DE102019219332A1 - Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung - Google Patents

Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung Download PDF

Info

Publication number
DE102019219332A1
DE102019219332A1 DE102019219332.3A DE102019219332A DE102019219332A1 DE 102019219332 A1 DE102019219332 A1 DE 102019219332A1 DE 102019219332 A DE102019219332 A DE 102019219332A DE 102019219332 A1 DE102019219332 A1 DE 102019219332A1
Authority
DE
Germany
Prior art keywords
data
learning
unit
time series
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.)
Pending
Application number
DE102019219332.3A
Other languages
English (en)
Inventor
Kokoro Hatanaka
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.)
Fanuc Corp
Original Assignee
Fanuc 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 Fanuc Corp filed Critical Fanuc Corp
Publication of DE102019219332A1 publication Critical patent/DE102019219332A1/de
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
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B2219/37253—Fail estimation as function of lapsed time of use
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50391—Robot
    • G—PHYSICS
    • 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]

Abstract

Wenn Messdaten in einer Industriemaschine erhalten werden, soll geprüft werden, ob es sich um während des gleichen Betriebs gemessene Daten handelt. Eine Lerndatenprüfung-Unterstützungsvorrichtung 3 prüft eine Kontamination mit ungeeigneten Daten, wenn Lerndaten mit nur normalen Daten zuvor erhalten werden, um eine Anomalie einer Industriemaschine unter Verwendung eines maschinellen Lernens zu erfassen, und umfasst eine Datenerhaltungseinheit 31, die Messdaten einschließlich von Zeitreihendaten, die eine vorbestimmte Zustandsgröße oder Steuergröße in Bezug auf eine Steuerung wiedergeben, erhält, während die Industriemaschine veranlasst wird, einen bestimmten Betrieb durchzuführen; und eine Anzeigesteuereinheit 32, die eine Vielzahl von durch die Datenerhaltungseinheit erhaltenen Zeitreihendaten in einer Richtung einer Zeitachse anordnet und in diesem Zustand Daten des gleichen Typs der Zeitreihendaten für die Anzeige in einem Diagramm überlagert.

