JP2018001330A - 弁別装置、弁別方法、および弁別プログラム - Google Patents

Abstract

【課題】 高い精度で作業区間の弁別を行うことができる弁別装置、弁別方法、および弁別プログラムを提供する。【解決手段】 弁別装置は、対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量を構成する複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方を算出する算出部と、前記複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方に基づいて、前記作業部が対象物に対して作業を行う過渡域と前記作業部が対象物に対して作業を行わない定常域とを弁別する弁別部と、を備える。【選択図】 図６

Description

本件は、弁別装置、弁別方法、および弁別プログラムに関する。

ロボットにセンサ類を取り付け、異常な作業を検知する技術の開発が進められている。センサ信号の異常を判断する場合に、センサ信号が一定の区間を定常域、動的に変化する区間を過渡域として弁別し、それぞれの区間の異常判断を行う技術が開示されている（例えば、特許文献１，２参照）。

特開２０１５−８５４３７号公報 特開２０１５−２１７４８６号公報

しかしながら、上記技術では、センサの検出結果の時系列データの統計的変化量（以下、過渡判別量と称する）の大小に基づいて定められている。この過渡判別量の大小に基づく区間弁別では、高い精度で区間弁別を行うことができないおそれがある。

１つの側面では、本発明は、高い精度で作業区間の弁別を行うことができる弁別装置、弁別方法、および弁別プログラムを提供することを目的とする。

１つの態様では、弁別装置は、対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量を構成する複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方を算出する算出部と、前記複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方に基づいて、前記作業部が対象物に対して作業を行う過渡域と前記作業部が対象物に対して作業を行わない定常域とを弁別する弁別部と、を備える。

高い精度で作業区間の弁別を行うことができる。

実施例１に係る作業装置の全体構成を説明するための図である。 （ａ）〜（ｄ）は作業ロボットの一連の動作の一例を例示する図である。 （ａ）〜（ｃ）は作業ロボットの一連の動作の一例を例示する図である。 統計的変化量の算出手法を例示する図である。 （ａ）〜（ｃ）は複数の異なった作業が連続している場合を例示する図である。 判定装置のブロック図である。 （ａ）〜（ｃ）は統計的変化量の算出手法を例示する図である。 （ａ）〜（ｃ）は構成要素の比率を用いた弁別を例示する図である。 判定装置が実行する処理を例示するフローチャートである。 実施例２に係る判定装置のブロック図である。 （ａ）〜（ｃ）は過渡判別量の増減値を用いた弁別を例示する図である。 判定装置が実行する処理を例示するフローチャートである。 実施例３に係る判定装置のブロック図である。 （ａ）〜（ｇ）は過渡判別量の大小も考慮して定常域と過渡域とを弁別する例である。 判定装置が実行する処理を例示するフローチャートである。 （ａ）〜（ｄ）は過渡域候補から過渡域を抽出する例である。 処理を例示するフローチャートである （ａ）〜（ｃ）は窓幅を可変とする例である。 窓幅を設定する場合に実行するフローチャートを例示する図である。 （ａ）および（ｂ）は窓幅を可変とする他の例である。 窓幅を設定する場合に実行する他のフローチャートを例示する図である。 窓幅を可変として、過渡判別量に重み付けを行う場合に実行されるフローチャートを例示する図である。 実施例４に係る判定装置のブロック図である。 （ａ）および（ｂ）は過渡判別量の閾値を設定する例である。 （ａ）および（ｂ）は判定装置が実行するフローチャートを例示する図である。 （ａ）および（ｂ）は判定装置が実行するフローチャートを例示する図である。 （ａ）は判定装置のハードウェア構成を説明するためのブロック図であり、（ｂ）は作業システムについて例示する図である。

図１は、実施例１に係る作業装置１００の全体構成を説明するための図である。図１で例示するように、作業装置１００は、作業ロボット１０、コントローラ２０、カメラ３０、判定装置４０などを備える。

作業ロボット１０は、ロボットハンド１１、センサ１２などを備える。ロボットハンド１１は、対象物に対して所定の作業を行う装置である。センサ１２は、ロボットハンド１１の力、変位等を検出するセンサであり、一例として、歪ゲージ、力覚センサ、加速度センサなどである。本実施例においては、複数のセンサ１２が備わっている。コントローラ２０は、所定のタイミングで作業ロボット１０に作業指示を行う制御装置である。カメラ３０は、作業ロボット１０の作業を撮像する装置である。本実施例においては、複数のカメラ３０が備わっている。

図２（ａ）〜図２（ｄ）および図３（ａ）〜図３（ｃ）は、作業ロボット１０の一連の動作の一例を例示する図である。図２（ａ）で例示するように、作業ロボット１０は、ロボットハンド１１として１組のロボットハンド１１ａ，１１ｂを備え、複数のセンサ１２として歪ゲージ１２ａ，１２ｂを備えている。例えば、ロボットハンド１１ａの先端部分に歪ゲージ１２ａが設けられ、ロボットハンド１１ｂの先端部分に歪ゲージ１２ｂが設けられている。まず、ロボットハンド１１ａ，１１ｂは、コネクタ１３に勘合するケーブルコネクタ１４に向かって移動する（第１移動工程）。

次に、図２（ｂ）で例示するように、ロボットハンド１１ａ，１１ｂは、ケーブルコネクタ１４を把持する（把持工程）。次に、図２（ｃ）で例示するように、ロボットハンド１１ａ，１１ｂは、ケーブルコネクタ１４を持ち上げることによって、コネクタ１３から離し、他のコネクタに向かってケーブルコネクタ１４を移動させる（第２移動工程）。次に、図２（ｄ）で例示するように、ロボットハンド１１ａ，１１ｂは、他のコネクタ１５にケーブルコネクタ１４を差し込む（差込工程）。

次に、図３（ａ）で例示するように、ロボットハンド１１ａ，１１ｂは、ケーブルコネクタ１４の把持を解除する（解除工程）。次に、図３（ｂ）で例示するように、ロボットハンド１１ａ，１１ｂは、ケーブルコネクタ１４から離れる方向に移動する（第３移動工程）。最後に、図３（ｃ）で例示するように、ロボットハンド１１ａ，１１ｂは、ケーブルコネクタ１４をコネクタ１５に差し込む（差込工程）。図３（ｃ）の例では、ロボットハンド１１ｂがケーブルコネクタ１４をコネクタ１５に差し込んでいる。以上の工程によって、作業が完了する。

