CN114466813A - 卷扬机、卷扬机系统、重物质量推算装置和重物质量推算方法 - Google Patents

Abstract

本发明能够高精度地推算卷扬机的重物质量。本发明的能够使悬吊的重物在铅垂方向上移动的卷扬机，其包括：用于获取所述卷扬机的运行信息的运行信息获取部；和从所述运行信息获取部所获取的所述运行信息推算所述卷扬机的重物质量的重物质量推算部，所述重物质量推算部基于重物质量推算式来推算所述重物质量，其中所述重物质量推算式是使用将所述运行信息与所述重物质量关联的数据而预先学习得到的。由此，能够进行对于用基于模型的方法不能完全模型化的现实世界的动作也能够反映的重物质量的推算，因此能够高精度地推算卷扬机的重物质量。

Description

卷扬机、卷扬机系统、重物质量推算装置和重物质量推算方法

技术领域

本发明涉及卷扬机。

背景技术

近年来，随着卷扬机的熟练作业者的老龄化和卷扬机设置台数增加导致的人手不足，卷扬机业界中经验少的非熟练作业者正在增加。这样的情况下，要求非熟练作业者也能够实现安全并且高效率的搬运的卷扬机。卷扬机中，不仅为了对操作者通知重物质量而对搬运操作进行辅助，也为了进行防止过负荷、预测寿命、重物离开地面的离地的检测等，而要求能够检测重物质量。

为了检测重物质量，例如能够追加测力传感器等计测传感器，但使用该方法时，追加传感器用的成本增加。于是，要求无需追加传感器地推算重物质量的方法。

为了实现这样的要求，例如存在专利文献1。专利文献1中公开了“输出转矩推算部151从电力转换器14获取对电动机13输入的电流值，根据获取的电流值计算电动机13的输出转矩的推算值即输出转矩推算值。荷载推算部152基于用输出转矩推算部151计算出的输出转矩推算值、减速机12的减速比、绞车卷筒的有效半径和由绳数设定部153设定的绳数，推算重物17的荷载值”这样的卷扬机的荷载检测方法(参考摘要)。

现有技术文献

专利文献

专利文献1：日本特开2018-2477号公报

发明内容

发明要解决的课题

专利文献1中记载的技术中，基于电动机模型从电动机的电流值计算输出转矩，基于卷扬机的模型从输出转矩推算重物质量。但是，这样的基于模型的推算方法，存在因为不能将现实世界的动作完全模型化引起的模型误差所以推算值精度较差的问题。例如，电动机模型中，因不能检测轴承和减速机的摩擦、以及在非通电状态下也伴随电动机的旋转而产生的齿槽转矩引起的误差的影响，难以根据电动机的电流值正确地推算输出转矩。

本发明是鉴于这样的背景得出的，其目的在于高精度地推算卷扬机的重物质量。

用于解决课题的技术方案

为了解决上述课题，本发明是一种能够使悬吊的重物在铅垂方向上移动的卷扬机，其包括：用于获取所述卷扬机的运行信息的运行信息获取部；和从所述运行信息获取部所获取的所述运行信息推算所述卷扬机的重物质量的重物质量推算部，所述重物质量推算部基于重物质量推算式来推算所述重物质量，其中所述重物质量推算式是使用将所述运行信息与所述重物质量关联的数据而预先学习得到的。