Description

  • HINTERGRUND DER ERFINDUNG
  • Erfindungsfeld
  • Die vorliegende Erfindung betrifft eine Lerndatenprüfung-Unterstützungsvorrichtung, eine Maschinelles-Lernen-Vorrichtung und eine Ausfallvorhersagevorrichtung für das Prüfen, ob ungeeignete Daten aufgenommen werden, wenn in einem maschinellen Lernen verwendete Trainingsdaten erhalten werden.
  • Stand der Technik
  • In einem Sechs-Achsen-Roboter (Industrieroboter), der Motoren als Stellglieder verwendet, ist es wohlbekannt, dass ein Drehmoment des Motors über eine Untersetzung zu einem Roboterarm übertragen wird, wobei jedoch in einem derartigen Roboter die Untersetzung eine Komponente ist, die sehr anfällig für einen Bruch (Ausfall) ist. Außerdem wird häufig ein Ausfall einer Spindel oder eines Motors für das Antreiben der Spindel in einer Werkzeugmaschine durch einen Verschleiß oder einen Bruch von Lagern des Motors verursacht. Wenn eine Industriemaschine wie etwa ein Industrieroboter, eine Werkzeugmaschine oder ähnliches mit einer verschlissenen Untersetzung oder Spindel verwendet wird, ist die Ausbeute deutlich reduziert. Wenn die Untersetzung, die Spindel oder ähnliches ausfällt, dauert es lange, die Untersetzung, die Spindel oder ähnliches wiederherzustellen, wobei eine lange Auszeit (Unterbrechungszeit) von Industriemaschinen wie etwa Industrierobotern, Werkzeugmaschinen oder ähnlichem eine Verminderung der Arbeitsleistung der Industriemaschinen zur Folge hat.
  • Indem also in einer Industriemaschine Anzeichen für einen Verschleißes der Untersetzung, der Spindel oder von ähnlichem vor einem vollständigen Ausfall erfasst werden und entsprechende Maßnahmen wie etwa eine Reparatur der Untersetzung, der Spindel oder von ähnlichem ergriffen werden, kann die Auszeit der Industriemaschine deutlich reduziert werden und kann die Arbeitsleistung der Industriemaschine wie etwa eines Industrieroboters, einer Werkzeugmaschine oder von ähnlichem verbessert werdeb. Deshalb wurde in einer Industriemaschine versucht, ein Anzeichen für einen Ausfall in einer Untersetzung, einer Spindel oder von ähnlichem zu erfassen (auch als „Anomalie-Erfassung“ bezeichnet).
  • Zum Beispiel ist es für eine Anomalie-Erfassung an einer Industriemaschine wie etwa einem Industrieroboter oder einer Werkzeugmaschine bekannt, periodisch zu veranlassen, dass ein Industrieroboter oder eine Werkzeugmaschine einen bestimmten Betrieb durchführt, Zeitreihendaten (z.B. eine Motorgeschwindigkeit) einer Steuergröße in Bezug auf die Steuerung des Roboters oder der Werkzeugmaschine, Zeitreihendaten (z.B. einen Motorstromwert, einen geschätzten Störgrößenwert usw.) einer Zustandsgröße der Steuerung des Industrieroboters oder der Werkzeugmaschine, Betriebsumgebungsdaten wie etwa die Temperatur (nachfolgend gesammelt als „Messdaten“ bezeichnet) usw. zu erhalten und die resultierenden Daten als Lerndaten oder Diagnosedaten für das Diagnostizieren eines verschlechterten Zustands zu verwenden.
  • Zum Beispiel gibt die ungeprüfte japanische Patentanmeldung mit der Veröffentlichungsnummer 2017-188030 eine Maschinelles-Lernen-Vorrichtung für das Erfassen eines Anzeichens für einen Ausfall einer Spindel oder eines Motors für das Antreiben der Spindel einer Werkzeugmaschine vor einem Ausfall an. Insbesondere ist eine Maschinelles-Lernen-Vorrichtung eine Maschinelles-Lernen-Vorrichtung für ein maschinelles Lernen der Ausfallvorhersage eines Motors für das Antreiben einer Spindel oder einer Spindel einer Werkzeugmaschine und umfasst: eine Zustandsbeobachtungseinheit für das Beobachten einer Zustandsvariable, die Ausgabedaten einer Motorsteuervorrichtung für das Steuern des Motors, Ausgabedaten eines Detektors zum Erfassen des Zustands des Motors und Ausgabedaten eines Messinstruments für das Messen des Zustands der Spindel oder des Motors umfasst; eine Bestimmungsdaten-Erhaltungseinheit zum Erhalten von Bestimmungsdaten für das Bestimmen des Vorhandenseins oder der Abwesenheit eines Ausfalls oder des Ausfallgrads der Spindel oder des Motors; und eine Lerneinheit zum Lernen der Ausfallvorhersage der Spindel oder des Motors in Entsprechung zu einem Datensatz, der basierend auf einer Kombination der Zustandsvariable und der Bestimmungsdaten erzeugt wird.
  • Die ungeprüfte japanische Patentanmeldung mit der Veröffentlichungsnummer 2017-120649 gibt ein Ausfallvorhersagesystem an, das eine korrekte Ausfallvorhersage in Entsprechung zu Umständen ermöglicht. Insbesondere umfasst das Ausfallverhinderungssystem ein Maschinelles-Lernen-System für das Lernen einer mit dem Ausfall eines Roboters assoziierten Bedingung. Die Maschinelles-Lernen-Vorrichtung umfasst eine Zustandsbeobachtungseinheit zum Beobachten einer Zustandsvariable, die aus Ausgabedaten eines Sensors, internen Daten einer Steuersoftware oder berechneten Daten, die basierend auf den Daten erhalten werden, usw. besteht, während der Roboter betrieben wird oder ruht, und eine Lerneinheit für das Durchführen eines maschinellen Lernens in Entsprechung zu einem Trainingsdatensatz, der basierend auf einer Kombination aus der Zustandsvariable und den Bestimmungsdaten erzeugt wird.
    • Patentdokument 1: Ungeprüfte japanische Patentanmeldung mit der Veröffentlichungsnummer 2017-188030
    • Patentdokument 2: Ungeprüfte japanische Patentanmeldung mit der Veröffentlichungsnummer 2017-120649
  • ZUSAMMENFASSUNG DER ERFINDUNG
  • Viele Industriemaschinen wie etwa Industrieroboter, Werkzeugmaschinen und ähnliches werden derart robust hergestellt, dass sie selten ausfallen. Deshalb ist es häufig schwierig, Daten eines anormalen Zustands als Lerndaten zu erhalten, sodass nur Messdaten in Abwesenheit eines Ausfalls, d.h. wenn die Industrieroboter, Werkzeugmaschinen und ähnliches normal betrieben werden, als die Lerndaten akkumuliert werden und die Ausfallbedingung durch ein sogenanntes unüberwachtes Lernen gelernt wird. Das unüberwachte Lernen ist eine Technik für das Training einer Vorrichtung, die lernt, welche Art von Verteilung von normalen Daten durchgeführt wird, indem nur normale Daten als Eingabedaten in großen Mengen für die lernende Vorrichtung bereitgestellt werden, und eine Kompression, Klassifikation, Formung und ähnliches auf den Eingabedaten durchführt, auch ohne die entsprechenden überwachten Ausgabedaten (Etikettdaten) vorzusehen. In diesen Datensätzen enthaltene Merkmale können einem Clustering usw. unterworfen werden, um ähnliche Daten zu sammeln. Die Anomalie-Diagnose wird basierend auf dem derart erhaltenen Lernmodell durchgeführt.
  • Allgemein werden bei dem unüberwachten Lernen innerhalb einer bestimmten Zeitperiode von zum Beispiel mehreren Wochen oder ähnlichem etwa direkt nach der Lieferung des Industrieroboters, der Werkzeugmaschine oder von ähnlichem oder direkt nach einer Wartung der Werkzeugmaschine oder von ähnlichem beginnend die während dieser Zeitperiode erhaltenen Messdaten als normale Daten definiert und gelernt. Insbesondere muss die Datenerhaltungsverarbeitung für die Messdaten als der normalen Daten jedes Mal unter den gleichen Bedingungen durchgeführt werden. Aus diesem Grund ist die Datenerhaltungsverarbeitung gewöhnlich in der Betriebssequenz der Werkzeugmaschine oder des Robotersystems integriert, sodass sie automatisch in einer fixen Zeitperiode wie zum Beispiel vor dem Betriebsstart des Roboters oder der Werkzeugmaschine oder nach dem Betriebsende durchgeführt wird. Dabei wird angenommen, dass die Messdaten jedes Mal unter den gleichen Bedingungen und während des gleichen Betriebs erhalten werden.
  • Wegen einer vorübergehenden Einstellungsänderung oder ähnlichem können jedoch Daten in einem anderen als dem normalen Zustand oder Betrieb erhalten werden. Zum Beispiel kann der Roboter bewegt werden, während visuell der Betrieb des Roboters geprüft wird, und mittendrin angehalten werden. Oder der Roboter kann für das Prüfen des Betriebs des Roboters bewegt werden, während der Geschwindigkeits-Override aus Sicherheitsgründen unter den gewöhnlichen Wert vermindert ist. Außerdem kann eine Anormalität in einem anderen Gerät der gleichen Linie während des Datenerhalts auftreten und kann die Linie angehalten werden, sodass auch der Betrieb des Roboters angehalten wird. Die während eines derartigen Zustands und Betriebs erhaltenen Messdaten sind ungeeignet für normale Daten. Und wenn diese Daten als normale Daten aufgenommen und als normale Daten gelernt werden, kann das als Lernergebnis erhaltene Lernmodel unter Umständen extrem ungeeignet sein. Deshalb muss vor dem maschinellen Lernen geprüft werden, ob ungeeignete Daten, die in einem anderen als einem normalen Zustand oder Betrieb erhalten werden, in die Lerndaten aufgenommen wurden, und müssen die in einem anderen als einem normalen Zustand oder Betrieb erhaltenen Messdaten ausgeschlossen werden. Weil jedoch eine große Menge von Zeitreihendaten als Messdaten vorhanden sind, ist es sehr aufwändig, numerische Werte in den Messdaten zu vergleichen und anhand von diesen zu prüfen, ob die Zeitreihendaten in einem anderen als einem normalen Zustand oder Betrieb erhalten wurden.
  • Deshalb zeigen die Diagramme von 8 und 9 der ungeprüften japanischen Patentanmeldung mit der Veröffentlichungsnummer 2017-188030 Indexwerte, die den Ausfallgrad in dem Ausfallvorhersagesystem entlang der Zeitachse angeben. Es werden jedoch keine Schritte zum Prüfen, ob in einem anderen als einem normalen Zustand oder Betrieb erhaltene ungeeignete Daten aufgenommen wurden, und zum Auswählen und Ausschließen von in einem anderen als einem normalen Zustand oder Betrieb erhaltenen Messdaten beschrieben oder vorgeschlagen. Außerdem zeigen die Diagramme von 7 und 8 der ungeprüften japanischen Patentanmeldung mit der Veröffentlichungsnummer 2017-120649 Indexwerte, die den Ausfallgrad in Ausfallvorhersagesystemen entlang der Zeitachse angeben. Jedoch werden wie in der ungeprüften japanischen Patentanmeldung mit der Veröffentlichungsnummer 2017-188030 keine Schritte zum Prüfen, ob in einem anderen als einem normalen Zustand erhaltene ungeeignete Daten aufgenommen wurden, und zum Auswählen und Ausschließen der in einem anderen als einem normalen Zustand erhaltenen Messdaten beschrieben oder vorgeschlagen.
  • Es ist eine Aufgabe der vorliegenden Erfindung, eine Lerndatenprüfung-Unterstützungsvorrichtung, eine Maschinelles-Lernen-Vorrichtung und eine Ausfallvorhersagevorrichtung vorzusehen, die prüfen, ob es sich um während des gleichen Betriebs gemessene Daten handelt, wenn Lerndaten in einer Industriemaschine wie etwa einem Industrieroboter, einer Werkzeugmaschine oder von ähnlichem gelernt werden.