ここで、センサ１２の検出結果の時系列データの統計的変化量（以下、過渡判別量と称する）の算出手順の一例について説明する。例えば、図４で例示するように、時系列のセンサ信号上の所定のサンプリング周期の各データ点において、その前後の区間の「平均の差」と「標準偏差の差」とを合算することによって過渡判別量を求めることができる。この時の前後の区間（窓幅）は、固定されている。例えば、センサ１２の測定データの過渡判別量の加算平均を取り、所定の閾値で切ることにより、過渡判別量が大きい部分は過渡域とし、小さい部分は定常域として弁別を行うことができる。過渡域とは、作業ロボット１０が対象物に対して作業を行う時間区間のことである。定常域とは、作業ロボット１０が対象物に対する作業を行わない時間区間のことである。ロボットハンド１１の単純移動などは、定常域に含まれる。ロボットハンド１１による組立作業などは、過渡域に含まれる。

例えば、過渡判別量の大小に基づいて動作状態を定常域／過渡域に自動弁別することができる。しかしながら、この場合、センサ１２の測定データ値やその変化が小さな動作（過渡判別量の小さな部分）を過渡域として検出することは困難である。一方、そのような過渡判別量の小さい部分まで単純に過渡域として検出しようとすると、過渡域が増えて識別処理の計算量が無駄に増大するおそれがある。過渡判別量あるいはその閾値を算出する際、算出パラメータが事前に固定されていると、最適な区間弁別を実行することは困難である。この点においても、事前に設定してある閾値では、動作全体の中で相対的に小さな動作が過渡域としての検出から漏れる場合がある。

また、図５（ａ）で例示するように、複数の異なった作業が連続している場合、過渡判別量の大小だけでは各動作を正しく切り分けて弁別することは困難である。例えば、コネクタの差し込み作業において、（１）コネクタの接触、（２）接触しながらのコネクタ挿入、（３）差し込み完了の際の突き当てと言うように、細かい作業内容は変化して行く。一方で、過渡判別量には小さな変化しか現れない。なお、（１）〜（３）の作業は、図２（ｄ）〜図３（ｃ）の作業に対応する。

したがって、図５（ｂ）で例示するように、コネクタ差し込み作業全体が一つの過渡域として弁別される場合がある。異常判断システムでは、過渡域単位で異常スコアの累積を行っており、異種の動作を混合して異常判断するより、個々の動作ごとに判断を行った方が判断の精度が高くなる。従って、図５（ｃ）で例示するように、個々の動作単位で過渡域の弁別を行うことが要求される。そこで、本実施例に係る作業装置１００は、過渡判別量の大小以外の指標を用いて、高い精度で作業区間の弁別を行う。

図６は、判定装置４０のブロック図である。図６で例示するように、判定装置４０は、データ格納部５０、過渡判別量算出部６０、弁別部７０、良否判定部８０および出力部９０を備える。過渡判別量算出部６０は、窓幅設定部６１、構成要素算出部６２、および構成比率算出部６３を備える。弁別部７０は、構成比率取得部７１および区間算出部７２を備える。良否判定部８０は、識別器作成部８１および状態判定部８２を備える。

データ格納部５０は、データを一時的に格納する。定常域および過渡域の弁別時には、データ格納部５０は、学習用ＯＫデータを一時的に格納する。学習用ＯＫデータとは、予め作業ロボット１０に作業を行わせ、目視等で作業状況が「正常」と判定された場合の各センサ１２の時系列の出力値波形（測定データ）である。作業ロボット１０の作業の良否判定時には、データ格納部５０は、センサ１２の出力値の時系列の出力値波形（測定データ）を一時的に格納する。

窓幅設定部６１は、データ格納部５０に格納された測定データに対して所定のサンプリング周期で注目点を設定し、当該注目点に対して予め決定した窓幅を設定する。

構成要素算出部６２は、設定された各窓において、測定データの時系列の統計的変化量の構成要素を算出する。図７（ａ）は、設定された窓を例示する図である。図７（ｂ）で例示するように、例えば、構成要素算出部６２は、設定された各窓において、注目点よりも前（過去）の出力値の平均値ｅ_ｉ１および標準偏差σ_ｉ１を算出し、注目点よりも後（未来）の出力値の平均値ｅ_ｉ２および標準偏差σ_ｉ２を算出する。「ｉ」は、ｉ番目の窓を意味する。次に、構成要素算出部６２は、平均値ｅ_ｉ１，ｅ_ｉ２および標準偏差σ_ｉ１，σ_ｉ２から過渡判別量Ｅ_ｉを算出する。過渡判別量Ｅ_ｉは、一例として、下記式（１）で表すことができる。また、Δｅ_ｉは、平均の変化量であって、下記式（２）で表すことができる。Δσ_ｉは、標準偏差の変化量であって、下記式（３）で表すことができる。
Ｅ_ｉ＝（Δｅ_ｉ ^２＋Δσ_ｉ ^２）^０．５ （１）
Δｅ_ｉ＝｜ｅ_ｉ２−ｅ_ｉ１｜ （２）
Δσ＝｜σ_ｉ２−σ_ｉ１｜ （３）

次に、構成要素算出部６２は、図７（ｃ）で例示するように、所定の時間間隔後の時刻を次の注目点に設定し、図７（ａ）および図７（ｂ）で説明した手順で次の窓の各構成要素を算出する。図７（ａ）〜図７（ｃ）の手順を繰り返すことにより、各構成要素の時系列データを得ることができる。

次に、構成比率算出部６３は、構成要素の比率を算出する。構成要素の比率として、過渡判別量に対する平均の変化量の比率または過渡判別量に対する標準偏差の変化量の比率を用いることができる。本実施例においては、一例として、構成比率算出部６３は、過渡判別量に対する平均の変化量の比率を算出する。構成要素の比率ｍ_ｉは、下記式（４）で表すことができる。
ｍ_ｉ＝（平均の変化量）_ｉ／（過渡判別量）_ｉ （４）

図８（ａ）は、過渡判別量Ｅの時系列データを例示する。ロボットハンド１１が作業を行うと、過渡判別量Ｅが大きくなる。そこで、過渡判別量Ｅに閾値を設け、過渡判別量Ｅが当該閾値以上となる区間を過渡域として弁別する手法が考えられる。しかしながら、この場合、図８（ａ）の領域Ａのように、過渡判別量Ｅの絶対値は小さいが過渡判別量Ｅに変化が表れている領域を過渡域として抽出することが困難となる。すなわち、過渡域の弁別漏れが生じ得る。

