刻T5的期间，机械手臂10的特定的电机的动作速度线性地变化。此外，从时刻T3到时刻T4的期间，机械手臂10是停止的状态。
通过在每个电机M1～电机M6进行这种动作，能够得到用于预测内置于关节171～关节176的减速器的故障的与振动特性相关的信息。另外，特定动作是在每个关节171～关节176不同的动作。进行该特定动作，将编码器E1～E6的检测结果、惯性传感器18的检测结果、力检测部19的检测结果以及声音采集传感器21的检测结果输入到故障预测装置5。
接着，对本发明的故障预测装置5进行说明。
如图1～图3所示，故障预测装置5是执行预测机械手臂10的要素部件的故障的故障预测方法的装置。另外，作为要素部件没有特别限定，可以列举减速器、编码器、电机、带、带轮、轴承等。另外，以下对应用减速器作为要素部件的情况进行说明。
故障预测装置5例如能够由GPGPU(General-Purpose computing on GraphicsProcessing Units，通用图形处理器)、大规模PC集群等构成。由此，能够进行高速的处理。
另外，如图1所示，故障预测装置5可以与控制装置3独立构成，也可以组装于控制装置3。在故障预测装置5与控制装置3独立构成的情况下，例如，可以设置于经由以太网(注册商标)等通信线路的网络上的服务器。
如图3所示，故障预测装置5具备：故障预测模型生成部51、变换部52、处理部53和输入装置6。
故障预测模型生成部51通过机器学习生成故障预测模型50。另外，通过机器学习生成故障预测模型50是指根据输入数据反复学习，一边根据各输入数据找出读取的特征、倾向等，并将其结果应用于新的输入数据来进行预测，一边生成故障预测模型50。
故障预测模型50是指接收输入值进行评价、判定，并且将其结果作为输出值输出的模型。输入值是指与机械手臂10的振动特性相关的信息，输出值是指故障预测的推定值。即，故障预测装置5可以认为是学习机械手臂10的固有振动特性的装置。
故障预测模型生成部51例如能够使用图4所示的神经网络来构建。具体地说，故障预测模型生成部51能够作为具有输入层、中间层和输出层的构成。各信息与相邻的层的信息通过网络相连，并展开更大的网络。此外，中间层在图示的构成中是一层，但是优选具有多层。由此，在中间层的各层中，能够对信息的重要性进行加权，并能够进行更准确的故障预测。
此外，作为神经网络能够应用循环型神经网络。在循环神经网络中，由于回归地保持有时间序列信息，因此如果沿时间轴展开，则能够视为一般的神经网络。此外，通过将上次时刻的中间层和本次时刻的输入一起用于学习，能够作为考虑了时间序列信息的网络结构。
另外，作为故障预测模型生成部51中的学习法可以列举有监督学习、无监督学习以及将它们组合后的学习法。在监督学习的情况下，通过预先准备大量的输入值和输出值的数据的组并提供给故障预测模型生成部51，能够学习这些数据集中的特征，归纳性地获得根据输入来推定结果的模型、即其关系性。在无监督学习的情况下，以能够将输出值或其是否合格结果反映到输入值的方式进行学习。由此，即使不提供与故障预测的是否合格的判定相关的信息，也能够根据再次构建的输出与输入的背离来检测异常。其结果，能够明确地检测要素部件的故障的预兆。在循环型神经网络中，与通常的神经网络不同，以回溯时间的方式传播误差，因此通过随时间反向传播(BPTT)法进行学习。
例如，图11是横轴表示测定振动特性的次数、纵轴表示异常度的曲线图。如图11所示，每当测定振动特性时，将由已学习的预测模型求出的异常度与次数相关联地存储。并且，如果与上次相比异常度成为规定值以上的值，则能够视为故障的预兆。
此外，向故障预测模型生成部51输入进行上述特定动作并赋予机械手臂10时的编码器E1～E6的检测结果、惯性传感器18的检测结果、力检测部19的检测结果以及声音采集传感器21的检测结果。
此时，操作者例如使用个人计算机等输入装置6，对编码器E1～E6的检测结果、惯性传感器18的检测结果、力检测部19的检测结果以及声音采集传感器21的检测结果赋予信息，并且将它们相关联地输入到故障预测模型生成部51。
作为操作者所赋予的信息例如可以列举要素部件的有无故障、要素部件的更换推荐时期、要素部件的使用开始日等。另外，也可以省略输入装置6而使用示教装置4进行上述输入作业。