发明效果

根据本发明，能够进行对于用基于模型的方法不能完全模型化的现实世界的动作也能够反映的重物质量的推算，因此能够高精度地推算卷扬机的重物质量。

附图说明

图1是表示使用本发明的卷扬机的起重机的结构的图。

图2是表示第一实施方式的卷扬机、操作终端的结构例的图。

图3是表示用卷扬机将重物卷升、重物离开地面的离地的概略图。

图4是表示离地时的重物相对于小车的位置关系的概略图。

图5是表示第一实施方式的卷扬机中进行的整体处理的流程的流程图。

图6是表示在运行中推算重物质量的详细流程的流程图。

图7是表示第二实施方式的卷扬机、重物质量推算装置的结构例的图。

图8是表示第二实施方式的重物质量推算装置中进行的整体处理的流程的流程图。

图9是表示第三实施方式的卷扬机、操作终端、学习装置的结构例的图。

图10是表示第三实施方式的卷扬机系统中进行的整体处理的流程的流程图。

图11是表示离地试验中的卷扬机的数据收集的详细流程的流程图。

图12是表示重物质量推算式的学习的详细流程的流程图。

图13是表示存在多个卷扬机的系统的例子的图。

图14是表示学习装置存在于云服务器上的系统的例子的图。

具体实施方式

接着，关于用于实施本发明的方式(称为“实施方式”)，适当参考附图并详细说明。

[第一实施方式]

参考图1～图6，对于第一实施方式进行说明。

图1是表示使用本实施方式的卷扬机的起重机的结构的图。起重机500由沿着建筑物(未图示)的两侧的墙壁设置的轨道501、在轨道501上移动的桥架502和沿着桥架502移动的小车503构成。在小车503上设置了卷扬机1，用它使悬吊了重物504的绳缆、链条等卷升或卷降，由此使重物504升降。在起重机500中，对于桥架502、小车503、卷扬机1设置了分别对它们进行驱动的电动机，按照来自操作终端2的操作指令驱动。另外，重物504是用起重机搬运的对象，并非起重机的构成要素，这一点应当注意。

图2是与本实施方式的卷扬机相关的系统的结构图。本卷扬机系统由卷扬机1和操作终端2构成。

卷扬机1具有电动机101、电动机运行信息获取部131、电动机控制部132和重物质量推算部133。另外，该卷扬机1具备CPU等运算装置、半导体存储器等主存储装置、硬盘等辅助存储装置和通信装置等硬件。然后，经由通信装置接收用操作终端2输入的操作指令，由运算装置执行主存储装置中存储的程序，由此实现电动机运行信息获取部131和电动机控制部132等的各功能。以下，具体说明卷扬机1的各部的详情。

电动机101对卷扬机1进行卷升或卷降驱动。另外，电动机101由1台以上电动机构成，各个电动机例如由三相的电动机构成。

电动机控制部132以用操作终端2的操作输入部202输入的卷扬机1的操作指令作为输入，按照操作指令变换为用于使电动机动作的电动机控制指令，对电动机101输出。

电动机运行信息获取部131获取对重物质量推算部133输入的电动机运行信息。电动机运行信息是用于重物质量推算的关于电动机的运行的信息，例如是电动机驱动时的施加电流值、或根据编码器的传感器值计算出的电动机转速、或对电动机给出的指令值即运行频率等。

重物质量推算部133根据电动机运行信息获取部131获取的电动机运行信息，用重物质量推算式计算重物质量。在本实施方式中，在卷扬机的出厂前工序中，收集电动机运行信息和重物质量的数据，进行考虑电动机特性的个体差异等的、高精度的重物质量推算式的学习(以下，将收集的电动机运行信息与重物质量的数据集称为学习数据)。从而，本实施方式的卷扬机在应用工序中，仅进行使用电动机运行信息和事先学习的重物质量推算式进行的重物质量的推算。

另外，学习数据的重物质量是为了学习重物质量推算式而设定的数值，例如可以手动设定，也可以自动设定。另外，将这样为了学习用而设定的数值称为参照值，与使用重物质量推算式推算得到的重物质量的数值(以下称为推算值)区分。

重物质量推算式是用电动机运行信息作为输入、输出重物质量的式子。作为输入的电动机运行信息可以仅有当前的样本，也可以是从过去直到当前的一定数量样本的时序数据。作为重物质量推算式的一例，存在式(1)。

u＝Wx+b…(1)

此处，x是将电动机运行信息连结而成的向量(以下称为电动机运行信息向量)。u是表示重物质量的标量，例如可以是重物质量的推算值、或重物质量的推算值相对于产品的额定荷载的比例(后者的情况下，如果是额定荷载1t的产品且u＝0.5，则重物质量的推算值是500kg)。W是表示与电动机运行信息向量x的各个元素对应的权重的系数矩阵，b是表示偏置量的系数。