具体的には、「平均の変化」と「標準偏差の変化」とを足し合わせた合計値が一定であっても、その構成要素（「平均の変化」と「標準偏差の変化」）の比率は作業の推移に応じて変化しているケースもある。例えば、コネクタ差込作業において、最初の接触時には「平均の変化」が大きくなり、接触しながら差し込みを行う最中には「標準偏差の変化」が中心となり、最後に突き当たった際には再び「平均の変化」が大きくなると考えられる。このような比率の変化を基準にすれば、過渡域を作業内容ごとに更に細かく分割することが可能である。

そこで、本実施例においては、構成要素の比率に着目する。構成比率取得部７１は、構成比率算出部６３から、各窓の構成要素の比率ｍを取得する。図８（ｂ）は、比率ｍの時系列データを例示する。図８（ｂ）で例示するように、過渡判別量Ｅに大きい変化が現れると、領域Ｂのように比率ｍに変化が現れる。また、領域Ｃのように、過渡判別量の絶対値が小さくても、「平均の変化」と「標準偏差の変化」との比率が変化した場合に比率ｍに大きい変化が現れる。

そこで、区間算出部７２は、比率ｍの変化点を過渡域の境界として検出する。例えば、区間算出部７２は、平均的な比率からの乖離度を利用する。具体的には、区間算出部７２は、平均値や移動平均値からの比率ｍの乖離度が閾値以上となる区間を過渡域として抽出する。図８（ｂ）では、点線で移動平均値が表されている。このように過渡域を抽出することで、図８（ｃ）で例示するように、過渡判別量の大小だけでは１つの過渡域としてのみ抽出される区間が、複数の過渡域として抽出することができるようになる。すなわち、過渡域の弁別精度が向上する。

図９は、判定装置４０が実行する処理を例示するフローチャートである。図９で例示するように、データ格納部５０は、測定データとして、学習用ＯＫデータを一時的に格納する（ステップＳ１）。次に、窓幅設定部６１は、データ格納部５０に格納された測定データに所定のサンプリング周期で注目点を設定し、各注目点に対して予め決定した窓幅の窓を設定する（ステップＳ２）。

次に、構成要素算出部６２は、設定された各窓において、測定データの統計的変化量の構成要素を算出する（ステップＳ３）。一例として、構成要素算出部６２は、各窓における平均値ｅ_ｉ１ｅ_ｉ２、標準偏差σ_ｉ１，σ_ｉ２および過渡判別量Ｅ_ｉを算出する。次に、構成比率算出部６３は、比率ｍ_ｉを算出する（ステップＳ４）。次に、構成比率取得部７１は、構成比率算出部６３から、各窓の構成要素の比率ｍを取得する（ステップＳ５）。次に、区間算出部７２は、比率ｍの変化点を過渡域の境界として検出する（ステップＳ６）。一例として、区間算出部７２は、比率ｍの移動平均値からの乖離度が閾値以上となる区間を過渡域として抽出し、それ以外を定常域として抽出する。以上の処理により、定常域と過渡域の弁別が完了する。

識別器作成部８１は、定常域については、ロボットハンド１１によって複数回の正常作業が行われた場合の学習用ＯＫデータの平均値±３σの範囲を基準範囲として算出する。また、識別器作成部８１は、過渡域については、識別器を作成する。識別器とは、各過渡域の作業状況の良否を判定する個別の主体のことであり、例えば、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）識別器である。識別器を設けることは、各過渡域の作業良否を判定するための個別の基準（基準範囲）を作成することと同義である。各識別器は、例えば、各過渡域におけるセンサ１２の事前測定データから抽出される複数の特徴量の相関関係に対して個別の基準を有している。特徴量として、例えば、振幅値、微分波形、積分波形、周波数などが挙げられる。

作業ロボット１０の作業の良否判定時には、状態判定部８２は、センサ１２の出力値の時系列の出力値波形（測定データ）について、各定常域については３σ値に基づく良否判定を行う。すなわち、状態判定部８２は、測定データの出力値が上述した±３σの範囲内にあれば正常と判定し、測定データの出力値が±３σの範囲外にあれば異常と判定する。また、状態判定部８２は、良否判定の結果を異常スコアとして数値化する。また、状態判定部８２は、各過渡域については識別器を用いた良否判定を行う。すなわち、状態判定部８２は、測定データの出力値が識別器の基準範囲内にあれば正常と判定し、測定データの出力値が当該基準範囲外にあれば異常と判定する。また、状態判定部８２は、良否判定の結果を異常スコアとして数値化する。例えば、状態判定部８２は、これらの異常スコアの累積値が閾値を超えた場合に、作業ロボット１０の作業が異常であると判定する。出力部９０は、状態判定部８２の判定結果を出力する。

本実施例によれば、センサ１２の検出結果の時系列データの統計的変化量の構成要素の比率を用いて、定常域および過渡域の弁別が行われる。この場合、当該統計的変化量の大小のみに基づく弁別と比較して、過渡域をより細かく設定することができる。例えば、コネクタ差し込み作業において、最初の接触、それに続く挿入、最後の突き当てを別々の過渡域として弁別することが可能になる。それにより、高い精度で作業区間の弁別を行うことができる。

本実施例においては、構成要素算出部６２が、対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量を構成する複数の構成要素の比率を算出する算出部の一例として機能する。区間算出部７２が、複数の構成要素の比率に基づいて、作業部が対象物に対して作業を行う過渡域と作業部が対象物に対して作業を行わない定常域とを弁別する弁別部の一例として機能する。

実施例１では、構成要素の比率に着目したが、他の指標に着目してもよい。実施例２では、過渡判別量Ｅに変化（増減）が生じている部分を過渡域の境界として検出する例について説明する。

図１０は、実施例２に係る判定装置４０ａのブロック図である。図１０で例示するように、判定装置４０ａが図６の判定装置４０と異なる点は、過渡判別量算出部６０の代わりに過渡判別量算出部６０ａが備わり、弁別部７０の代わりに弁別部７０ａが備わっている点である。過渡判別量算出部６０ａが過渡判別量算出部６０と異なる点は、構成比率算出部６３の代わりに増減値算出部６４が備わっている点である。弁別部７０ａが弁別部７０と異なる点は、構成比率取得部７１の代わりに増減値取得部７３が備わっている点である。実施例１と同じ符号を付した構成要素は、実施例１と同様の機能を果たす。以下、実施例１と異なる点について説明する。