变换部52对编码器E1～E6的检测结果、惯性传感器18的检测结果、力检测部19的检测结果以及声音采集传感器21的检测结果进行快速傅里叶变换，并将变换后的数据输入到故障预测模型生成部51。例如，通过对图5所示的表示机械手臂10的动作速度与时间的关系的数据进行快速傅里叶变换，得到图7所示的数据。此外，例如，通过对图6所示的表示机械手臂10的动作速度与时间的关系的数据进行快速傅里叶变换，得到图8所示的数据。快速傅里叶变换是指以高速进行离散傅里叶变换的算法。由此，能够显著地得到图5及图6所示的数据的特征点。
图7及图8是横轴表示频率、纵轴表示各频率的功率的有效值的曲线图。在图7所示的曲线图中，在频率F1得到最高的功率的有效值，如果远离频率F1，则功率下降。在图8所示的曲线图中，在比图7所示的频率F1低的频率F2得到最高的功率的有效值，如果远离频率F2，则功率下降。
根据特定动作的速度变化的波形，各频率成分所具有的功率不同。与加速度较小且高频成分较少的特定动作相比，加速度较大且高频成分较多的特定动作能够产生更大范围的频率的残留振动。另一方面，加速度较小的特定动作施加于机器人的力较小，因此对机器人的硬件产生的影响也较小。
通过以一边考虑这种要件，一边在要素部件的故障预测所需的频带中以需要的频率得到足够的功率的方式，来制作特定动作的程序，由此能够进行准确的故障预测。
另外，对于每个关节171～关节176，频率的功率的有效值不同的情况较多，优选的是预先通过实验对它们进行测定。
作为输入到故障预测装置5的检测部60的检测结果除了电机的速度以外还可以列举以下检测结果。图9是示出惯性传感器18的检测结果的一个例子的曲线图，是横轴表示时间、纵轴表示角速度的曲线图。图10是示出惯性传感器18的检测结果的一个例子的曲线图，是横轴表示时间、纵轴表示加速度的曲线图。在这些曲线图中，一并显示相互正交的绕X轴的方向、绕Y轴的方向及绕Z轴的方向上的角速度。
此外，图9及图10所示的曲线图示出在结束特定动作后产生了残留振动的状态。这种残留振动的振动特性显著地表现出要素部件的状态变化。因此，对故障预测是有效的。
变换部52也对这种数据进行快速傅里叶变换，将变换后的数据输入到故障预测模型生成部51。此外，虽然未图示，但是对编码器E1～E6的检测结果、力检测部19的检测结果以及声音采集传感器21的检测结果的数据进行变换并输入到故障预测模型生成部51。
并且，故障预测模型生成部51输入变换后的数据作为故障预测模型50的输入值。并且，能够从输出层得到故障预测的推定值。另外，故障预测的推定值是与故障预测结果相关的信息，例如，可以列举是否发生了故障的信息、与到故障为止的推定期间等相关的评分等。并且，处理部53基于这种故障预测的推定值，解释其结果，进行是否发生了故障或是否产生了异常的判断，并且进行使通知部54通知其判断结果的处理。另外，例如基于预先存储的基准值、校准线来进行处理部53的判断。
根据这种故障预测装置5，不分解机械手臂10，基于过去存储的数据，就能够预测机械手臂10的要素部件的故障。即，能够计算与机械手臂10的要素部件是否发生了故障相关的信息、到故障为止的推定期间等。并且，通过通知其结果，操作者不分解机械手臂10，即通过简单的方法，就能够知道与机械手臂10的要素部件是否发生了故障相关的信息、到故障为止的推定期间等。此外，根据本发明，能够在每天的机器人1的启动时的测试动作中、预热运转中等的定时进行故障预测，因此直到变更机器人1的运转预定为止不需要进行故障预测。
另外，作为通知部54没有特别限定，可以列举监视器、扬声器、灯等。此外，也可以是对示教装置4赋予了通知部54的功能的构成。
这样，本发明的故障预测装置5预测机器人1的要素部件的故障，该机器人1具有：机械手臂10，具有减速器等要素部件；以及检测部60，检测与机械手臂10动作时的振动特性相关的信息。此外，故障预测装置5具备：故障预测模型生成部51，基于与振动特性相关的信息，通过机器学习生成用于预测要素部件的故障的故障预测模型50；以及处理部53，基于生成的故障预测模型50所输出的故障预测的推定值，预测要素部件的故障。由此，省略以往那样分解机械手臂10来观察要素部件的作业，能够通过简单的方法知道要素部件的故障预测的结果。