另外，重物质量推算部133中，也可以作为后处理，使用移动平均滤波等低通滤波除去计算出的重物质量的时序噪声。另外，计算出的重物质量可以输出至操作终端2的重物质量显示部201，进而，也可以用于防止过负荷和预测寿命或检测离地。

操作终端2具有重物质量显示部201和操作输入部202。另外，该操作终端2具备CPU等运算装置、半导体存储器等主存储装置、硬盘等辅助存储装置和通信装置等硬件，对于周知动作适当省略地进行说明。另外，操作终端2可以是示教器，也可以是智能手机或平板PC、笔记本PC、桌面PC等方式。操作终端2可以作为专用终端提供，也可以作为应用程序提供、并由操作者在各自的终端中使用。另外，操作终端2通过无线通信与卷扬机1交换信息，但也可以是有线通信。以下，具体说明操作终端2的各部的详情。

重物质量显示部201显示用卷扬机1的重物质量推算部133计算出的重物质量。另外，本实施方式中，重物质量显示部201和操作输入部202在操作终端2中实现，但也可以在卷扬机1中实现，例如重物质量显示部201也可以在卷扬机1中搭载的电路板上显示。

操作输入部202是操作者用按钮、杆、手柄或摇杆等对卷扬机1输入操作指令用的接口。操作输入部202可以是将显示器与触摸面板组合的接口，也可以是在智能手机等设备中用软件实现的接口。也可以用键盘和鼠标输入移动量或目的地的坐标或场所的名称。也可以与对工厂内设置的卷扬机等进行管理的应用管理系统或生产管理系统连接，基于其信息输入操作指令。进而，也可以具备自动输入事先编排的操作指令的自动运行功能。

对于本实施方式的卷扬机的应用流程，使用图3～图6进行说明。卷扬机中的重物质量的推算，在搬运时最初进行的重物离开地面的离地时应用即可。另外，将离地时的电动机运行信息和运行条件用于学习即可。这是因为离地时主要仅有卷扬机驱动，难以受到其他外部原因的影响。图3是说明离地动作的图。离地是从如图3的(a)所示的重物504被放置在地面上的状态起驱动卷扬机1直至如图3的(b)所示的重物504离开地面的状态。图4是说明离地时的重物与小车的位置关系的图。离地时优选小车配置在重物的重心的正上方，但也存在如图4所示小车配置在偏离重物的重心的位置的可能性。以下，以离地时为例说明本实施方式的卷扬机的应用流程，但落地时也能够用同样的结构和流程实现。

电动机运行信息获取部131获取离地时的电动机运行信息。为了精度良好地推算重物质量而要求获取电动机运行信息的时序数据。这是因为如果对于对重物质量推算式的输入，不仅能够使用推测重物质量时的电动机运行信息，也能够使用过去的电动机运行信息，则重物质量推算式的表达能力提高，例如能够通过学习获得也考虑电动机的迟滞等的重物质量推算式。在数据容量因CPU的运算性能或存储装置的容量等制约而受到限制的情况下，至少获取离地后的数据即可。

学习数据条件可以包括重物504相对于小车503的位置偏差(图4的d)、或提升时的起重的模式。另外，起重的模式指的是高速或低速卷扬模式等卷扬模式和卷扬速度。收集的学习数据优选无遗漏地覆盖在卷扬机1的应用上可以设想的离地的模式，结果，能够更高精度地推算重物质量。例如，关于重物质量的模式，优选对于从0kg直至过负荷的重量(超过卷扬机1的额定荷载的重量)逐渐且以均等的幅度改变重物质量同时收集学习数据。另外，电动机运行信息中可以包括反向电动势和/或电动机温度。由此，能够考虑电动机的损耗，更准确地推算重物质量。