増減値算出部６４は、過渡判別量Ｅの増減値を算出する。本実施例においては、一例として、増減値算出部６４は、過渡判別量Ｅの微分値、平滑化微分値等を算出する。図１１（ａ）は、過渡判別量Ｅの時系列データを例示する。図８（ａ）で説明したように、領域Ａのように、過渡判別量の絶対値は小さいが過渡判別量に変化が表れている領域を過渡域として抽出することが困難となる。すなわち、過渡域の弁別漏れが生じ得る。

そこで、本実施例においては、過渡判別量Ｅの増減値に着目する。増減値取得部７３は、増減値算出部６４から、過渡判別量Ｅの微分値Ｄを取得する。図１１（ｂ）は、微分値の時系列データを例示する。図１１（ｂ）で例示するように、過渡判別量Ｅに大きい変化が現れると、微分値Ｄに変化が現れる。また、図１１（ａ）の領域Ａのように、過渡判別量Ｅの絶対値が小さくても、増加度が大きければ微分値Ｄに変化が現れる。

そこで、区間算出部７２は、微分値Ｄの変化点を過渡域の境界として検出する。例えば、区間算出部７２は、正領域とそれに連なる負領域の面積が閾値を超える組み合わせを過渡域として抽出する。また、区間算出部７２は、過渡判別量Ｅの谷の部分で過渡域の分割を行ってもよい。このように過渡域を抽出することで、図１１（ｃ）で例示するように、過渡判別量の大小だけでは１つの過渡域としてのみ抽出される区間が、複数の過渡域として抽出することができるようになる。すなわち、過渡域の弁別精度が向上する。

図１２は、判定装置４０ａが実行する処理を例示するフローチャートである。図１２で例示するように、データ格納部５０は、測定データとして、学習用ＯＫデータを一時的に格納する（ステップＳ１１）。次に、窓幅設定部６１は、データ格納部５０に格納された測定データに所定のサンプリング周期で注目点を設定し、当該注目点に対して予め決定した窓幅の窓を設定する（ステップＳ１２）。

次に、構成要素算出部６２は、設定された各窓において、測定データの統計的変化量の構成要素を算出する（ステップＳ１３）。一例として、構成要素算出部６２は、各窓における平均値ｅ_ｉ１ｅ_ｉ２、標準偏差σ_ｉ１，σ_ｉ２および過渡判別量Ｅ_ｉを算出する。次に、増減値算出部６４は、過渡判別量Ｅの増減値として微分値Ｄを算出する（ステップＳ１４）。次に、増減値取得部７３は、増減値算出部６４から、各窓の微分値Ｄを取得する（ステップＳ１５）。次に、区間算出部７２は、微分値Ｄの変化点を過渡域の境界として検出する（ステップＳ１６）。一例として、区間算出部７２は、微分値の正領域とそれに連なる負領域の面積が閾値を超える組み合わせを過渡域として抽出する。以上の処理により、定常域と過渡域の弁別が完了する。

本実施例によれば、センサ１２の検出結果の時系列データの統計的変化量の増減値を用いて、定常域および過渡域の弁別が行われる。この場合、当該統計的変化量の大小のみに基づく弁別と比較して、弁別の過渡域をより細かく設定することができる。例えば、コネクタ差し込み作業において、最初の接触、それに続く挿入、最後の突き当てを別々の過渡域として弁別することが可能になる。それにより、高い精度で作業区間の弁別を行うことができる。

本実施例においては、増減値算出部６４が、対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量の増減値を算出する算出部の一例として機能する。区間算出部７２が、統計的変化量の増減値に基づいて、作業部が対象物に対して作業を行う過渡域と作業部が対象物に対して作業を行わない定常域とを弁別する弁別部の一例として機能する。

過渡判別量の大小も考慮して定常域と過渡域とを弁別してもよい。図１３は、実施例３に係る判定装置４０ｂのブロック図である。図１３で例示するように、判定装置４０ｂが図６の判定装置４０と異なる点は、過渡判別量算出部６０の代わりに過渡判別量算出部６０ｂが備わり、弁別部７０の代わりに弁別部７０ｂが備わっている点である。過渡判別量算出部６０ｂが過渡判別量算出部６０と異なる点は、増減値算出部６４がさらに備わっている点である。弁別部７０ｂが弁別部７０と異なる点は、増減値取得部７３、過渡判別量取得部７４、重み設定部７５がさらに備わっている点である。実施例１，２と同じ符号を付した構成要素は、実施例１，２と同様の機能を果たす。以下、実施例１，２と異なる点について説明する。

図１４（ａ）は、構成要素算出部６２が算出した過渡判別量Ｅを例示する図である。図１４（ｂ）は、構成比率算出部６３が算出した比率ｍを例示する図である。図１４（ｂ）の点線は、比率ｍの移動平均値である。図１４（ｃ）は、増減値算出部６４が算出した微分値Ｄを例示する図である。

区間算出部７２は、過渡判別量Ｅの正規化値を算出する。図１４（ｄ）は、過渡判別量Ｅの正規化値である。区間算出部７２は、比率ｍの、平均値からの乖離度を算出し、当該乖離度の正規化値を算出する。図１４（ｅ）は、移動平均値からの比率ｍの乖離度の正規化値を例示する図である。区間算出部７２は、過渡判別量Ｅの微分値Ｄの積算量の正規化値を算出する。図１４（ｆ）は、過渡判別量Ｅの微分値Ｄの積算量の正規化値を例示する図である。次に、区間算出部７２は、重み設定部７５が設定する重みに従って、過渡判別量Ｅの正規化値と、移動平均値からの比率ｍの乖離度の正規化値と、微分値Ｄの積算量の正規化値とを重み付き加算する。図１４（ｇ）は、重み付き加算値を例示する。本実施例においては、この重み付き加算値を、合成判別量Ｃとして用いる。区間算出部７２は、この合成判別量Ｃが閾値以上となる区間を過渡域として抽出する。

図１５は、判定装置４０ｂが実行する処理を例示するフローチャートである。図１５で例示するように、データ格納部５０は、測定データとして、学習用ＯＫデータを一時的に格納する（ステップＳ２１）。次に、窓幅設定部６１は、データ格納部５０に格納された測定データに所定のサンプリング周期で注目点を設定し、各注目点に対して予め決定した窓幅を設定する（ステップＳ２２）。