此外，处理部53基于故障预测模型50所输出的推定值，进行是否发生了故障的判断。由此，操作者能够以明确的形式把握故障预测模型50所输出的推定值。
此外，成为故障预测的对象的要素部件是设置于机械手臂10的关节的减速器。减速器是机械上特别复杂的构成，是分解、组装特别困难的部件。因此，通过将减速器作为故障预测的对象，能够更显著地得到本发明的效果。
接着，基于图12所示的流程图，对机器人系统100进行的控制动作的一个例子进行说明。另外，以下作为一个例子，控制装置3或示教装置4执行步骤S101及步骤S102，故障预测装置5执行步骤S103～步骤S107。
此外，虽然未图示，但是在执行步骤S102之前，在各关节171～关节176分别设置与惯性传感器18不同的专用的惯性传感器。
首先，在步骤S101中，设定特定动作。使用示教装置4或输入装置6进行特定动作的设定。例如，如上所述，选择内置有想要预测故障的要素部件的关节，设定为该关节进行特定动作。
接着，在步骤S102中，执行在步骤S101中设定的特定动作。由此，机械手臂10振动，并使用检测部60检测其残留振动。如上所述，检测部60可以列举设置于关节171～关节176的惯性传感器、编码器E1～E6、惯性传感器18、作为转矩传感器的力检测部19及声音采集传感器21等。
这种步骤S102是对机械手臂10赋予振动的振动赋予步骤。另外，并不限定于上述构成，例如，也可以是通过使用锤敲击机械手臂10对机械手臂10赋予振动的构成，还可以是将它们组合后的构成。
接着，在步骤S103中，获取与振动特性相关的信息。此时，将是对关节171～关节176中的哪个关节进行的特定动作的信息和与检测到的振动特性相关的信息相关联地输入到故障预测装置5。这种步骤S103是获取与振动特性相关的信息的信息获取步骤。
接着，在步骤S104中，判断是否完成了所有特定动作并获取了与所有关节的振动特性相关的信息。在步骤S104中，在判断为没有获取与所有关节的振动特性相关的信息的情况下返回到步骤S102，依次执行特定动作。
此外，与振动特性相关的信息包括与机械手臂10的角速度或加速度相关的信息，检测部60具有惯性传感器18、未图示的内置于各关节的惯性传感器。由此，能够将与角速度或加速度相关的信息输入到故障预测模型50，能够进行更准确的故障预测。
这样，与振动特性相关的信息包括与施加于上述机械手臂的转矩相关的信息，检测部60具有作为转矩传感器的力检测部19。由此，能够将与转矩相关的信息输入到故障预测模型50，能够进一步增加输入的样本。由此，能够进行更准确的故障预测。
此外，与振动特性相关的信息包括与机械手臂10的动作音相关的信息，检测部60具有声音采集传感器21。由此，能够将与动作音相关的信息输入到故障预测模型50，能够增加输入的样本。由此，能够进行更准确的故障预测。
在步骤S104中，在判断为完成了所有特定动作并获取了与所有关节的振动特性相关的信息的情况下，在步骤S105中，对与输入的振动特性相关的信息进行快速傅里叶变换，在步骤S106中，将变换后的数据输入到故障预测模型生成部51。并且，变换后的数据被输入到故障预测模型50。
这样，输入到故障预测模型50的与振动特性相关的信息是通过进行快速傅里叶变换而得到的数据。由此，能够显著地得到所输入的信息的特征点。由此，能够更准确地进行要素部件的故障预测。
这样，本发明的故障预测方法是预测机器人1的要素部件的故障的方法，该机器人1具有：机械手臂10，具有减速器等要素部件；以及检测部60，检测与机械手臂10动作时的振动特性相关的信息。此外，在故障预测方法中，基于与振动特性相关的信息，通过机器学习生成用于预测要素部件的故障的故障预测模型50，通过向生成的故障预测模型50输入与振动特性相关的信息，从而基于生成的故障预测模型50所输出的故障预测的推定值，预测要素部件的故障。由此，能够省略以往那样分解机械手臂10来观察要素部件的作业，并且能够通过简单的方法知道要素部件的故障预测的结果。
以上，基于图示的实施方式对本发明的故障预测方法及故障预测装置进行了说明，但本发明并不限定于此。此外，故障预测方法及故障预测装置的各工序、各部分能够置换为能够发挥同样功能的任意的工序、结构物。此外，也可以附加任意的工序、结构体。