图5是表示本实施方式的卷扬机的处理流程的流程图。基于图5的流程图的动作如以下所述。

处理包括出厂前工序中的步骤S1～3和应用工序中的步骤S11。

步骤S1：对于每个机型，在使重物质量、重物相对于小车的位置偏差、起重的模式具有变化的条件下，收集进行离地试验时的学习数据(产品线学习数据)。

步骤S2：使用步骤S1中收集的产品线学习数据，对于每个机型学习标准的重物质量推算式。

步骤S3：在产品出厂测试时的离地试验中收集学习数据(各个体学习数据)，用新收集的数据对于每个产品再学习重物质量推算式，使其反映电动机特性的个体差异。结果，能够对于每个产品高精度地推算重物质量。另外，各产品的个体差异较少的情况下，该步骤并非必需的。

步骤S11：操作者使卷扬机1进行运行时，根据运行时的电动机运行信息推算重物质量。在本实施方式的应用工序中，仅使用在出厂前工序中学习的重物质量推算式在运行中推算重物质量。

图6是表示在运行中推算重物质量的步骤(S11)的详细流程的流程图。

步骤S301：操作者将重物设置在卷扬机1上。

步骤S302：操作者用操作输入部202进行离地操作。

步骤S303：用电动机运行信息获取部131获取电动机运行信息。

步骤S304：用重物质量推算部133基于重物质量推算式，推算重物质量。

步骤S305：在重物质量显示部201上显示步骤S304中推算得出的重物质量。

如以上所述，卷扬机1在步骤S304中基于重物质量推算式推算重物质量，并用重物质量显示部201对操作者通知重物质量的推算值。另外，此处推算的重物质量也可以用于防止过负荷或预测寿命、离地检测。

本实施方式中，因为不进行应用工序中的再学习，所以出厂后不需要学习装置，操作终端2的结构较少即可，因此系统简单，能够提供廉价的卷扬机。另外，本实施方式中示出了在步骤S3中记录产品出厂测试时的离地试验数据、对于每个产品进行再学习的例子，但也可以不具有步骤S3。通过进行步骤S3能够反映每个产品的特性地高精度地推算重物质量。

[第二实施方式]

本实施方式中，说明对于已完成设置、或者已购入的卷扬机安装重物质量推算装置的情况。

图7是本实施方式的卷扬机、重物质量推算装置的结构图。卷扬机1由电动机101构成。重物质量推算装置4由电动机运行信息获取部131、重物质量显示部201、学习数据条件输入部203、重物质量推算部133、学习数据设定部231、学习计算部331、学习数据累积部371和学习结果累积部372构成。另外，该重物质量推算装置4具备CPU等运算装置、半导体存储器等主存储装置、硬盘等辅助存储装置和通信装置等硬件，对于周知动作适当省略地进行说明。以下，具体说明重物质量推算装置4的各部的详情。

电动机运行信息获取部131获取卷扬机1的电动机运行信息。重物质量推算部133根据电动机运行信息获取部131获取的电动机运行信息，使用重物质量推算式计算重物质量。重物质量显示部201显示用重物质量推算部133计算出的重物质量。

学习数据条件输入部203是用于输入学习数据的条件的接口，采用触摸面板或键盘或鼠标等方式。学习数据条件是与由电动机运行信息获取部131获取的电动机运行信息对应的卷扬机的运行条件，至少包括重物质量的参照值。另外，学习数据条件可以包括卷扬机1的机型名、个体识别编号等信息。由学习数据条件输入部203输入的学习数据条件被输出至学习数据设定部231。

学习数据设定部231将从学习数据条件输入部203输入的学习数据条件与从电动机运行信息获取部131输入的电动机运行信息关联地设定为1组的学习数据，并累积在学习数据累积部371中。学习数据累积部371累积用操作终端2的学习数据设定部231设定的学习数据。学习计算部331从学习数据累积部371读取学习数据，进行重物质量推算式的学习计算。

学习结果累积部372保存了由学习计算部331输出的重物质量推算式。然后，适当地在重物质量推算式被更新等时机对卷扬机1的重物质量推算部133传输重物质量推算式。

接着，对于本实施方式中的重物质量推算装置中进行的整体处理的流程进行说明。图8是表示本实施方式的处理流程的流程图。首先，将重物质量推算装置4安装在卷扬机1上(步骤S20)。接着，收集由电动机运行信息和离地信息构成的学习数据。学习数据收集例如通过离地试验等进行(步骤S1)。接着用学习计算部331学习重物质量推算式(步骤S2)。然后推算重物质量(步骤S11)。步骤S1和步骤S2和步骤S11与第一实施方式相同。