次に、構成要素算出部６２は、設定された各窓において、測定データの統計的変化量の構成要素を算出する（ステップＳ２３）。一例として、構成要素算出部６２は、各窓における平均値ｅ_ｉ１ｅ_ｉ２、標準偏差σ_ｉ１，σ_ｉ２および過渡判別量Ｅ_ｉを算出する。次に、構成比率算出部６３は、比率ｍ_ｉを算出する（ステップＳ２４）。次に、増減値算出部６４は、過渡判別量Ｅの増減値として微分値Ｄを算出する（ステップＳ２５）

次に、区間算出部７２は、過渡判別量Ｅの正規化値と、平均値からの比率ｍの乖離度の正規化値と、過渡判別量Ｅの微分値Ｄの積算量の正規化値とを算出する（ステップＳ２６）。次に、区間算出部７２は、重み設定部７５が設定する重みに従って、過渡判別量Ｅの正規化値と、移動平均値からの比率ｍの乖離度の正規化値と、微分値Ｄの積算量の正規化値とを重み付き加算することで、合成判別量Ｃを算出する（ステップＳ２７）。次に、区間算出部７２は、合成判別量Ｃが閾値を超える区間を過渡域として抽出する（ステップＳ２８）。以上の処理により、定常域と過渡域の弁別が完了する。

本実施例によれば、センサ１２の検出結果の時系列データの統計的変化量の大小に加えて、当該統計的変化量の構成要素の比率および当該統計的変化量の増減値を用いて、定常域および過渡域の弁別が行われる。この場合、当該統計的変化量の大小のみに基づく弁別と比較して、弁別の過渡域をより細かく設定することができる。すなわち、高い精度で作業区間の弁別を行うことができる。なお、統計的変化量の構成要素の比率および当該統計的変化量の増減値のうち、いずれか一方だけを用いてもよい。例えば、統計的変化量の構成要素の比率だけを用いる場合、増減値算出部６４および増減値取得部７３は不要である。統計的変化量の増減値だけを用いる場合、構成比率算出部６３および構成比率取得部７１は不要である。

（変形例３−１）
過渡判別量Ｅ、比率ｍおよび微分値Ｄのそれぞれから過渡域候補を抽出し、過渡域候補から過渡域を抽出してもよい。区間算出部７２は、過渡判別量Ｅが閾値を超える区間を過渡域候補として抽出する。図１６（ａ）は、過渡判別量Ｅから抽出された過渡域候補を例示する図である。また、区間算出部７２は、移動平均値からの比率ｍの乖離度が閾値を超える区間を過渡域候補として抽出する。図１６（ｂ）は、比率ｍから抽出された過渡域候補を例示する図である。また、区間算出部７２は、微分値Ｄの正領域とそれに連なる負領域の面積が閾値を超える組み合わせを過渡域として抽出する。図１６（ｃ）は、微分値Ｄから抽出された過渡域候補を例示する図である。区間算出部７２は、図１６（ｄ）で例示するように、これらの過渡域候補の論理和、論理積などを用いて、過渡域を抽出する。本変形例においては、重み設定部７５は備わっていなくてもよい。

図１７は、本変形例に係る処理を例示するフローチャートである。図１７で例示するように、データ格納部５０は、測定データとして、学習用ＯＫデータを一時的に格納する（ステップＳ３１）。次に、窓幅設定部６１は、データ格納部５０に格納された測定データに所定のサンプリング周期で注目点を設定し、各注目点に対して予め決定した窓を設定する（ステップＳ３２）。

次に、構成要素算出部６２は、設定された各窓において、測定データの統計的変化量の構成要素を算出する（ステップＳ３３）。一例として、構成要素算出部６２は、各窓における平均値ｅ_ｉ１ｅ_ｉ２、標準偏差σ_ｉ１，σ_ｉ２および過渡判別量Ｅ_ｉを算出する。次に、構成比率算出部６３は、比率ｍ_ｉを算出する（ステップＳ３４）。次に、増減値算出部６４は、過渡判別量Ｅの増減値として微分値Ｄを算出する（ステップＳ３５）

次に、区間算出部７２は、過渡判別量Ｅが閾値を超える区間を過渡域候補として抽出し、移動平均値からの比率ｍの乖離度が閾値を超える区間を過渡域候補として抽出し、微分値Ｄの正領域とそれに連なる負領域の面積が閾値を超える組み合わせを過渡域として抽出する（ステップＳ３６）。次に、区間算出部７２は、これらの過渡域候補の論理和、論理積などを用いて、過渡域を抽出する（ステップＳ３７）。

（変形例３−２）
上記各例において、窓幅設定部６１は窓幅を可変としてもよい。例えば、窓幅設定部６１は、得られる過渡判別量Ｅが最大となる窓幅を選定する。各窓の注目点よりも前（過去）の幅をＬ１とし、注目点よりも後（未来）の幅をＬ２とする。窓幅設定部６１は、Ｌ１＝Ｌ２に設定する。図１８（ａ）〜図１８（ｃ）で例示するように、窓幅設定部６１は、窓幅Ｌ１＝L２を段階的に徐々に広げる。構成要素算出部６２は、各段階において過渡判別量を算出する。窓幅設定部６１は、構成要素算出部６２が算出した過渡判別量のうち最大となる場合の窓幅Ｌ１＋Ｌ２を窓幅として設定する。例えば、過渡判別量のピーク値で比較することで、過渡判別量の大小を判断することができる。

図１９は、窓幅設定部６１が窓幅を設定する場合に実行するフローチャートを例示する図である。図１９で例示するように、窓幅設定部６１は、窓幅Ｌ１＝Ｌ２を未設定の値に設定する（ステップＳ４１）。次に、窓幅設定部６１は、測定データの未処理のデータ点を選択する（ステップＳ４２）。次に、構成要素算出部６２は、過渡判別量Ｅを算出する（ステップＳ４３）。次に、窓幅設定部６１は、全データ点における過渡判別量Ｅの計算が終了したか否かを判定する（ステップＳ４４）。ステップＳ４４で「Ｎｏ」と判定された場合、ステップＳ４２から再度実行される。