Claims (9)

1.一种故障预测方法，其特征在于，预测机器人的要素部件的故障，
所述机器人具有机械手臂以及检测部，所述机械手臂具有所述要素部件，所述检测部检测与所述机械手臂动作时的振动特性相关的信息，
在所述故障预测方法中，基于与所述振动特性相关的信息，通过机器学习而生成用于预测所述要素部件的故障的故障预测模型，通过向生成的所述故障预测模型输入与所述振动特性相关的信息，从而基于生成的所述故障预测模型所输出的故障预测的推定值，预测所述要素部件的故障。
2.根据权利要求1所述的故障预测方法，其特征在于，
被输入到所述故障预测模型的与所述振动特性相关的信息是通过进行快速傅里叶变换而得到的数据。
3.根据权利要求1或2所述的故障预测方法，其特征在于，
在所述故障预测方法中，基于所述故障预测模型所输出的所述推定值，进行是否发生了故障的判断。
4.一种故障预测装置，其特征在于，预测机器人的要素部件的故障，
所述机器人具有机械手臂以及检测部，所述机械手臂具有所述要素部件，所述检测部检测与所述机械手臂动作时的振动特性相关的信息，
所述故障预测装置具备：
故障预测模型生成部，基于与所述振动特性相关的信息，通过机器学习而生成用于预测所述要素部件的故障的故障预测模型；以及
处理部，基于生成的所述故障预测模型所输出的故障预测的推定值，预测所述要素部件的故障。
5.根据权利要求4所述的故障预测装置，其特征在于，
与所述振动特性相关的信息包括与施加于所述机械手臂的转矩相关的信息，
所述检测部具有转矩传感器。
6.根据权利要求4或5所述的故障预测装置，其特征在于，
与所述振动特性相关的信息包括与所述机械手臂的角速度或加速度相关的信息，
所述检测部具有惯性传感器。
7.根据权利要求6所述的故障预测装置，其特征在于，
所述惯性传感器设置于所述机械手臂的前端部。
8.根据权利要求4所述的故障预测装置，其特征在于，
与所述振动特性相关的信息包括与所述机械手臂的动作音相关的信息，
所述检测部具有声音采集传感器。
9.根据权利要求4所述的故障预测装置，其特征在于，
所述要素部件是设置于所述机械手臂的关节的减速器。
CN202110333365.6A 2020-03-31 2021-03-29 故障预测方法及故障预测装置 Pending CN113459082A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-063884 2020-03-31
JP2020063884A JP2021160031A (ja) 2020-03-31 2020-03-31 故障予測方法および故障予測装置