本实施方式通过安装重物质量推算装置，即使没有搭载重物质量推算功能的卷扬机，也可以在之后进行重物质量推算。

[第三实施方式]

图9是本实施方式的与卷扬机相关的系统的结构图。本卷扬机系统由卷扬机1、操作终端2和学习装置3构成。它们之间的信息的交换可以是有线通信也可以是无线通信。

卷扬机1与第一实施方式同样地具有电动机101、电动机运行信息获取部131、电动机控制部132和重物质量推算部133。但是，本实施方式的卷扬机系统中，在应用工序中，不仅使用电动机运行信息进行重物质量的推算，而且收集电动机运行信息和重物质量的数据进行学习。

本实施方式的电动机运行信息获取部131在推算重物质量时，对推算重物质量的重物质量推算部133输出电动机运行信息，在学习时，为了设定学习数据而对操作终端2的学习数据设定部231输出电动机运行信息。

重物质量推算部133根据电动机运行信息获取部131获取的电动机运行信息，使用重物质量推算式计算重物质量。此处，重物质量推算式是从学习装置3的学习结果累积部372作为已学习的重物质量推算式传输的。

本实施方式的操作终端2在重物质量显示部201和操作输入部202以外，也具有学习数据条件输入部203和学习数据设定部231。

重物质量显示部201显示由卷扬机1的重物质量推算部133计算出的重物质量。另外，重物质量推算部133输出了错误的重物质量推算值的情况下，可以显示是否由操作者输入正确的重物质量参照值、使用该数据进行再学习的确认画面。关于再学习在后文中叙述。

操作输入部202是用于操作者对卷扬机1输入操作指令的接口。另外，学习数据条件输入部203是输入学习数据的条件用的接口。学习数据条件输入部203的接口可以与操作输入部202的接口共通地使用，也可以作为不同的接口实现。

学习数据设定部231将从学习数据条件输入部203输入的学习数据条件与从电动机运行信息获取部131输入的电动机运行信息关联地设定为1组学习数据，并传输至学习装置3的学习数据累积部371。

另外，本实施方式中重物质量显示部201、操作输入部202、学习数据条件输入部203、学习数据设定部231在操作终端2中实现，但也可以在卷扬机1中实现，例如重物质量显示部201也可以在卷扬机1中搭载的电路板上显示。

学习装置3具有学习计算部331、学习数据累积部371和学习结果累积部372。另外，该学习装置3具备CPU等运算装置、半导体存储器等主存储装置、硬盘等辅助存储装置和通信装置等硬件，对于周知动作适当省略地进行说明。以下，具体说明学习装置3的各部的详情。

学习数据累积部371累积用操作终端2的学习数据设定部231设定的学习数据。累积的数据被分类为3个种类。第一种被称为产品线学习数据，是事先对于每个机型使学习数据条件具有变化地收集的学习数据，被用于出厂前工序中的机型标准的重物质量推算式的学习。第二种被称为各个体学习数据，是在产品出厂测试时的品质保障的测试试验中收集的每个产品的学习数据，被用于出厂前工序中的反映了电动机特性的个体差异的再学习。第三种被称为应用环境下的学习数据，是产品出厂后操作者对由重物质量推算部133计算出的重物质量的推算值进行修正得到的数据，被用于应用工序中的反映了应用环境的特性的再学习。

学习计算部331从学习数据累积部371读取学习数据，进行重物质量推算式的学习计算。关于输入的学习数据，在出厂前工序中的机型标准的重物质量推算式的学习中使用产品线学习数据，在出厂前工序中的反映电动机特性的个体差异的再学习中使用追加了各个体学习数据的学习数据，在应用工序中的再学习中使用追加了应用环境下的学习数据的学习数据。关于输入的学习数据，可以作为学习计算的前处理，对构成学习数据的数据中的电动机运行信息的时序数据进行基于高斯分布的噪声添加，由此增加数据的变化。