ステップＳ４４で「Ｙｅｓ」と判定された場合、窓幅設定部６１は、過渡判別量の合計を算出する（ステップＳ４５）。次に、窓幅設定部６１は、窓幅を全ての設定値に設定したか否かを判定する（ステップＳ４６）。ステップＳ４６で「Ｎｏ」と判定された場合、ステップＳ４１から再度実行される。ステップＳ４６で「Ｙｅｓ」と判定された場合、窓幅設定部６１は、過渡判別量合計値の比較を行う（ステップＳ４７）。次に、窓幅設定部６１は、窓幅を、過渡判別量合計値が最も高くなる場合の窓幅に決定する（ステップＳ４８）。

窓幅Ｌ１と窓幅Ｌ２とを独立して決定する場合には、ステップＳ４１〜ステップＳ４６を、窓幅Ｌ１と窓幅Ｌ２とに対して個別に実行すればよい。

窓幅設定部６１は、注目点ごとに窓幅を設定してもよい。図２０（ａ）で例示するように、窓幅設定部６１は、注目点ごとに窓幅Ｌ１＝Ｌ２を段階的に徐々に広げる。構成要素算出部６２は、各段階において過渡判別量を算出する。窓幅設定部６１は、構成要素算出部６２が算出した過渡判別量のうち最大となる場合の窓幅Ｌ１＋Ｌ２を窓幅として設定する。

図２０（ｂ）は、窓幅設定部６１が窓幅を設定する場合に実行するフローチャートを例示する図である。図２０（ｂ）で例示するように、窓幅設定部６１は、測定データの未処理のデータ点を選択する（ステップＳ５１）。次に、窓幅設定部６１は、窓幅Ｌ１＝Ｌ２を未設定の値に設定する（ステップＳ５２）。次に、構成要素算出部６２は、過渡判別量Ｅを算出する（ステップＳ５３）。次に、窓幅設定部６１は、窓幅を全ての設定値に設定したか否かを判定する（ステップＳ５４）。ステップＳ５４で「Ｎｏ」と判定された場合、ステップＳ５２から再度実行される。

ステップＳ５４で「Ｙｅｓ」と判定された場合、過渡判別量の比較を行う（ステップＳ５５）。窓幅設定部６１は、窓幅を、過渡判別量合計値が最も高くなる場合の窓幅に決定する（ステップＳ５６）。次に、窓幅設定部６１は、決定された窓幅における過渡判別量を保存する（ステップＳ５７）。次に、窓幅設定部６１は、全データ点の処理が終了したか否かを判定する（ステップＳ５８）。ステップＳ５８で「Ｎｏ」と判定された場合、ステップＳ５１から再度実行される。ステップＳ５８で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

窓幅Ｌ１と窓幅Ｌ２とを独立して設定する場合には、ステップＳ５２〜ステップＳ５７を個別に実行すればよい。本変形例は、実施例１，２にも適用することができる。

（変形例３−３）
上記各例において、構成要素算出部６２は、過渡判別量を算出する際に各構成要素に重み付けを行ってもよい。例えば、構成要素算出部６２は、「平均の変化」と「標準偏差の変化」とに重みを設定する。具体的には、構成要素算出部６２は、測定データの全注目点において、上記式（２）に従って「平均の変化」および「標準偏差の変化」を算出する。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」の２乗の累積加算値を算出する。「平均の変化」の２乗の累積加算値をＡ_Ｅとし、「標準偏差の変化」の２乗の累積加算値をＡ_Ｓとした場合に、係数ｋ_ｅ＝１とし、係数ｋ_ｓ＝Ａ_Ｅ／Ａ_Ｓとする。次に、構成要素算出部６２は、下記式（５）に従って、重み付けを行った過渡判別量Ｍを算出する。
Ｍ_ｉ＝（ｋ_ｅΔｅ_ｉ ^２＋ｋ_ｓΔσ_ｉ ^２）^０．５ （５）

図２１は、この場合に実行されるフローチャートを例示する図である。図２１で例示するように、構成要素算出部６２は、測定データの未処理のデータ点を選択する（ステップＳ６１）。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」を算出する（ステップＳ６２）。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」の２乗を累積加算する（ステップＳ６３）。次に、構成要素算出部６２は、全てのデータ点の処理が終了したか否かを判定する（ステップＳ６４）。ステップＳ６４で「Ｎｏ」と判定された場合、ステップＳ６１から再度実行される。

ステップＳ６４で「Ｙｅｓ」と判定された場合、構成要素算出部６２は、累積加算値の比率に基づいて重み係数を決定する（ステップＳ６５）。「平均の変化」の２乗の累積加算値をＡ_Ｅとし、「標準偏差の変化」の２乗の累積加算値をＡ_Ｓとした場合に、係数ｋ_ｅ＝１とし、係数ｋ_ｓ＝Ａ_Ｅ／Ａ_Ｓとする。次に、構成要素算出部６２は、センサ１２の測定データの未処理のデータ点を選択する（ステップＳ６６）。次に、構成要素算出部６２は、上記式（５）に従って、過渡判別量Ｍを算出する（ステップＳ６７）。次に、構成要素算出部６２は、全データ点の処理が終了したか否かを判定する（ステップＳ６８）。ステップＳ６８で「Ｎｏ」と判定された場合、ステップＳ６６から再度実行される。ステップＳ６８で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

図２２は、窓幅を可変として、過渡判別量に重み付けを行う場合に実行されるフローチャートを例示する図である。図２２で例示するように、窓幅設定部６１は、窓幅Ｌ１＝Ｌ２を未設定の値に設定する（ステップＳ７１）。次に、構成要素算出部６２は、測定データの未処理のデータ点を選択する（ステップＳ７２）。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」を算出する（ステップＳ７３）。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」の２乗を累積加算する（ステップＳ７４）。次に、構成要素算出部６２は、全てのデータ点の処理が終了したか否かを判定する（ステップＳ７５）。ステップＳ７５で「Ｎｏ」と判定された場合、ステップＳ７２から再度実行される。

ステップＳ７５で「Ｙｅｓ」と判定された場合、構成要素算出部６２は、累積加算値の比率に基づいて重み係数を算出する（ステップＳ７６）。「平均の変化」の２乗の累積加算値をＡ_Ｅとし、「標準偏差の変化」の２乗の累積加算値をＡ_Ｓとした場合に、係数ｋ_ｅ＝１とし、係数ｋ_ｓ＝Ａ_Ｅ／Ａ_Ｓとする。次に、構成要素算出部６２は、測定データの未処理のデータ点を選択する（ステップＳ７７）。次に、構成要素算出部６２は、上記式（５）に従って、過渡判別量Ｍを算出する（ステップＳ７８）。次に、構成要素算出部６２は、全データ点の処理が終了したか否かを判定する（ステップＳ７９）。ステップＳ７９で「Ｎｏ」と判定された場合、ステップＳ７７から再度実行される。