  • Gemäß einem ersten Aspekt der vorliegenden Erfindung sieht die vorliegende Erfindung eine Lerndatenprüfung-Unterstützungsvorrichtung (zum Beispiel die weiter unten beschriebene Lerndatenprüfung-Unterstützungsvorrichtung 3) vor, die eine Kontamination mit ungeeigneten Daten prüft, wenn Lerndaten mit nur normalen Daten zuvor erhalten werden, um eine Anomalie einer Industriemaschine (zum Beispiel des weiter unten beschriebenen Roboters) unter Verwendung eines maschinellen Lernens zu erfassen, wobei die Lerndatenprüfung-Unterstützungsvorrichtung umfasst: eine Datenerhaltungseinheit (zum Beispiel die weiter unten beschriebene Datenerhaltungseinheit 31), die Messdaten einschließlich von Zeitreihendaten, die wenigstens eine vorbestimmte Zustandsgröße oder Steuergröße in Bezug auf eine Steuerung wiedergeben, erhält, während veranlasst wird, dass die Industriemaschine einen bestimmten Betrieb durchführt; und eine Anzeigesteuereinheit (zum Beispiel die weiter unten beschriebene Anzeigesteuereinheit 32), die eine Vielzahl von durch die Datenerhaltungseinheit erhaltenen Zeitreihendaten in einer Richtung einer Zeitachse anordnet und in diesem Zustand Daten des gleichen Typs der Zeitreihendaten für die Anzeige in einem Kurvendiagramm überlagert.
  • Gemäß einem zweiten Aspekt der vorliegenden Erfindung sind in der Lerndatenprüfung-Unterstützungsvorrichtung von (1) die Zeitreihendaten Zeitreihendaten einer Zustandsgröße oder einer Steuergröße einer Steuerung, die einen Stromwert eines Motors, eine Geschwindigkeit des Motors und/oder einen geschätzten Störgrößenwert enthalten.
  • Gemäß einem dritten Aspekt der vorliegenden Erfindung umfasst die Lerndatenprüfung-Unterstützungsvorrichtung von (1) oder (2) weiterhin: eine Datenspeichereinheit (zum Beispiel die Messdaten-Speichereinheit 361), die die durch die Datenerhaltungseinheit erhaltenen Zeitreihendaten speichert; und eine Datenauswahleinheit (zum Beispiel die Datenauswahleinheit 33), die aus der Datenspeichereinheit Zeitreihendaten ausschließt, die als ungeeignete Daten aus den durch die Anzeigesteuereinheit angezeigten Zeitreihendaten ausgewählt werden.
  • Gemäß einem vierten Aspekt der vorliegenden Erfindung ist eine Maschinelles-Lernen-Vorrichtung (zum Beispiel die weiter unten beschriebene Maschinelles-Lernen-Vorrichtung 4) gemäß der vorliegenden Erfindung eine Maschinelles-Lernen-Vorrichtung (zum Beispiel die Maschinelles-Lernen-Vorrichtung 4), die kommunikativ mit der Lerndatenprüfung-Unterstützungsvorrichtung von (3) verbunden ist, wobei die Maschinelles-Lernen-Vorrichtung umfasst: eine Lerneinheit, die ein Lernen mittels eines unüberwachten Lernens auf der Basis von Zeitreihendaten, aus denen die ungeeigneten Daten durch die Datenauswahleinheit ausgeschlossen wurden, durchführt, wobei die Zeitreihendaten in der Datenspeichereinheit gespeichert sind.
  • Gemäß einem fünften Aspekt der vorliegenden Erfindung ist eine Ausfallvorhersagevorrichtung (zum Beispiel die weiter unten beschriebene Ausfallvorhersagevorrichtung 5) gemäß der vorliegenden Erfindung eine Ausfallvorhersagevorrichtung, die kommunikativ mit der Maschinelles-Lernen-Vorrichtung von (4) verbunden ist, wobei die Ausfallvorhersagevorrichtung umfasst: eine Anomalie-Diagnoseeinheit (zum Beispiel die Anomalie-Diagnoseeinheit 51), die in Reaktion auf eine Eingabe der durch die Datenerhaltungseinheit erhaltenen Messdaten eine Anomalie-Diagnose der Industriemaschine basierend auf einem durch die Lerneinheit erstellten Lernmodell durchführt.
  • Gemäß einem sechsten Aspekt der vorliegenden Erfindung umfasst die Ausfallvorhersagevorrichtung von (5) weiterhin: eine Anomalie-Benachrichtigungseinheit (zum Beispiel die Anomalie-Benachrichtigungseinheit 52), die eine Benachrichtigung in Bezug auf eine Anomalie ausgibt, wobei die Anomalie-Diagnoseeinheit die Anomalie-Benachrichtigungseinheit für das Durchführen einer Benachrichtigung basierend auf einem Anomalie-Diagnoseergebnis der Industriemaschine anweist.
  • In einer Ausführungsform der vorliegenden Erfindung werden eine Lerndatenprüfung-Unterstützungsvorrichtung, eine Maschinelles-Lernen-Vorrichtung und eine Ausfallvorhersagevorrichtung vorgesehen, die prüfen, ob ungeeignete Daten aufgenommen werden, wenn in einem maschinellen Lernen verwendete Trainingsdaten erhalten werden.
  • Figurenliste
    • 1 ist ein Blockdiagramm, das ein Ausfallvorhersagesystem einschließlich einer Lerndatenprüfung-Unterstützungsvorrichtung gemäß einer ersten Ausführungsform der vorliegenden Erfindung zeigt.
    • 2A ist ein beispielhaftes Kurvendiagramm, in dem alle erhaltenen und als Lerndaten gespeicherten Motorstromwerte (Zustandsgrößendaten) überlagert angezeigt werden.
    • 2B ist ein beispielhaftes Kurvendiagramm, in dem alle erhaltenen und Lerndaten gespeicherten Motorstromwerte (Zustandsgrößendaten) überlagert angezeigt werden.
    • 2C ist ein beispielhaftes Kurvendiagramm, in dem alle erhaltenen und Lerndaten gespeicherten Motorstromwerte (Zustandsgrößendaten) überlagert angezeigt werden.
    • 3A ist ein beispielhaftes Kurvendiagramm, in dem alle gleichzeitig mit Lerndaten erhaltenen und gespeicherten Motorgeschwindigkeitswerte (Steuergrößendaten) überlagert angezeigt werden.
    • 3B ist ein beispielhaftes Kurvendiagramm, in dem alle gleichzeitig mit Lerndaten erhaltenen und gespeicherten Motorgeschwindigkeitswerte (Steuergrößendaten) überlagert angezeigt werden.
    • 4A ist ein beispielhaftes Kurvendiagramm, in dem Zeitreihendaten in Bezug auf Motorstromwerte, die in ausgewählten Perioden erhaltene Zustandsgrößen einer Robotersteuerung sind, in der Richtung der Zeitachse angeordnet sind, wobei diese Daten in der Reihenfolge der Erhaltungszeit der Daten angezeigt werden.
    • 4B ist beispielhaftes Kurvendiagramm, in dem Zeitreihendaten in Bezug auf Motorgeschwindigkeiten, die in ausgewählten Perioden erhaltene Zustandsgrößen einer Robotersteuerung sind, in der Richtung der Zeitachse angeordnet sind, wobei diese Daten in der Reihenfolge der Erhaltungszeit der Daten angezeigt werden.
    • 5A ist ein Flussdiagramm zu der Verarbeitung für das Erstellen eines Lernmodells (normalen Modells) gemäß dieser Ausführungsform.
    • 5B ist ein Flussdiagramm zu der Verarbeitung für das Durchführen einer Anomalie-Diagnose basierend auf dem Lernmodell nach dem Erstellen des Lernmodells (normalen Modells).
  • AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
  • Im Folgenden werden Ausführungsformen der vorliegenden Erfindung im Detail mit Bezug auf die Zeichnungen beschrieben.
  • (Erste Ausführungsform)
  • 1 ist ein Blockdiagramm, das ein Beispiel für ein Ausfallvorhersagesystem 100 zeigt, das einen Roboter 1 als eine Industriemaschine, eine Robotersteuervorrichtung 2, eine Lerndatenprüfung-Unterstützungsvorrichtung 3, eine Maschinelles-Lernen-Vorrichtung 4 und eine Ausfallvorhersagevorrichtung 5 umfasst. In dieser Ausführungsform wird der Roboter 1 als ein Beispiel für eine Industriemaschine beschrieben, wobei die Industriemaschine der vorliegenden Erfindung jedoch nicht auf einen derartigen Roboter beschränkt ist. Die Industriemaschine kann zum Beispiel auch eine Werkzeugmaschine, ein Industrieroboter, ein Serviceroboter oder eine andere Maschine, die durch eine numerische Steuervorrichtung, eine Robotersteuervorrichtung gesteuert wird, oder ähnliches sein. In der folgenden Beschreibung werden die Lerndatenprüfung-Unterstützungsvorrichtung 3, die Maschinelles-Lernen-Vorrichtung 4 und die Ausfallvorhersagevorrichtung 5 für das Diagnostizieren eines Ausfalls von zum Beispiel einer Antriebseinheit des Roboters 1 beschrieben. Die vorliegende Erfindung kann aber auch auf beliebige andere Industriemaschinen angewendet werden.
  • Der in 1 gezeigte Roboter 1 ist zum Beispiel ein vertikaler Sechs-Achsen-Mehrgelenkroboter, in dem jedes Gelenk durch einen Motor angetrieben wird. Der Roboter 1 ist mit der Robotersteuervorrichtung 2 über eine bekannte Kommunikationsvorrichtung verbunden. Die Robotersteuervorrichtung 2 erzeugt Befehle für den Roboter 1 gemäß den Steuerprogrammen. Die Robotersteuervorrichtung 2 ist ein digitaler Computer, der eine CPU, einen ROM, einen RAM, einen nicht-flüchtigen Speicher und eine mit einer externen Vorrichtung verbundene Schnittstelle umfasst. Weiterhin kann das Ausfallvorhersagesystem 100 einen Sensor 11 für das Erfassen des Zustands des Roboters 1 oder der Umgebung umfassen. Zum Beispiel kann der Sensor 11 ein Temperatursensor, ein Feuchtigkeitssensor, ein Vibrationssensor oder ein Drehmomentsensor sein. Mit einer derartigen Konfiguration kann die weiter unten beschriebene Datenerhaltungseinheit 31 von dem Sensor 11 ausgegebene Daten erhalten. Wenn in dieser Ausführungsform zum Beispiel ein Aktivierungssignal periodisch zu der Robotersteuervorrichtung 2 zum Zeitpunkt der Aktivierung (vor dem Betriebsstart) eingegeben wird oder ein Befehlssignal für das Ausführen eines vorbestimmten Programms zu der Robotersteuervorrichtung 2 nach dem Betriebsende eingegeben wird, erzeugt die Robotersteuervorrichtung 2 einen Befehl für den Roboter 1 in Entsprechung zu dem vorbestimmten Programm und gibt den Befehl zu einer Antriebseinheit (nicht gezeigt) des Roboters 1 aus. Mit dieser Konfiguration führt die Antriebseinheit des Roboters 1 einen bestimmten Betrieb unter einer bestimmten Bedingung basierend auf dem Befehl durch. Dabei ist das vorbestimmte Programm zum Beispiel ein Steuerprogramm für eine Zustandsprüfung (auch als „Zustandsprüfprogramm“ bezeichnet), das den Roboter 1 zum Durchführen eines vorbestimmten Betriebs veranlasst, wobei durch das Betreiben des Roboters 1 unter Verwendung des Steuerprogramms jedes Mal der gleiche Betrieb für das Erhalten von Informationen zu den Betriebseigenschaften der Antriebseinheit oder von ähnlichem des Roboters 1 während des Betriebs (zum Beispiel Zeitreihendaten von Motorstromwerten) durchgeführt wird und wobei diese erhaltenen Informationen als Lerndaten für ein maschinelles Lernen des Ausfallvorhersage-Diagnoselernmodells oder als Ausfallvorhersage-Diagnosedaten in einer Ausfallvorhersagediagnose der Antriebseinheit oder von ähnlichem verwendet werden. Das Zustandsprüfprogramm führt ein Programm für das Diagnostizieren einer Anomalie vor oder nach einem Linienbetrieb zusätzlich zu dem Programm für die Herstellung durch und erhält Informationen (z.B. Zeitreihendaten von Motorstromwerten), die Betriebseigenschaften einer Antriebseinheit oder von ähnlichem des Roboters 1 angeben, wobei jedes Mal der gleiche Betrieb durchgeführt wird. Außerdem werden in dem maschinellen Lernen der vorliegenden Erfindung nur Daten in einem fehlerfreien Zustand, d.h. während der Roboter 1 normal betrieben wird, als Lerndaten akkumuliert und wird die Fehlerbedingung durch ein unüberwachtes Lernen gelernt. Aus diesem Grund wird als die Lernperiode für das Sammeln der Lerndaten zum Beispiel eine bestimmte Periode, die unmittelbar nach der Lieferung des Roboters 1, unmittelbar nach einer Wartung oder ähnlichem beginnt, gesetzt und werden die Lerndaten erhalten und akkumuliert. Nach Ablauf einer bestimmten Zeitperiode wird wie weiter unten beschrieben ein Lernmodell (normales Modell durch das Durchführen eines unüberwachten Lernens unter Verwendung von Lerndaten erstellt. Danach wird der Roboter 1 unter Verwendung von vorbestimmten Programmen mit dem gleichen Plan wie beim Erhalten der Lerndaten betrieben, sodass Informationen, die die Betriebseigenschaften der Antriebseinheit und von ähnlichem des Roboters 1 während des Betriebs des Roboters 1 angeben (zum Beispiel Zeitreihendaten von Motorstromwerten) erhalten werden, und werden die erhaltenen Informationen als Ausfallvorhersage-Diagnosedaten für die Ausfallvorhersagediagnose der Antriebseinheit und von ähnlichem des Roboters 1 verwendet. Die auf diese Weise erhaltenen Ausfallvorhersage-Diagnosedaten werden zu einem gelernten Modell (normalen Modell) eingegeben, um Anzeichen eines Ausfalls zu diagnostizieren. Insbesondere wenn die Ausfallvorhersage-Diagnosedaten periodisch erhalten werden, wird der Abstandsgrad zu dem gelernten Modell (normalen Modell) berechnet und wird bestimmt, ob die Antriebseinheit oder ähnliches des Roboters 1 eine Anomalie aufweist. Es ist zu beachten, dass die Funktionen der Robotersteuervorrichtung 2 allgemein bekannt sind und deshalb hier nicht im Detail beschrieben werden.