接着，说明学习计算部331中进行的重物质量推算式的学习计算的处理。学习计算例如是在由式(1)给出的重物质量推算式中，以使输入电动机运行信息向量x时输出的重物质量u输出误差更少的推算值的方式，调整系数矩阵W和偏置量b的处理。通过该学习计算，卷扬机1能够进行高精度的重物质量推算。

首先，从对学习计算部331输入的学习数据中，随机地提取一些数据。然后，例如对于代入了随机地决定的系数矩阵W的初始值和偏置量b的初始值的式(1)，输入提取出的各数据各自的电动机运行信息向量x，计算用式(1)计算出的u与学习数据中保存的重物质量的参照值u＇的误差e，计算出误差的合计值E。然后，以使误差的合计值E更小的方式使系数矩阵W和偏置量b微小变化。此处的使系数矩阵W和偏置量b微小变化的方法，例如能够使用梯度下降法等。对于对学习计算部331输入的学习数据中的其余数据，也顺次随机地提取相同程度的数量的数据并反复进行同样的处理，对于输入的全部学习数据完成处理时，学习处理的一个循环结束。

通过反复以上流程，误差的合计值E逐渐减小，持续更新重物质量推算式直至满足学习结束条件。学习结束条件是表示重物质量推算式的学习完成的条件，例如是反复进行规定次数的对于输入的学习数据组的学习处理的一个循环，或者误差E达到规定值以下等。根据这样得到的重物质量推算式输出的重物质量u被视为对于该时刻获取的电动机运行信息向量x的最优的重物质量推算值。

另外，将给出已学习的重物质量推算式的系数矩阵Wa和偏置量ba作为系数矩阵W和偏置量b的初始值、并进行学习处理称为再学习。通过对学习数据新追加数据并进行学习，能够更新为也适合追加的学习数据的重物质量推算式。本实施方式中，通过使用各个体学习数据进行再学习，能够更新为反映了产品的电动机特性的个体差异的重物质量推算式。另外，通过使用应用环境下的学习数据进行再学习，能够更新为反映了应用环境的特性的重物质量推算式。由此，能够进行反映了每个产品的特性和使用产品的应用环境的特性的更准确的重物质量推算。

另外，包括已学习的系数矩阵W、偏置量b的重物质量推算式被保存在学习结果累积部372中。

学习结果累积部372保存了由学习计算部331输出的重物质量推算式，适当地将重物质量推算式传输至卷扬机1的重物质量推算部133。另外，也可以在该学习结果累积部372中，预先累积产品的每个机型的标准的重物质量推算式、或每个个体或不同的各应用环境下的重物质量推算式。然后，可以通过指定产品的机型名或个体识别环境或应用环境，而能够适当地参照这些重物质量推算式。

由此，卷扬机1的操作者能够简单地与应用环境相应地区分使用重物质量推算式。

图10是表示本实施方式的卷扬机系统的处理流程的流程图。基于图10的流程图的动作如以下所述。

处理由出厂前工序中的步骤S1～3和应用工序中的步骤S11～15构成。出厂前工序的步骤S1～S3与第一实施方式相同，因此仅对于应用工序的步骤S11～15进行说明。

步骤S11：操作者使卷扬机1运行时，根据运行时的电动机运行信息推算重物质量。

步骤S12：操作者判断为步骤S11中计算出的重物质量的推算值错误的情况下，操作者能够修正推算值。本步骤中，经由重物质量显示部201要求操作者判断是否需要修正。如果操作者判断为需要修正则转移至步骤S13。如果判断为不需要修正则转移至步骤S14。

步骤S13：用学习数据设定部231将操作者修正后的重物质量的参照值、与离地时的电动机运行信息和运行条件关联地设定为再学习用数据(应用条件下的学习数据)。然后，将再学习用数据传输至学习数据累积部371。