Publications (1)

Publication Number Publication Date
CN113459082A true CN113459082A (zh) 2021-10-01

Family

ID=75108259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110333365.6A Pending CN113459082A (zh) 2020-03-31 2021-03-29 故障预测方法及故障预测装置

Country Status (4)

Country Link
US (1) US11931905B2 (zh)
EP (1) EP3888855A1 (zh)
JP (1) JP2021160031A (zh)
CN (1) CN113459082A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167842A (zh) * 2021-12-08 2022-03-11 中国船舶科学研究中心 一种基于振动主动控制系统的故障预测与健康管理方法
CN114734438A (zh) * 2022-04-02 2022-07-12 中科新松有限公司 一种机器人关节的故障诊断方法及系统
CN117092933A (zh) * 2023-07-26 2023-11-21 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK180673B1 (en) * 2019-12-29 2021-11-25 Universal Robots As Method of obtaining vibrational properties of robot arm
IT202200005036A1 (it) * 2022-03-15 2023-09-15 Automationware S R L Dispositivo robotico con giunto robotico perfezionato, per il rilevamento di impatti e vibrazioni, e relativo metodo di rilevamento
KR102471973B1 (ko) * 2022-09-19 2022-11-29 주식회사 성진로지스 플라스틱 도금 자동화 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160093172A (ko) * 2015-01-28 2016-08-08 주식회사 엑센솔루션 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법
CN106413562A (zh) * 2014-05-29 2017-02-15 株式会社日立制作所 X射线管故障预兆检测装置、x射线管故障预兆检测方法及x射线摄像装置
CN106409120A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及系统
US20180373233A1 (en) * 2017-06-27 2018-12-27 Fanuc Corporation Failure predicting apparatus and machine learning device
CN109632309A (zh) * 2019-01-17 2019-04-16 燕山大学 基于改进s变换与深度学习的滚动轴承故障智能诊断方法
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统
US20190265657A1 (en) * 2015-07-31 2019-08-29 Fanuc Corporation Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9104650B2 (en) * 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
US9205560B1 (en) * 2013-06-24 2015-12-08 Redwood Robotics, Inc. System and method for failure detection of a robot actuator
WO2017048788A1 (en) * 2015-09-14 2017-03-23 Tolomatic, Inc. Actuator diagnostics and prognostics
JP6140331B1 (ja) * 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
EP3455684B1 (en) 2016-05-09 2024-07-17 Strong Force Iot Portfolio 2016, LLC Methods and systems for the industrial internet of things
JP6603192B2 (ja) 2016-10-25 2019-11-06 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム
US10843341B2 (en) * 2017-05-05 2020-11-24 Brooks Automation, Inc. Method and apparatus for health assessment of a transport apparatus
JP6972971B2 (ja) 2017-11-28 2021-11-24 株式会社安川電機 制御システム、機械学習装置、メンテナンス支援装置、及びメンテナンス支援方法
JP6693939B2 (ja) * 2017-12-14 2020-05-13 ファナック株式会社 ロボットシステム
JP6711854B2 (ja) * 2018-02-22 2020-06-17 ファナック株式会社 故障予測装置及び機械学習装置
JP6943332B2 (ja) * 2018-02-28 2021-09-29 日産自動車株式会社 異常検出装置及び異常検出方法
JP6858353B2 (ja) * 2018-03-08 2021-04-14 オムロン株式会社 ロボット制御装置、異常診断方法、及び異常診断プログラム
JP6909410B2 (ja) * 2018-05-08 2021-07-28 オムロン株式会社 ロボット制御装置、保守管理方法、及び保守管理プログラム
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
CN112512762B (zh) * 2018-07-31 2023-10-20 日产自动车株式会社 异常判定装置和异常判定方法
US11125653B2 (en) * 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots
JP6971951B2 (ja) 2018-10-18 2021-11-24 コベルコ・コンプレッサ株式会社 冷凍装置
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
US11215535B2 (en) * 2019-11-14 2022-01-04 Hitachi, Ltd. Predictive maintenance for robotic arms using vibration measurements