  • (Lerndatenprüfung-Unterstützungsvorrichtung 3)
  • Wie weiter oben beschrieben kann die Lerndatenprüfung-Unterstützungsvorrichtung 3 Lerndaten für ein maschinelles Lernen von Ausfallvorhersage-Diagnoselernmodellen oder Ausfallvorhersage-Diagnosedaten für die Verwendung in einer Ausfallvorhersagediagnose für etwa eine Antriebseinheit erhalten. Insbesondere ist die Lerndatenprüfung-Unterstützungsvorrichtung 3 eine Vorrichtung für das Prüfen einer Kontamination mit ungeeigneten Daten, wenn zuvor nur normale Daten enthaltende Lerndaten erhalten werden, um eine Anomalie einer Antriebseinheit und von ähnlichem des Roboters 1 unter Verwendung eines maschinellen Lernens zu erfassen. Insbesondere enthält die Lerndatenprüfung-Unterstützungsvorrichtung 3 eine Datenerhaltungseinheit 31, eine Anzeigesteuereinheit 32, eine Datenauswahleinheit 33, eine Speichereinheit 36, eine Anzeigeeinheit 37 und eine Eingabeeinheit 38. Die Speichereinheit 36 enthält eine Messdaten-Speichereinheit 361.
  • (Datenerhaltungseinheit 31)
  • Wenn wie weiter oben beschrieben die Robotersteuervorrichtung 2 veranlasst, dass der Roboter 1 eine bestimmte Operation in Entsprechung zu dem Zustandsprüfprogramm gemäß einem vorgegebenen Plan oder ähnlichem durchführt, erhält die Datenerhaltungseinheit 3 Messdaten einschließlich von Zeitreihendaten, die eine vorbestimmte Zustandsgröße und/oder Steuergröße in Bezug auf die Steuerung wiedergeben, während der Betrieb durchgeführt wird, und speichert die erhaltenen Zeitreihendaten als Lerndaten oder Ausfalldiagnosedaten in der Messdaten-Speichereinheit 361 zusammen mit der Erhaltungszeit (Zeitstempel). Insbesondere erhält die Datenerhaltungseinheit 31 als Lerndaten oder Ausfalldiagnosedaten Zeitreihendaten einer Zustandsgröße oder einer Steuergrößer der Steuerung einschließlich eines Stromwerts eines Motors für zum Beispiel eine Antriebseinheit, einer Geschwindigkeit des Motors und/oder eines geschätzten Störgrößenwerts des Motors während eines Betriebs oder in einem Ruhezustand des Roboters 1 durch das Zustandsprüfprogramm. Außerdem kann die Datenerhaltungseinheit 31 Zeitreihendaten für ein Drehmoment, eine Position, eine Beschleunigung, ein Rucken und für Spannungswerte erhalten. Außerdem können zum Beispiel Betriebsumgebungsdaten zu der Temperatur der Antriebseinheit und von ähnlichem, Vibrationsdaten des Motors und ähnliches erhalten werden. Im Folgenden werden diese Daten gesammelt als „Messdaten“ bezeichnet. Die Datenerhaltungseinheit 31 erhält die Zeitreihendaten der Zustandsgröße oder der Steuergröße der Steuerung, d.h. die Zustandsvariable, während der Roboter 1 betrieben wird oder ruht. In einer Ausführungsform, in der die Lerndatenprüfung-Unterstützungsvorrichtung 3 mit dem Roboter 1 und dem Sensor 11 über das Netzwerk verbunden ist, erhält die Datenerhaltungseinheit 31 die Zeitreihendaten (die Zustandsvariable) der Zustandsgröße oder der Steuergröße der Steuerung über das Netzwerk.
  • Die Zeitreihendaten (Zustandsvariable) der Zustandsgröße oder der Steuergröße der Steuerung können die Ausgabedaten des Sensors 11 enthalten. Die Zeitreihendaten (Zustandsvariable) der Zustandsgröße oder der Steuergröße der Steuerung können interne Daten eines Steuerprogramms für das Steuern des Roboters 1 enthalten. Die internen Daten können ein Drehmoment, eine Position, eine Geschwindigkeit, eine Beschleunigung, ein Rucken, einen Strom, eine Spannung und einen geschätzten Störgrößenwert enthalten. Der geschätzte Störgrößenwert ist zum Beispiel ein Störgrößenwert, der durch einen Beobachter basierend auf dem Drehmomentbefehl und der Geschwindigkeitsrückkopplung geschätzt wird. Die Datenerhaltungseinheit 31 speichert die auf diese Weise erhaltenen Messdaten einschließlich der Zeitreihendaten (Zustandsvariablen) der Zustandsgröße oder der Steuergröße der Robotersteuerung als Lerndaten oder Ausfalldiagnosedaten zusammen mit der Erhaltungszeit (Zeitstempel) in der Messdaten-Speichereinheit 361.
  • (Anzeigesteuereinheit 32)
  • Die Anzeigesteuereinheit 32 ordnet eine Vielzahl von durch die Datenerhaltungseinheit 31 erhaltenen Zeitreihendaten in der Richtung der Zeitachse an und überlagert in diesem Zustand Daten des gleichen Typs an der Anzeigeeinheit 37 für eine Anzeige in einem Diagramm. Insbesondere ordnet die Anzeigesteuereinheit 32 die während der Lernperiode erhaltenen Messdaten einschließlich der Zeitreihendaten jeder Zustandsgröße oder jeder Steuergröße der Robotersteuerung in der Richtung der Zeitachse an und zeigt diese Daten in einem überlagerten Zustand an der Anzeigeeinheit 37 an. Dabei kann der Standardwert der ausgewählten Periode die gesamte Lernperiode einschließlich der in der Messdaten-Speichereinheit 361 gespeicherten Messdaten umfassen. Im Folgenden werden der Motorstromwert als ein Beispiel für die Zustandsgrößendaten und der Motorgeschwindigkeitswert als ein Beispiel für die Steuergrößendaten beschrieben. 2A, 2B, 3A und 3B zeigen Anzeigebeispiele, wenn alle in der Messdaten-Speichereinheit 361 gespeicherten Messdaten ausgewählt werden. 2A und 2B sind beispielhafte Kurvendiagramme, in denen alle als Lerndaten erhaltenen und in der Messdaten-Speichereinheit 361 gespeicherten Motorstromwerte (Zustandsgrößendaten) überlagert angezeigt werden. 3A und 3B sind beispielhafte Kurvendiagramme, in denen alle gleichzeitig als die Lerndaten erhaltenen und in der Messdaten-Speichereinheit 361 gespeicherten Motorgeschwindigkeitswerte (Steuergrößendaten) überlagert angezeigt werden. Wenn wie in 2A und 3A gezeigt keine verschiedenen Wellenformen gefunden werden und im Wesentlichen eine Überlappung der überlagert angezeigten Messdaten gegeben ist, kann durch einen Betrieb gemäß den Betriebsbefehlen des Zustandsprüfprogramms bestimmt werden, dass die Messdaten geeignete Lerndaten sind. Wenn dagegen wie in 2B und 3B gezeigt verschiedene Wellenformen überlagert angezeigt werden, kann bestimmt werden, dass die Daten ungeeignete Messdaten enthalten, die unter einem Befehl mit einer anderen Bedingung oder einem anderen Betrieb als gemäß dem Betriebsbefehl des Zustandsprüfprogramms gemessen wurden. Wenn die Daten unter einem Befehl mit einer anderen Bedingung oder einem anderen Betrieb als gemäß dem Betriebsbefehl des Zustandsprüfprogramms gemessen werden, können die Daten unter Umständen unter einer anderen Bedingung erhalten werden als während einer normalen Bedingung oder eines normalen Betriebs, weil zum Beispiel eine vorübergehende Einstellungsänderung vorgenommen wurde. Zum Beispiel kann der Roboter 1 bewegt werden, während visuell der Betrieb des Roboters 1 geprüft wird, und mittendrin angehalten werden, kann der Roboter 1 für das Prüfen des Betriebs des Roboters 1 bewegt werden, während der Geschwindigkeits-Override aus Sicherheitsgründen von dem normalen Wert reduziert ist, kann eine Anormalität in einer anderen Vorrichtung der gleichen Linie während des Datenerhalts auftreten und kann die Linie angehalten werden, sodass auch der Betrieb des Roboters 1 angehalten wird, usw.
  • Wenn Zeitreihendaten durch den gleichen Betriebsbefehl des Zustandsprüfprogramms erhalten werden und die Wellenformen überlagert angezeigt werden, können verschiedene Wellenformen überlagert angezeigt werden. Zum Beispiel werden wie in 2A und 2B gezeigt Motorstromwerte (Zustandsgrößen), die Lerndaten sind, als Daten für das Prüfen verwendet. Und weil Metallteile in der Untersetzung des Roboters kombiniert und mit Fett geschmiert sind, kann die Viskosität des Fetts stark in Abhängigkeit von der Temperatur variieren. Also auch wenn der Roboter 1 periodisch für die gleiche Geschwindigkeit und zu der gleichen Position bewegt wird, ändert sich die Wellenform des Motorstromwerts unter dem Einfluss der verschiedenen Viskosität des Fetts. Wenn sich also die Viskosität des Fetts stark in Abhängigkeit von der Temperatur ändert, ändert sich auch die Wellenform des Motorstromwerts. Weil wie oben beschrieben die Wellenform des Motorstromwerts stark in Abhängigkeit von der Temperatur variieren kann, können auch dann, wenn die Wellenform durch den gleichen Betriebsbefehl des Zustandsprüfprogramms erhaltene Zeitreihendaten sind und die Wellenform überlagert angezeigt wird, nicht alle Wellenformen auf einer Linie wie in 2C gezeigt überlappen und werden verschiedene Wellenformen angezeigt.
  • Wenn dagegen im Fall eines Roboters, dessen Geschwindigkeit gesteuert wird, der Roboter gemäß dem Betriebsbefehl des Zustandsprüfprogramms betrieben wird und die gemessenen Zeitreihendaten in der Richtung der Zeitachse angeordnet und an der Anzeigeeinheit 37 in einem überlagerten Zustand dieser Daten angezeigt werden, sind alle Wellenformen auf annähernd einer Linie wie in 3A gezeigt überlagert. Deshalb ordnet in diesem Fall die Anzeigesteuereinheit 32 zum Beispiel die Zeitreihendaten in Bezug auf die Motorgeschwindigkeit, die die Steuergröße ist, in der Richtung der Zeitachse an und zeigt diese Daten an der Anzeigeeinheit 37 in einem überlagerten Zustand an. Wenn dann zum Beispiel festgestellt wird, dass alle Zeitreihendaten in Bezug auf die Motorgeschwindigkeit annährend auf einer Linie überlappen, kann der Bediener schätzen, dass die Wellenform des Motorstromwerts die Zeitreihendaten sind, die durch den gleichen Betriebsbefehl der Zustandsprüfprograms erhalten werden. Deshalb ist die Steuergröße relativ unempfindlich für Störgrößen wie etwa eine Fettviskosität. In diesem Fall kann geprüft werden, ob ein vorbestimmter Betrieb durchgeführt wurde, indem eine Steuergröße als Daten für das Prüfen, ob die Daten normale Daten sind oder nicht, ausgewählt wird. Wie weiter oben beschrieben reicht es zum Beispiel in dem Roboter, der der Geschwindigkeitssteuerung unterworfen wird, für die Daten für das Prüfen der Lerndaten aus, wenn nicht der Motorstromwert, der eine der Zustandsgrößen ist, sondern die Motorgeschwindigkeit, die die Steuergröße ist, gleichzeitig erhalten und verwendet wird.