步骤S14：检查是否进行再学习。判断基准可以是操作者发出的指示，也可以是再学习用数据累积了一定数量以上的情况。如果为“是”则转移至步骤S15。如果为“否”则结束处理。

步骤S15：使用步骤S13中收集的再学习用数据进行再学习，使其反映应用环境的特性。结果，能够反映应用环境的特性，高精度地推算重物质量。另外，应用环境的特性引起的电动机特性的变化较少的情况下，该步骤并非必需的。

本实施方式通过使用步骤S2、3、15中收集的学习数据学习重物质量推算式，能够按照学习数据的倾向更新重物质量推算式。因此，能够使产品和应用环境的特性也反映在重物质量推算式中，结果能够推算更准确的重物质量。另外，对于不同机型的卷扬机，即使不构建与其分别对应的模型，也能够仅通过相同的处理收集学习数据，而推算重物质量。

图11是表示通过出厂前工序的离地试验进行电动机运行信息和学习数据条件的数据收集的步骤(S1和S3)中的详细流程的流程图。

步骤S101：制造者事先决定学习数据的收集条件。学习数据的收集条件是离地试验中的重物质量、重物相对于小车的位置偏差、起重的模式的组合的条件，优选以覆盖在应用卷扬机1上可以设想的条件的方式无遗漏地设定。然后，制造者按照学习数据的收集条件，将重物设置在卷扬机1上。

步骤S102：制造者用操作输入部202输入离地操作，记录离地时的电动机运行信息的时序数据。电动机运行信息的时序数据优选是从离地开始时直到重物变得稳定。

步骤S103：制造者用学习数据条件输入部203输入学习数据条件。

步骤S104：用学习数据设定部231将步骤S102中记录的电动机运行信息的时序数据与步骤S103中设定的学习数据条件关联地设定为学习数据。

步骤S105：将步骤S104中设定的学习数据传输至学习数据累积部371。

如以上所述，本实施方式中，能够通过仅进行多次离地试验的数据收集作业进行学习，精度良好地推算重物质量。另外，该作业具有不依赖于人、即使对于卷扬机的电动机等产品不具有高等的知识也能够实施的优点。

图12是表示进行重物质量推算式的学习的步骤(S2和S3和S15)的详细流程的流程图。

步骤S201：从学习数据累积部371读取学习数据。

步骤S202：用学习计算部331学习重物质量推算式。

步骤S203：将步骤S202中输出的重物质量推算式累积在学习结果累积部372中。

步骤S204：从学习结果累积部372对重物质量推算部133传输重物质量推算式。

如以上所述，以反映步骤S1、3、13中收集的学习数据的方式进行重物质量推算式的学习处理。

图13是表示存在多个卷扬机1的系统的例子的图。

如图13的例子所示，系统具有多个卷扬机1A～1C的情况下，可以用同一操作终端2进行操作，设定学习数据。然后，将卷扬机1A～1C中收集的学习数据汇总、累积至同一学习装置3中。然后，学习装置3基于这些数据进行学习。如以上所述，能够用同一操作终端2和学习装置3对多个卷扬机1A～1C进行处理，能够减轻对操作者造成的负担。

图14是表示学习装置存在于云服务器上的系统的例子。

如图14所示，可以将学习装置3设置在云服务器上。另外，该云服务器可以是卷扬机制造者应用的计算装置。该云服务器可以不是如图14所示地与一个卷扬机1和操作终端2连接，而是与多个卷扬机1和操作终端2连接。进而，也可以如图13所示地，对于操作终端2进一步连接多个卷扬机1。

如果如以上所述，则操作者无需分别设置和应用、维护学习装置。另外，如果将来自多个操作者的数据汇总至云服务器，则能够用大量数据进行学习，能够提供更准确的重物质量推算式。

如以上所述，根据本实施方式，能够提供一种不需要追加传感器，且通过收集每个机型、产品、应用环境的离地时的电动机运行信息和重物质量的参照值的数据并进行学习，能够也考虑电动机特性的个体差异和应用环境的特性的高精度的重物质量推算方法和搭载它的卷扬机。