ステップＳ７９で「Ｙｅｓ」と判定された場合、窓幅設定部６１は、過渡判別量Ｍの合計を算出する（ステップＳ８０）。次に、窓幅設定部６１は、窓幅を全ての設定値に設定したか否かを判定する（ステップＳ８１）。ステップＳ８１で「Ｎｏ」と判定された場合、窓幅設定部６１は、ステップＳ７１から再度実行される。ステップＳ８１で「Ｙｅｓ」と判定された場合、窓幅設定部６１は、過渡判別量Ｍの合計値を比較する（ステップＳ８２）。

次に、窓幅設定部６１は、過渡判別量Ｍの合計値が最大となる設定値に、窓幅を決定する（ステップＳ８３）。次に、構成要素算出部６２は、窓幅に対応した重み係数を設定する（ステップＳ８４）。次に、構成要素算出部６２は、センサ１２の測定データの未処理のデータ点を選択する（ステップＳ８５）。次に、構成要素算出部６２は、過渡判別量Ｍを算出する（ステップＳ８６）。次に、構成要素算出部６２は、全データ点の処理が終了したか否かを判定する（ステップＳ８７）。ステップＳ８７で「Ｎｏ」と判定された場合、ステップＳ８５から再度実行される。ステップＳ８７で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

図２３は、実施例４に係る判定装置４０ｃのブロック図である。図２３で例示するように、判定装置４０ｃが図６の判定装置４０と異なる点は、過渡判別量算出部６０の代わりに過渡判別量算出部６０ｃが備わり、弁別部７０の代わりに弁別部７０ｃが備わっている点である。過渡判別量算出部６０ｃが過渡判別量算出部６０と異なる点は、増減値算出部６４がさらに備わっている点である。弁別部７０ｂが弁別部７０と異なる点は、増減値取得部７３、過渡判別量取得部７４、重み設定部７５、および閾値設定部７６がさらに備わっている点である。以下、実施例１と異なる点について説明する。実施例１〜３と同じ符号を付した構成要素は、実施例１〜３と同様の機能を果たす。以下、実施例１〜３と異なる点について説明する。

過渡判別量Ｅの大小を検出するための閾値を固定した場合、特に小さな過渡判別量Ｅを検出することが困難となる。そこで、学習用ＯＫデータによって最適な閾値を求め、それに基づいて定常域／過渡域の弁別を行うことが好ましい。閾値設定部７６は、図２４（ａ）で例示するように、過渡判別量Ｅのヒストグラムを作成して、それに対して大津の二値化を行う。この場合には、パラメータの設定を完全に自動化することもできる。定常域部分は過渡判別量Ｅが小さいため、自動的に過渡域から除外することになる。閾値の自動設定により過渡域を検出した後で、過渡域の空白区間が長い場合には、その区間に対して再帰的に大津の二値化を適用して閾値を設定し、過渡判別量Ｅの更に小さな過渡判別量Ｅの部分を定常域として検出することも可能である。

図２４（ｂ）は、過渡判別量Ｅが局所的にみて大きい部分のみを過渡域として検出する方法である。過渡判別量Ｅの局所ピーク対する割合として弁別閾値を設定することにより、過渡判別量Ｅの小さい部分を過渡域として検出することができる。この場合、ノイズとして落とすピーク値・ピークに対する閾値の比率・局所ピークを探索する区間サイズなど、幾つかのパラメータ設定が必要となる。なお、この手法は、合成判別量に対して適用することも可能である。

図２５（ａ）および図２５（ｂ）は、判定装置４０ｃが実行するフローチャートを例示する図である。図２５（ａ）で例示するように、構成要素算出部６２は、全過渡判別量の算出処理を実行する（ステップＳ９１）。図２５（ｂ）は、ステップＳ９１の詳細を例示するフローチャートである。図２５（ｂ）で例示するように、データ格納部５０は、測定データとして、学習用ＯＫデータを一時的に格納する（ステップＳ１０１）。次に、窓幅設定部６１は、測定データの未処理のデータ点を選択する（ステップＳ１０２）。

次に、窓幅設定部６１は、図１９または図２０（ｂ）のフローチャートを実行することで、窓幅の設定を行う（ステップＳ１０３）。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」を算出する（ステップＳ１０４）。次に、構成要素算出部６２は、過渡判別量Ｅの構成比率を算出する（ステップＳ１０５）。次に、構成要素算出部６２は、各データ点の過渡判別量Ｅを算出する（ステップＳ１０６）。次に、構成要素算出部６２は、各算出値の格納を行う（ステップＳ１０７）。次に、構成要素算出部６２は、全てのデータ点の処理が終了したか否かを判定する（ステップＳ１０８）。ステップＳ１０８で「Ｎｏ」と判定された場合、ステップＳ１０２から再度実行される。ステップＳ１０８で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

次に、区間算出部７２は、測定データの未処理のデータ点を選択する（ステップＳ９２）。次に、過渡判別量取得部７４は、過渡判別量Ｅを取得する（ステップＳ９３）。また、構成比率取得部７１は、比率ｍを取得する（ステップＳ９４）。次に、区間算出部７２は、過渡判別量Ｅおよび比率ｍを正規化し、重み付け加算する（ステップＳ９５）。次に、閾値設定部７６は、図２４（ａ）で説明したように、二値化閾値を自動設定する（ステップＳ９６）。次に、区間算出部７２は、定常域と過渡域とを弁別する（ステップＳ９７）。次に、区間算出部７２は、全データの処理が終了したか否かを判定する（ステップＳ９８）。ステップＳ９８で「Ｎｏ」と判定された場合、ステップＳ９２から再度実行される。ステップＳ９８で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

図２６（ａ）および図２６（ｂ）は、判定装置４０ｃが実行する他のフローチャートを例示する図である。図２６（ａ）で例示するように、構成要素算出部６２は、全過渡判別量の算出処理を実行する（ステップＳ１１１）。図２６（ｂ）は、ステップＳ１１１の詳細を例示するフローチャートである。図２６（ｂ）で例示するように、データ格納部５０は、測定データとして、学習用ＯＫデータを一時的に格納する（ステップＳ１２１）。次に、窓幅設定部６１は、測定データの未処理のデータ点を選択する（ステップＳ１２２）。