  • Weiterhin kann anstatt des Ausrichtens einer Vielzahl von Zeitreihendaten in der Richtung der Zeitachse und des Anzeigens dieser Daten in einem überlagerten Zustand an der Anzeigeeinheit 37 die Anzeigesteuereinheit 32 die in der ausgewählten Periode erhaltenen Zeitreihendaten für jede Zustandsgröße oder für jede Steuergröße der Robotersteuerung in der Richtung der Zeitachse anordnen und diese Daten an der Anzeigeeinheit 37 in der Reihenfolge der Erhaltungszeit der Daten wie in 4A und 4B gezeigt anzeigen. Dabei zeigt 4A ein Beispiel, in dem Zeitreihendaten in Bezug auf Motorstromwerte, die in einer ausgewählten Periode erhaltene Zustandsgrößen der Robotersteuerung sind, in der Richtung der Zeitachse angeordnet werden und diese Daten an der Anzeigeeinheit 37 in der Reihenfolge der Erhaltungszeit der Daten angezeigt werden. 4B zeigt ein Beispiel, in dem Zeitreihendaten in Bezug auf Motorgeschwindigkeitswerte, die in einer ausgewählten Periode erhaltene Steuergrößen der Robotersteuerung sind, in der Richtung der Zeitachse angeordnet werden und diese Daten an der Anzeigeeinheit 37 in der Reihenfolge der Erhaltungszeit der Daten angezeigt werden. Wie in 4A und 4B gezeigt, kann zum Beispiel der Bediener durch Scrollen sequentiell die verschiedenen Zeitreihendaten für jede Datenerhaltungszeit anzeigen. Wenn bei einer derartigen Konfiguration, in der Wellenformen überlagert angezeigt werden, nicht alle Wellenformen einander annähernd auf einer Linie überlagern und verschiedene Wellenformen angezeigt werden, kann der Bediener einfach bestimmen, welche Wellenformen der Zeitreihendaten verschieden sind und zu welchen Zeiten sie erhalten wurden. Auf diese Weise können die gleichzeitig erhaltenen Lerndaten oder Steuergrö-ßendaten visuell in der Form eines Wellenformdiagramms aufgelistet werden, wodurch der Arbeitsaufwand für das Prüfen, ob die Daten als Lerndaten geeignet sind oder nicht, reduziert werden kann. Vorstehend wurde für die Anzeigesteuereinheit 32 ein Beispiel beschrieben, in dem der Motorstromwert als Zustandsgrößendaten und die Motorgeschwindigkeit als Steuergrößendaten verwendet wurde, wobei die vorliegende Erfindung jedoch nicht darauf beschränkt ist. Zum Beispiel kann ein geschätzter Störgrößenwert als Zustandsgrößendaten verwendet werden. Dabei ist der geschätzte Störgrößenwert ein geschätzter Wert der Störgrößenkomponente, der unter Verwendung des Störgrößenbeobachters geschätzt wird. Störgrößenbeobachter und geschätzte Störgrößenwerte sind dem Fachmann bekannt und werden hier nicht näher beschrieben.
  • (Datenauswahleinheit 33)
  • Die Datenauswahleinheit 33 schließt aus der Messdaten-Speichereinheit 361 die Zeitreihendaten aus, die als für Lerndaten ungeeignete Daten aus der Vielzahl von durch die Anzeigesteuereinheit 32 angezeigten Zeitreihendaten bestimmt werden. Insbesondere wenn die Zeitreihendaten (Wellenformen) in Bezug auf Motorgeschwindigkeiten, die Steuergrößen sind und in der Messdaten-Speichereinheit 361 als Lerndaten gespeichert sind, an der Anzeigeeinheit 37 überlagert angezeigt werden und wenn verschiedene Wellenformen angezeigt werden und nicht alle Wellenformen auf annähernd einer Linie überlappen, werden alle Messdaten in Entsprechung zu den Messzeiten der durch den Bediener ausgewählten Wellenformen aus der Messdaten-Speichereinheit 361 als für Lerndaten ungeeignete Daten ausgeschlossen. Es ist zu beachten, dass wie in 4A oder 4B gezeigt die Datenauswahleinheit 33 die Zeitreihendaten für jede in der ausgewählten Periode als Lerndaten erhaltene Zustandsgröße oder Steuergröße der Robotersteuerung in der Richtung der Zeitachse anordnen kann und die Messdaten in Entsprechung zu den durch den Bediener in einem Zustand, in dem diese Daten an der Anzeigeeinheit 37 für jeden Zeitstempel angezeigt werden, ausgewählten Wellenformen aus der Messdaten-Speichereinheit 361 ausschließen kann. Mit dieser Konfiguration kann der Arbeitsaufwand für den Bediener für das Ausschließen der für die Lerndaten ungeeigneten Messdaten durch das visuelle Auflisten der gleichzeitig erhaltenen Lerndaten oder Steuergrößendaten in der Form eines Wellenformdiagramms reduziert werden. Die Lerndatenprüfung-Unterstützungsvorrichtung 3 wurde weiter oben beschrieben. Im Folgenden wird die Maschinelles-Lernen-Vorrichtung 4 beschrieben.
  • (Maschinelles-Lernen-Vorrichtung 4)
  • Wie in 1 gezeigt, enthält die Maschinelles-Lernen-Vorrichtung 4 eine Lerneinheit 41. Wie weiter oben beschrieben, wird ein unüberwachtes maschinelles Lernen durch die Lerneinheit 41 durchgeführt. Das unüberwachte Lernen ist eine Lernmethode, in der im Gegensatz zu einem überwachten Lernen, in dem Trainingsdaten einschließlich von Eingabedaten und Etiketten als auszugebende Daten vorgesehen und gelernt werden, zwar Eingabedaten vorgesehen werden, aber keine Etiketten vorgesehen werden. In dem unüberwachten Lernen werden Muster und Merkmale in Eingabedaten (in Entsprechung zu Messdatengruppen in dieser Ausführungsform) gelernt und modelliert. Um zum Beispiel ein Clustering durchzuführen, werden Lernmodelle unter Verwendung von Algorithmen wie etwa der k-Means-Methode und der Ward-Methode erstellt. Weiterhin wird unter Verwendung des derart erstellten Lernmodells ein Clustering durchgeführt, um die Eingabedaten automatisch und ohne externe Referenz zu klassifizieren. Auf diese Weise kann zum Beispiel ein Fehler oder ein Ausfall erfasst werden. In einer derartigen Methode eines unüberwachten Lernens kann ein Lernmodell (normales Modell) unter Verwendung von verschiedenen Methoden wie zum Beispiel der One-Class-SVM-Methode, der Mahalanobis-Taguchi-Methode usw. erstellt werden.
  • Insbesondere wird beim Erfassen eines Fehlers oder Ausfalls einer Industriemaschine wie etwa eines Roboters, einer Werkzeugmaschine oder von ähnlichem die Wahrscheinlichkeitsverteilung der entsprechenden Werte der Lerndaten, die normale Daten sind, geschätzt. Weiterhin wird die geschätzte Wahrscheinlichkeitsverteilung verwendet, um die Wahrscheinlichkeit des Auftretens von neu eingegebenen Messdaten abzuleiten. Wenn danach die abgeleitete Wahrscheinlichkeit des Auftretens gleich oder kleiner als ein vorbestimmter Wert ist, kann, weil das Verhalten der Industriemaschine wie etwa des Roboters, der Werkzeugmaschine oder von ähnlichem verschieden von dem Verhalten in dem normalen Zustand ist, bestimmt werden, dass eine Anomalie aufgetreten ist. Weil also das Verhalten der Industriemaschine verschieden von dem Verhalten während des normalen Betriebs ist, kann erfasst werden, dass die Industriemaschine einen Fehler, einen Ausfall oder ein Anzeichen für einen Fehler oder einen Ausfall aufweist.
  • Als ein Verfahren zum Erfassen einer Anomalie basierend auf der Schätzung einer derartigen Wahrscheinlichkeitsverteilung kann zum Beispiel eine Ausreißererfassung verwendet werden. In der Ausreißererfassung wird ein ungewöhnlicher Ausreißer, der stark von der normalen Datengruppe abweicht, als ein Ziel des maschinellen Lernens unter Verwendung der geschätzten Wahrscheinlichkeitsverteilung erfasst. Wenn zum Beispiel der Amplitudenwert der Vibrationen ein großer Wert ist, der weit von dem normalen Amplitudenwert abweicht, weil sich das Verhalten der Industriemaschine von dem Verhalten in dem normalen Zustand unterscheidet, kann erfasst werden, dass ein Fehler, ein Ausfall oder ein Anzeichen für einen Fehler oder einen Ausfall in der Industriemaschine vorhanden ist. Es ist zu beachten, dass in dieser Ausführungsform zum Beispiel der Motorstromwert oder der geschätzte Störgrößenwert als die Zustandsgröße für das Erstellen des Lernmodells (normalen Modells) verwendet wird, wobei die vorliegende Erfindung jedoch nicht darauf beschränkt ist. Vorstehend wurde die Maschinelles-Lernen-Vorrichtung 4 beschrieben. Im Folgenden wird die Ausfallvorhersagevorrichtung 5 beschrieben.
  • (Ausfallvorhersagevorrichtung 5)
  • Wie weiter oben beschrieben gibt die Ausfallvorhersagevorrichtung 5 basierend auf dem gelernten Modell (normalen Modell), das durch die während der Lernperiode akkumulierten Lerndaten erstellt wird, zum Beispiel die durch die Datenerhaltungseinheit 31 der Lerndatenprüfung-Unterstützungsvorrichtung 3 erhaltenen Ausfalldiagnosedaten ein und gibt Anomalie-Diagnoseinformationen in Bezug auf das Vorhandensein oder die Abwesenheit einer Anomalie zum Beispiel der Antriebseinheit des Roboters 1, d.h. Anomalie-Diagnoseinformationen dazu, ob ein Fehler, ein Ausfall oder ein Anzeichen für einen Fehler oder einen Ausfall vorhanden ist oder nicht, aus. Wie in 1 gezeigt, enthält die Ausfallvorhersagevorrichtung 5 eine Anomalie-Diagnoseeinheit 51 und eine Anomalie-Benachrichtigungseinheit 52.
  • (Anomalie-Diagnoseeinheit 51)
  • Ein gelerntes Modell (normales Modell) (nicht gezeigt), das durch die Maschinelles-Lernen-Vorrichtung 4 gelernt wird, wird zu der Anomalie-Diagnoseeinheit 51 gegeben, und während der Roboter 1 unter Verwendung eines Zustandsprüfprogramms betrieben wird, um zum Beispiel durch die oben beschriebene Datenerhaltungseinheit 31 erhaltene Informationen (Messdaten wie zum Beispiel Zeitreihendaten von Motorstromwerten), die Betriebseigenschaften der Antriebseinheit oder von ähnlichem des Roboters 1 angeben, als Ausfallvorhersage-Diagnosedaten für eine Ausfallvorhersagediagnose einzugeben, wird basierend auf dem gelernten Modell (normalen Modell) bestimmt, ob eine Anomalie zum Beispiel der Antriebseinheit des Roboters 1 vorhanden ist oder nicht, d.h. ob ein Fehler, ein Ausfall oder ein Anzeichen für einen Fehler oder einen Ausfall vorhanden ist oder nicht. Vorzugsweise wird basierend auf Steuergrößendaten wie etwa einer Motorgeschwindigkeit geprüft, ob die durch die Datenerhaltungseinheit 31 erhaltenen Messdaten als Ausfallvorhersage-Diagnosedaten geeignet sind, zum Beispiel vor dem Eingeben der Messdaten zu der Anomalie-Diagnoseeinheit 51. Die Anomalie-Diagnoseeinheit 51 gibt ein Anomalie-Diagnoseergebnis zu der Anomalie-Benachrichtigungseinheit 52 ein und weist die Anomalie-Benachrichtigungseinheit 52 an, eine Benachrichtigung mit dem Anomalie-Diagnoseergebnis des Roboters 1 auszugeben.
  • (Anomalie-Benachrichtigungseinheit 52)
  • Die Anomalie-Benachrichtigungseinheit 52 gibt die Diagnoseinformationen des Roboters 1 zu zum Beispiel der Anzeigeeinheit 57 basierend auf dem Anomalie-Diagnoseergebnis der Anomalie-Diagnoseeinheit 51 aus. Bei dieser Konfiguration kann die Ausfallvorhersagevorrichtung 5 die Anomalie-Diagnoseinformationen in Bezug auf das Vorhandensein oder die Abwesenheit einer Anomalie zum Beispiel der Antriebseinheit des Roboters 1, d.h. die Anomalie-Diagnoseinformationen dazu, ob ein Fehler, ein Ausfall oder ein Anzeichen für einen Fehler oder einen Ausfall vorhanden ist, ausgeben, indem sie die Ausfalldiagnosedaten basierend auf dem gelernten Modell (normalen Modell) eingibt. Vorstehend wurden Ausführungsformen der Funktionseinheiten des Ausfallvorhersagesystems 100 gemäß dieser Ausführungsform mit Bezug auf die Konfigurationen des Roboters 1, der Robotersteuervorrichtung 2, der Lerndatenprüfung-Unterstützungsvorrichtung 3, der Maschinelles-Lernen-Vorrichtung 4 und der Ausfallvorhersagevorrichtung 5 beschrieben.