上述第一实施方式～第三实施方式是为了易于理解地说明本发明而详细说明的，并不限定于必须具备说明的全部结构。另外，能够将某个实施方式的结构的一部分置换为其他实施方式的结构，也能够在某个实施方式的结构上添加其他实施方式的结构。另外，对于各实施方式的结构的一部分，能够追加、删除、置换其他结构。

附图标记说明

1、1A～1C 卷扬机

2 操作终端

3 学习装置

4 重物质量推算装置

101 电动机

131 电动机运行信息获取部

132 电动机控制部

133 重物质量推算部

201 重物质量显示部

202 操作输入部

203 学习数据条件输入部

231 学习数据设定部

331 学习计算部

371 学习数据累积部

372 学习结果累积部。

Claims (10)

1.一种能够使悬吊的重物在铅垂方向上移动的卷扬机，其特征在于，包括：

用于获取所述卷扬机的运行信息的运行信息获取部；和

从所述运行信息获取部所获取的所述运行信息推算所述卷扬机的重物质量的重物质量推算部，

所述重物质量推算部基于重物质量推算式来推算所述重物质量，其中所述重物质量推算式是使用将所述运行信息与所述重物质量关联的数据而预先学习得到的。

2.如权利要求1所述的卷扬机，其特征在于：

所述数据包括所述重物离开地面的离地动作时的运行信息和重物质量。

3.如权利要求2所述的卷扬机，其特征在于：

所述数据包括所述重物相对于小车的位置或起重模式不同的多个运行信息和重物质量。

4.如权利要求1所述的卷扬机，其特征在于：

所述运行信息包括卷扬电动机的运行速度、卷扬电动机的转速以及对卷扬电动机的施加电压中的至少一者。

5.如权利要求1所述的卷扬机，其特征在于：

所述运行信息由时序数据构成。

6.一种卷扬机系统，包括能够使悬吊的重物在铅垂方向上移动的卷扬机、操作所述卷扬机的操作终端、以及学习在推算所述重物的质量时使用的重物质量推算式的学习装置，所述卷扬机系统的特征在于：

所述卷扬机包括用于获取所述卷扬机的运行信息的运行信息获取部、以及从所述运行信息获取部所获取的所述运行信息推算所述卷扬机的重物质量的重物质量推算部，

所述操作终端具有显示由所述卷扬机的所述重物质量推算部计算出的重物质量的重物质量显示部，

所述学习装置具有累积进行所述重物质量推算式的学习所需的学习数据的学习数据累积部、从所述学习数据累积部读取所述学习数据来进行学习计算的学习计算部、以及累积由所述学习计算部输出的所述重物质量推算式的学习结果累积部。

7.如权利要求6所述的卷扬机系统，其特征在于：

在操作者判断为所述重物质量显示部所显示的重物质量错误的情况下，将用所述操作终端修正后的重物质量与所述运行信息关联地作为再学习用数据累积在所述学习数据累积部中。

8.一种用于推算卷扬机上悬吊的重物的质量的重物质量推算装置，其特征在于，包括：

用于获取所述卷扬机的运行信息的运行信息获取部；

从所述运行信息获取部所获取的所述运行信息基于重物质量推算式推算所述卷扬机的重物质量的重物质量推算部；

累积进行所述重物质量推算式的学习所需的学习数据的学习数据累积部；

从所述学习数据累积部读取所述学习数据来进行学习计算的学习计算部；和

累积由所述学习计算部输出的所述重物质量推算式的学习结果累积部。

9.一种重物质量推算方法，其特征在于，包括：

收集将卷扬机的运行信息与重物质量关联的数据作为学习数据的第一步骤；

使用收集到的所述学习数据来学习重物质量推算式的第二步骤；

获取所述卷扬机的所述运行信息的第三步骤；和

基于所获取的所述运行信息和已学习的所述重物质量推算式来推算所述重物质量的第四步骤。

10.如权利要求9所述的重物质量推算方法，其特征在于：

所述学习数据是在出厂时或检查时对每个产品进行的离地试验中收集到的数据。

Images