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106413562A (zh) * 2014-05-29 2017-02-15 株式会社日立制作所 X射线管故障预兆检测装置、x射线管故障预兆检测方法及x射线摄像装置
KR20160093172A (ko) * 2015-01-28 2016-08-08 주식회사 엑센솔루션 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법
CN106409120A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及系统
US20190265657A1 (en) * 2015-07-31 2019-08-29 Fanuc Corporation Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
US20180373233A1 (en) * 2017-06-27 2018-12-27 Fanuc Corporation Failure predicting apparatus and machine learning device
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统
CN109632309A (zh) * 2019-01-17 2019-04-16 燕山大学 基于改进s变换与深度学习的滚动轴承故障智能诊断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167842A (zh) * 2021-12-08 2022-03-11 中国船舶科学研究中心 一种基于振动主动控制系统的故障预测与健康管理方法
CN114734438A (zh) * 2022-04-02 2022-07-12 中科新松有限公司 一种机器人关节的故障诊断方法及系统
CN117092933A (zh) * 2023-07-26 2023-11-21 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质
CN117092933B (zh) * 2023-07-26 2024-04-16 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质

Also Published As

Publication number Publication date
EP3888855A1 (en) 2021-10-06
US20210299871A1 (en) 2021-09-30
JP2021160031A (ja) 2021-10-11
US11931905B2 (en) 2024-03-19

Similar Documents

Publication Publication Date Title
CN113459082A (zh) 故障预测方法及故障预测装置
US10618175B2 (en) Vibration measurement method for moving part, vibration measurement method for robot, and control device
US10564032B2 (en) Vibration mode determining apparatus
CN103302667B (zh) 机器人控制方法、机器人控制装置和机器人控制系统
JP6512790B2 (ja) ロボット制御方法、ロボット装置、プログラム、記録媒体及び物品の製造方法
CN109849025B (zh) 振动抑制装置
EP1967334B1 (en) Detection of condition changes in an industrial robot system
WO2006022201A1 (ja) ロボットの評価システム及び評価方法
US11144032B2 (en) Time to failure analysis of robotic arm cabling
US20110238329A1 (en) Method and a device for detecting abnormal changes in play in a transmission unit of a movable mechanical unit
JP2019141967A (ja) 振動解析装置および振動解析方法
Qin et al. A new approach to the dynamic parameter identification of robotic manipulators
JP2011161562A (ja) 無線伝送装置とそれを用いたロボットの振動抑制制御装置およびロボット制御装置
US20230052996A1 (en) Method of obtaining vibrational properties of robot arm
CN112783089A (zh) 诊断装置
JP2021060313A (ja) 診断装置及び機械学習装置
Mohammad et al. Towards human-robot collaboration with parallel robots by kinetostatic analysis, impedance control and contact detection
CN113711138B (zh) 伺服控制装置
JP7351656B2 (ja) 減速機の故障診断装置及び故障診断方法
JP7267725B2 (ja) ロボットの制御方法、プログラム、記録媒体、ロボットシステム、物品の製造方法
JP7278803B2 (ja) 情報処理方法、情報処理装置、ロボットシステム、ロボットシステムの制御方法、ロボットシステムを用いた物品の製造方法、プログラム及び記録媒体
CN115139296A (zh) 机器人的控制方法、机器人系统以及存储介质
CN114833820B (zh) 动作参数调整方法、记录介质以及机器人系统
JP2012135825A (ja) 力制御装置
JP2024044522A (ja) 算出方法および算出装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211001

RJ01 Rejection of invention patent application after publication