  • Im Folgenden wird mit Bezug auf die Flussdiagramme von 5A und 5B der Betrieb der Ausführungsform beschrieben. 5A ist ein Flussdiagramm, das eine Verarbeitung bis zum Erstellen eines gelernten Modells (normalen Modells) zeigt. 5B ist ein Flussdiagramm, das eine Verarbeitung zum Durchführen einer Anomalie-Diagnose basierend auf einem Lernmodell nach dem Erstellen des gelernten Modells zeigt. Die Flussdiagramme von 5A und 5B sind lediglich beispielhaft, wobei die vorliegende Erfindung nicht darauf beschränkt ist.
  • Zuerst wird die Verarbeitung zum Erzeugen von Lerndaten, zum Durchführen eines unüberwachten Lernens unter Verwendung der Lerndaten und zum Erstellen eines Lernmodells (normalen Modells) beschrieben. In Schritt S11 veranlasst die Lerndatenprüfung-Unterstützungsvorrichtung 3 (die Datenerhaltungseinheit 31), dass der Roboter 1 einen Betrieb in Entsprechung zu dem Zustandsprüfprogramm gemäß einem vorgegebenen Plan während einer vorgegebenen Lernperiode durchführt, Messdaten einschließlich von Zeitreihendaten, die eine Zustandsgröße und/oder eine Steuergröße in Bezug auf die Steuerung während der Durchführung des Betriebs wiedergeben, erhält und die resultierenden Daten als Lerndaten zusammen mit der Erhaltungszeit in der Messdaten-Speichereinheit 361 speichert.
  • In Schritt S12 zeigt die Lerndatenprüfung-Unterstützungsvorrichtung 3 (die Anzeigesteuereinheit 32) die in der Messdaten-Speichereinheit 361 gespeicherten Lerndaten überlagert in Entsprechung zu einem Befehl von dem Bediener an. In Schritt S13 schließt die Lerndatenprüfung-Unterstützungsvorrichtung 3 (die Datenauswahleinheit 33) Messdaten, die als Lerndaten ungeeignet sind, in Entsprechung zu dem Befehl von dem Bediener aus. In Schritt S14 führt die Maschinelles-Lernen-Vorrichtung 4 (die Lerneinheit 41) ein unüberwachtes Lernen unter Verwendung der Lerndaten durch, um ein gelerntes Modell (normales Modell) in Entsprechung zu dem Befehl von dem Bediener zu erstellen.
  • Im Folgenden wird eine Verarbeitung zum Ausgeben der Anomalie-Diagnoseinformationen in Bezug auf das Vorhandensein oder die Abwesenheit einer Anomalie zum Beispiel der Antriebseinheit des Roboters 1, d.h. dazu, ob eine Anomalie oder ein Ausfall aufgetreten ist ob es ein Anzeichen für das Auftreten einer Anomalie oder eines Ausfall gibt, durch das Eingeben der Ausfalldiagnosedaten nach dem Erstellen des gelernten Modells (normalen Modells) beschrieben. Zuerst veranlasst in Schritt S21 die Lerndatenprüfung-Unterstützungsvorrichtung 3 (die Datenerhaltungseinheit 31), dass der Roboter 1 einen Betrieb in Entsprechung zu dem Zustandsprüfprogramm gemäß einem vorgegebenen Plan durchführt, und erhält die Messdaten einschließlich der Zeitreihendaten, die eine Zustandsgröße und/oder eine Steuergröße in Bezug auf eine Steuerung während der Durchführung des Betriebs wiedergeben.
  • In Schritt S22 zeigt die Lerndatenprüfung-Unterstützungsvorrichtung 3 (die Anzeigesteuereinheit 32) die in Schritt S21 erhaltenen Messdaten überlagert auf den in den Speichereinheit 361 gespeicherten Lerndaten in Entsprechung zu dem Befehl von dem Bediener an.
  • In Schritt S23 prüft die Ausfallvorhersagevorrichtung 5 (die Anomalie-Diagnoseeinheit 51), ob der Bediener bestimmt hat oder nicht, dass die als die Ausfallvorhersage-Diagnosedaten erhaltenen Messdaten geeignete Daten sind. Wenn bestimmt wird, dass die Daten geeignet sind (JA), schreitet die Verarbeitung zu Schritt S24 fort. Wenn bestimmt wird, dass die Daten ungeeignet sind, kehrt die Verarbeitung zu Schritt S21 zurück. Wenn nicht geprüft wird, ob die Daten als Ausfallvorhersage-Diagnosedaten geeignet sind, kann auf die Schritte S22 und S23 verzichtet werden.
  • In Schritt S24 gibt die Ausfallvorhersagevorrichtung 5 (die Anomalie-Benachrichtigungseinheit 52) die Ausfallvorhersage-Diagnosedaten ein und führt die Anomaliediagnose basierend auf dem gelernten Modell (normalen Modell) durch. In Schritt S25 gibt die Ausfallvorhersagevorrichtung 5 (die Anomalie-Diagnoseeinheit 51) die Diagnoseinformationen des Roboters 1 zu der Anzeigeeinheit 57 basierend auf dem Anomaliediagnoseergebnis aus. Die Ausfalldiagnose wird in Entsprechung zu dem oben beschriebenen Verarbeitungsfluss durchgeführt, und dann wird die Ausfalldiagnoseverarbeitung beendet.
  • Die in der Robotersteuervorrichtung 2, der Lerndatenprüfung-Unterstützungsvorrichtung 3, der Maschinelles-Lernen-Vorrichtung 4 und der Ausfallvorhersagevorrichtung 5 enthaltenen Komponenten können durch Hardware, Software oder Kombinationen aus diesen realisiert werden. Weiterhin kann auch das durch das Zusammenwirken der entsprechenden Komponenten in der Lerndatenprüfung-Unterstützungsvorrichtung 3 und der Maschinelles-Lernen-Vorrichtung 4 durchgeführte maschinelle Lernverfahren durch Hardware, Software oder eine Kombination aus diesen realisiert werden. Unter einer Realisierung durch Software ist hier zu verstehen, dass ein Computer Programme liest und ausführt.
  • Die Programme können in verschiedenen Typen eines nicht-transitorischen, computerlesbaren Mediums gespeichert und zu dem Computer zugeführt werden. Nicht-transitorische, computerlesbare Medien umfassen verschiedene Typen von greifbaren Speichermedien. Beispiele für nicht-transitorische, computerlesbare Medien sind magnetische Aufzeichnungsmedien (z.B. Disketten- und Festplattenlaufwerke), magnetooptische Aufzeichnungsmedien (z.B. magnetooptische Disks), eine CD-ROM (Nur-Lese-Speicher), eine CD-R, eine CD-R/W, ein Halbleiterspeicher (z.B. ein maskierter ROM, ein programmierbarer ROM (PROM), ein löschbarer ROM (EPROM), ein Flash-ROM und ein RAM (Direktzugriffspeicher)). Die Programme können auch unter Verwendung von verschiedenen Typen von transitorischen, computerlesbaren Medien zu dem Computer zugeführt werden.
  • Wie weiter oben beschrieben, werden in dieser Ausführungsform durch die Lerndatenprüfung-Unterstützungsvorrichtung 3 die Messdaten einschließlich der Zeitreihendaten für jede Zustandsgröße oder jede Steuergröße der Robotersteuerung in der Richtung der Zeitachse angeordnet und an der Anzeigeeinheit 37 angezeigt, sodass die Messdaten visuell in einem Kurvendiagramm in einem überlagerten Zustand dieser Daten angezeigt werden können. Es kann also visuell festgestellt werden ob die Messdaten als Lerndaten geeignet oder ungeeignet sind. Bei dieser Konfiguration kann der Bediener einfach Daten, die als Lerndaten ungeeignet sind, bestimmen und ausschließen. Die Maschinelles-Lernen-Vorrichtung 4 kann also ein angemessenes gelerntes Modell (normales Modell) durch ein unüberwachtes Lernen erstellen, indem er die Messdaten in einem ausfallfreien Zustand, d.h. die Messdaten, in denen nur Betriebseigenschaften des normal betriebenen Roboters 1 akkumuliert sind, verwendet. Nach dem Erstellen des angemessenen gelernten Modells (normalen Modells) bestimmt die Ausfallvorhersagevorrichtung 5 den Grad, mit dem die regelmäßig erhaltenen Messdaten von dem gelernten Modell (dem normalen Modell) abweichen, um bestimmen zu können, ob eine Anomalie in der Antriebseinheit oder in ähnlichem des Roboters 1 vorliegt oder nicht, d.h. ob ein Fehler, ein Ausfall oder ein Anzeichen für einen Fehler oder einen Ausfall vorhanden ist.
  • Vorstehend wurde eine bevorzugte Ausführungsform der vorliegenden Erfindung beschrieben, wobei die vorliegende Erfindung jedoch nicht auf die oben beschriebene Ausführungsform beschränkt ist. Und die beschriebene Ausführung kann auf verschiedene Weise modifiziert werden, ohne dass deshalb der Erfindungsumfang verlassen wird.
  • (Modifikationsbeispiel 1)
  • In der oben beschriebenen Ausführungsform wurden ein Industrieroboter mit einem Roboter und einer Robotersteuervorrichtung als ein Beispiel für die Industriemaschine beschrieben, wobei die Erfindung jedoch nicht darauf beschränkt ist. Zum Beispiel können auch verschiedene Typen von Werkzeugmaschinen und numerischen Steuervorrichtungen als die Industriemaschine verwendet werden.
  • (Modifikationsbeispiel 2)
  • In der oben beschriebenen Ausführungsform werden die Robotersteuervorrichtung 2, die Lerndatenprüfung-Unterstützungsvorrichtung 3, die Maschinelles-Lernen-Vorrichtung 4 und die Ausfallvorhersagevorrichtung 5 als jeweils unabhängige Vorrichtungen beschrieben, wobei die vorliegende Erfindung jedoch nicht darauf beschränkt ist. Zum Beispiel kann die Robotersteuervorrichtung 2 die Lerndatenprüfung-Unterstützungsvorrichtung 3, die Maschinelles-Lernen-Vorrichtung 4 und die Ausfallvorhersagevorrichtung 5 enthalten. Weiterhin kann die Robotersteuervorrichtung 2 die Ausfallvorhersagevorrichtung 5 enthalten. Die Robotersteuervorrichtung 2 kann die Lerndatenprüfung-Unterstützungsvorrichtung 3, die Maschinelles-Lernen-Vorrichtung 4 und/oder die Ausfallvorhersagevorrichtung 5 enthalten. Welche Vorrichtungen in welchen Vorrichtungen enthalten sind, ist eine Frage des Entwurfs. Weiterhin kann ein verteiltes Verarbeitungssystem verwendet werden, in dem die Funktionen der Robotersteuervorrichtung 2, der Lerndatenprüfung-Unterstützungsvorrichtung 3, der Maschinelles-Lernen-Vorrichtung 4 und der Ausfallvorhersagevorrichtung 5 auf einen oder mehrere Server verteilt sein können.
  • (Modifikationsbeispiel 3)
  • In der oben beschriebenen Ausführungsform werden die Messdaten in die Maschinelles-Lernen-Vorrichtung 4 (die Lerneinheit 41) als Lerndaten eingegeben, um das gelernte Modell (das normale Modell) zu erstellen, wobei die vorliegende Erfindung jedoch nicht darauf beschränkt ist. Die Maschinelles-Lernen-Vorrichtung 4 enthält zum Beispiel eine Frequenzanalyseeinheit (nicht gezeigt) und extrahiert ein Frequenzspektrum durch das Durchführen einer Fourier-Transformation auf einer in der Messdaten-Speichereinheit 361 gespeicherten Datengruppe. Weiterhin kann die Lerneinheit 41 das Lernmodell (das normale Modell) basierend auf den Merkmalsdaten durch das Durchführen des maschinellen Lernens unter Verwendung des Frequenzspektrums erstellen.
  • Bezugszeichenliste
    • 100
    Ausfallvorhersagesystem
    1
    Roboter
    11
    Sensor
    2
    Robotersteuervorrichtung
    3
    Lerndatenprüfung-Unterstützungsvorrichtung
    31
    Datenerhaltungsabschnitt
    32
    Anzeigesteuereinheit
    33
    Datenauswahlabschnitt
    36
    Speichereinheit
    361
    Messdaten-Speichereinheit
    37
    Anzeigeeinheit
    38
    Eingabeeinheit
    4
    Maschinelles-Lernen-Vorrichtung
    41
    Lerneinheit
    5
    Ausfallvorhersagevorrichtung
    51
    Anomalie-Diagnoseeinheit
    52
    Anomalie-Benachrichtigungseinheit
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • JP 2017188030 [0005]
    • JP 2017120649 [0006]

Claims (6)

  1. Lerndatenprüfung-Unterstützungsvorrichtung (3), die die eine Kontamination mit ungeeigneten Daten prüft, wenn Lerndaten mit nur normalen Daten zuvor erhalten werden, um eine Anomalie einer Industriemaschine (1) unter Verwendung eines maschinellen Lernens zu erfassen, wobei die Lerndatenprüfung-Unterstützungsvorrichtung (3) umfasst: eine Datenerhaltungseinheit (31), die Messdaten einschließlich von Zeitreihendaten, die wenigstens eine vorbestimmte Zustandsgröße oder Steuergröße in Bezug auf eine Steuerung wiedergeben, erhält, während veranlasst wird, dass die Industriemaschine (1) einen bestimmten Betrieb durchführt, und eine Anzeigesteuereinheit (32), die eine Vielzahl von durch die Datenerhaltungseinheit erhaltenen Zeitreihendaten in einer Richtung einer Zeitachse anordnet und in diesem Zustand Daten des gleichen Typs der Zeitreihendaten für die Anzeige in einem Kurvendiagramm überlagert.
  2. Lerndatenprüfung-Unterstützungsvorrichtung (3) nach Anspruch 1, wobei die Zeitreihendaten Zeitreihendaten einer Zustandsgröße oder einer Steuergröße einer Steuerung sind, die einen Stromwert eines Motors, eine Geschwindigkeit des Motors und/oder einen geschätzten Störgrößenwert enthalten.
  3. Lerndatenprüfung-Unterstützungsvorrichtung (3) nach Anspruch 1 oder 2, die weiterhin umfasst: eine Datenspeichereinheit (361), die die die durch die Datenerhaltungseinheit (31) erhaltenen Zeitreihendaten speichert, und eine Datenauswahleinheit (33), die aus der Datenspeichereinheit (361) Zeitreihendaten ausschließt, die als ungeeignete Daten aus den durch die Anzeigesteuereinheit (32) angezeigten Zeitreihendaten ausgewählt werden.
  4. Maschinelles-Lernen-Vorrichtung (4), die kommunikativ mit der Lerndatenprüfung-Unterstützungsvorrichtung (3) gemäß Anspruch 3 verbunden ist, wobei die Maschinelles-Lernen-Vorrichtung (4) umfasst: eine Lerneinheit (41), die ein Lernen mittels eines unüberwachten Lernens auf der Basis von Zeitreihendaten, aus denen die ungeeigneten Daten durch die Datenauswahleinheit (33) ausgeschlossen wurden, durchführt, wobei die Zeitreihendaten in der Datenspeichereinheit (361) gespeichert sind.
  5. Ausfallvorhersagevorrichtung (5), die kommunikativ mit der Maschinelles-Lernen-Vorrichtung (4) gemäß Anspruch 4 verbunden ist, wobei die Ausfallvorhersagevorrichtung (5) umfasst: eine Anomalie-Diagnoseeinheit (51), die in Reaktion auf eine Eingabe der durch die Datenerhaltungseinheit (31) erhaltenen Messdaten eine Anomalie-Diagnose der Industriemaschine (1) basierend auf einem durch die Lerneinheit (4) erstellten Lernmodell durchführt.
  6. Ausfallvorhersagevorrichtung (5) nach Anspruch 5, die weiterhin umfasst: eine Anomalie-Benachrichtigungseinheit (52), die eine Benachrichtigung in Bezug auf eine Anomalie ausgibt, wobei die Anomalie-Diagnoseeinheit (51) die Anomalie-Benachrichtigungseinheit (52) für das Durchführen einer Benachrichtigung basierend auf einem Anomalie-Diagnoseergebnis der Industriemaschine (1) anweist.
DE102019219332.3A 2018-12-21 2019-12-11 Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung Pending DE102019219332A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-239773 2018-12-21
JP2018239773A JP7107830B2 (ja) 2018-12-21 2018-12-21 学習用データ確認支援装置、機械学習装置、故障予知装置

Publications (1)

Publication Number Publication Date
DE102019219332A1 true DE102019219332A1 (de) 2020-06-25

Family

ID=70969923

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019219332.3A Pending DE102019219332A1 (de) 2018-12-21 2019-12-11 Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung

Country Status (4)

Country Link
US (1) US20200198128A1 (de)
JP (1) JP7107830B2 (de)
CN (1) CN111352388A (de)
DE (1) DE102019219332A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021212115A1 (de) 2021-10-27 2023-04-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Diagnose einer Funktion von Gassystemaktuatoren mithilfe von maschinellen Lernverfahren

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6678843B1 (ja) * 2019-08-28 2020-04-08 三菱電機株式会社 異常部分検知装置、異常部分検知方法及びプログラム
JP2021033842A (ja) * 2019-08-28 2021-03-01 株式会社東芝 状態監視装置、方法及びプログラム
KR102344464B1 (ko) * 2019-12-05 2021-12-29 (주)아이티공간 인공지능을 통한 기기의 이상 부위 학습 검출방법
CN114930326A (zh) * 2020-01-23 2022-08-19 三菱电机株式会社 模型生成装置、模型生成方法和模型生成程序
JP2021160031A (ja) * 2020-03-31 2021-10-11 セイコーエプソン株式会社 故障予測方法および故障予測装置
WO2021220358A1 (ja) * 2020-04-27 2021-11-04 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム
US20230264355A1 (en) * 2020-07-28 2023-08-24 Kawasaki Jukogyo Kabushiki Kaisha State monitoring device, state abnormality determination method, and state abnormality determination program
JP7257060B2 (ja) * 2021-02-25 2023-04-13 株式会社ミヤワキ 測定診断装置
JP7359178B2 (ja) * 2021-03-10 2023-10-11 横河電機株式会社 制御装置、制御方法、および、制御プログラム
JPWO2022210072A1 (de) * 2021-03-29 2022-10-06
US11892903B2 (en) 2021-12-17 2024-02-06 Bank Of America Corporation System and method for continuous failure prediction and remediation within a computational environment using independent execution units
US11782780B2 (en) 2021-12-17 2023-10-10 Bank Of America Corporation Automatic remediation of failures within a computational environment using independent execution units
JP2023149013A (ja) * 2022-03-30 2023-10-13 横河電機株式会社 データ処理装置、データ処理方法、及びプログラム
TR2022009059A2 (tr) * 2022-06-02 2022-07-21 Irfan Coezge Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇
CN116117816B (zh) * 2023-02-18 2024-02-23 北京远舢智能科技有限公司 一种机器人学习方法、装置、电子设备及存储介质
CN117445403B (zh) * 2023-12-26 2024-03-26 深圳市智能派科技有限公司 基于电流预测的3d打印故障监测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017120649A (ja) 2015-07-31 2017-07-06 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
JP2017188030A (ja) 2016-04-08 2017-10-12 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

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5530019B2 (de) * 1972-02-07 1980-08-07
JP2003177815A (ja) * 2001-12-07 2003-06-27 Komatsu Ltd 産業機械の保全システム
JP4495960B2 (ja) * 2003-12-26 2010-07-07 キヤノンＩｔソリューションズ株式会社 プロセスと品質との関係についてのモデル作成装置
JP4424133B2 (ja) * 2004-09-24 2010-03-03 株式会社ジェイテクト 入出力データ管理装置
JP4276187B2 (ja) * 2005-02-02 2009-06-10 ファナック株式会社 学習制御機能を有する数値制御装置
JP4301278B2 (ja) * 2006-09-29 2009-07-22 パナソニック電工株式会社 工作機械の加工寸法予測装置
JP5531237B2 (ja) * 2009-02-24 2014-06-25 本田技研工業株式会社 脳情報出力装置、ロボット、および脳情報出力方法
JP5740459B2 (ja) * 2009-08-28 2015-06-24 株式会社日立製作所 設備状態監視方法
JP4832609B1 (ja) * 2011-06-22 2011-12-07 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置および異常予兆診断方法
JP5530019B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP6454211B2 (ja) * 2015-03-31 2019-01-16 シスメックス株式会社 検体分析装置、血液凝固分析装置、検体分析方法、及びコンピュータプログラム
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
US9886338B1 (en) * 2015-09-30 2018-02-06 EMC IP Holding Company LLC Health check solution evaluating system status
CN106339688B (zh) * 2016-08-31 2019-05-21 沈阳工业大学 一种机械振动信号的源数估计方法
WO2018052015A1 (ja) * 2016-09-14 2018-03-22 日本電気株式会社 システムの分析支援装置、システムの分析支援方法及びプログラム
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
CN108805202B (zh) * 2018-06-11 2021-07-30 上海新增鼎数据科技有限公司 一种用于电解槽故障预警的机器学习方法及其应用
US11016468B1 (en) * 2018-06-12 2021-05-25 Ricky Dale Barker Monitoring system for use in industrial operations
US20200097810A1 (en) * 2018-09-25 2020-03-26 Oracle International Corporation Automated window based feature generation for time-series forecasting and anomaly detection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017120649A (ja) 2015-07-31 2017-07-06 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
JP2017188030A (ja) 2016-04-08 2017-10-12 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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021212115A1 (de) 2021-10-27 2023-04-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Diagnose einer Funktion von Gassystemaktuatoren mithilfe von maschinellen Lernverfahren

Also Published As

Publication number Publication date
US20200198128A1 (en) 2020-06-25
JP7107830B2 (ja) 2022-07-27
CN111352388A (zh) 2020-06-30
JP2020102001A (ja) 2020-07-02

Similar Documents

Publication Publication Date Title
DE102019219332A1 (de) Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung
DE112016003171B4 (de) Verfahren zum Überwachen einer Antriebseinheit einer Fahrzeugkarosseriemontagelinie und eine Vorrichtung dafür
EP1250632B1 (de) System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen
EP0789861B1 (de) Verfahren zur analyse von prozessdaten einer technischen anlage
EP3279756B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
DE102008029672B3 (de) Vorrichtung und Verfahren zur Zustandsüberwachung und Zustandsdiagnose einer Maschine, Maschinenkomponente oder Anlage
WO2010118863A1 (de) Verfahren zum aufbereiten von prozesszustandsdaten und/oder maschinenzustandsdaten einer werkzeugmaschine
DE2500086B2 (de)
DE112004000432T5 (de) Generierung von Daten für die Kennzeichnung des betrieblichen Zustands von Maschinen
DE102007048602A1 (de) Verfahren zum Diagnostizieren von Anomalitäten und Vorrichtung hierfür
DE102016106085A1 (de) Werkzeugmaschinenverwaltungssystem
DE102016015332A1 (de) Präventivwartungsverwaltungssystem und -verfahren zum Erstellen eines Wartungsplans einer Maschine sowie Zellensteuereinrichtung
EP3077878B1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE112015004142T5 (de) System und Verfahren zur Vorhersage des Ausfalls von Maschinenkomponenten
DE102017002372B4 (de) Testsystem zum Durchführen eines Maschinentests
DE102018201975A1 (de) Diagnosedaten-erfassungssystem, diagnosesystem und diagnosedaten-erfassungsprogramm
DE112020007131T5 (de) Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm
EP3546314A1 (de) Verfahren und vorrichtung zur fehleridentifizierung für ein technisches system
EP1305677B1 (de) Verfahren zur ferndiagnose eines technologischen prozesses
CH717054A2 (de) Verfahren zur Diagnose eines Lagers.
EP4068018A1 (de) Vorrichtung und verfahren zur überwachung eines stanzprozesses
DE102008042969A1 (de) Verfahren und Vorrichtung zur Detektion von Prozesszuständen in alternierenden Produktionsprozessen
EP3014372B1 (de) Werkstatt-diagnosesystem
DE102019120864B3 (de) Verfahren und Vorrichtung zur Planung von Wartungsarbeiten an wenigstens einer Maschine
EP3361341A1 (de) Verfahren zur überwachung der zustände von geräten eines automatisierungssystems sowie operator-system

Legal Events

Date Code Title Description
R012 Request for examination validly filed