次に、窓幅設定部６１は、図１９または図２０（ｂ）のフローチャートを実行することで、窓幅の設定を行う（ステップＳ１２３）。次に、構成要素算出部６２は、「平均の変化」および「標準偏差の変化」を算出する（ステップＳ１２４）。次に、増減値算出部６４は、過渡判別量の増減値として微分値Ｄを算出する（ステップＳ１２５）。次に、構成要素算出部６２は、各データ点の過渡判別量を算出する（ステップＳ１２６）。次に、構成要素算出部６２は、各算出値の格納を行う（ステップＳ１２７）。次に、構成要素算出部６２は、全てのデータ点の処理が終了したか否かを判定する（ステップＳ１２８）。ステップＳ１２８で「Ｎｏ」と判定された場合、ステップＳ１２２から再度実行される。ステップＳ１２８で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

次に、区間算出部７２は、測定データの未処理のデータ点を選択する（ステップＳ１１２）。次に、過渡判別量取得部７４は、過渡判別量Ｅを取得する（ステップＳ１１３）。次に、閾値設定部７６は、図２４（ｂ）で説明したように、局所ピークを用いた閾値設定を行う（ステップＳ１１４）。次に、区間算出部７２は、ステップＳ１１４で設定された閾値を過渡判別量Ｅに適用することで、定常域と過渡域とを弁別する（ステップＳ１１５）。また、ステップＳ１１２の実行後、増減値取得部７３は、増減値算出部６４から増減値として微分値Ｄを取得する（ステップＳ１１６）。次に、区間算出部７２は、増減値に基づいて定常域と過渡域とを弁別する（ステップＳ１１７）。

ステップＳ１１５およびステップＳ１１７の実行後、区間算出部７２は、ステップＳ１１５で弁別された定常域および過渡域と、ステップＳ１１７で弁別された定常域および過渡域とを統合する（ステップＳ１１８）。例えば、論理和・論理積を用いて統合することができる。次に、区間算出部７２は、全データ点の処理が終了したか否かを判定する（ステップＳ１１９）。ステップＳ１１９で「Ｎｏ」と判定された場合、ステップＳ１１２から再度実行される。ステップＳ１１９で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。

本実施例によれば、センサ１２の出力値の変化が小さい場合でも、閾値を適切に設定することにより、過渡判別量Ｅの小さな動作も的確に過渡域として検出することができる。一方、定常域のノイズレベルの反応から不要な過渡域を生成することは抑制できる。これにより、過渡域用の識別器が生成できなかった動作も複雑な識別器で判定できるようになり、異常判断性能が向上する。

図２７（ａ）は、判定装置４０〜４０ｃのハードウェア構成を説明するためのブロック図である。図２７（ａ）を参照して、判定装置４０〜４０ｃは、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４等を備える。ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１は、中央演算処理装置である。

ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。記憶装置１０３は、弁別プログラムを記憶している。表示装置１０４は、液晶ディスプレイ、エレクトロルミネッセンスパネルなどであり、判定結果を表示する。なお、本実施例においては判定装置４０〜４０ｃの各部は、プログラムの実行によって実現されているが、専用の回路などのハードウェアを用いてもよい。

図２７（ｂ）は、作業システムについて例示する図である。上記各例においては、判定装置４０〜４０ｃは、センサ１２から測定データを取得し、カメラ３０から画像データを取得している。これに対して、判定装置４０〜４０ｃの機能を有するサーバ２０２が、インターネットなどの電気通信回線２０１を通じてセンサ１２およびカメラ３０からデータを取得してもよい。

上記各例において、過渡判別量として、「平均の変化」と「標準偏差の変化」との和を用いたが、他の過渡判別量を用いてもよい。例えば、過渡判別量として、中央値、最小値から最大値までの範囲、四分位範囲（第１四分位〜第３四分位）、歪度、尖度などを用いることができる。過渡判別量として中央値を用いる場合、中央値の変化と標準偏差の変化との比を構成要素の比率として用いることができる。過渡判別量として最小値から最大値までの範囲を用いる場合、平均の変化と（最大値−最小値）の変化との比を構成要素の比率として用いることができる。過渡判別量として四分位範囲を用いる場合、第１四分位の変化と第３四分位の変化との比を構成要素の比率として用いることができる。過渡判別量として歪度を用いる場合、標準偏差の変化と歪度の変化との比を構成要素の比率として用いることができる。過渡判別量として尖度を用いる場合、標準偏差の変化と尖度の変化との比を構成要素の比率として用いることができる。

以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ 作業ロボット
１１ ロボットハンド
１２ センサ
２０ コントローラ
３０ カメラ
４０ 判定装置
５０ データ格納部
６０ 過渡判別量算出部
６１ 窓幅設定部
６２ 構成要素算出部
６３ 構成比率算出部
６４ 増減値算出部
７０ 弁別部
７１ 構成比率取得部
７２ 区間算出部
７３ 増減値取得部
７４ 過渡判別量取得部
７５ 重み設定部
７６ 閾値設定部
８０ 良否判定部
８１ 識別器作成部
８２ 状態判定部
９０ 出力部
１００ 作業装置

Claims (9)

1. 対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量を構成する複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方を算出する算出部と、
   前記複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方に基づいて、前記作業部が対象物に対して作業を行う過渡域と前記作業部が対象物に対して作業を行わない定常域とを弁別する弁別部と、を備えることを特徴とする弁別装置。
2. 前記弁別部は、さらに前記統計的変化量の大小に基づいて、前記過渡域と前記定常域とを弁別することを特徴とする請求項１記載の弁別装置。
3. 前記弁別部は、前記構成要素の比率、前記統計的変化量の増減値、および前記統計的変化量のそれぞれ正規化値に対して重み付け加算することによって得られた判定値に基づいて、前記過渡域と前記定常域とを弁別することを特徴とする請求項１または２記載の弁別装置。
4. 前記弁別部は、前記構成要素の比率に基づいて抽出した過渡域候補、前記統計的変化量の増減値に基づいて抽出した過渡域候補、および前記統計的変化量の大小に基づいて抽出した過渡域候補の論理和または論理積を用いて、前記過渡域と前記定常域とを弁別することを特徴とする請求項１または２記載の弁別装置。
5. 前記算出部は、前記センサの時系列出力値に対して所定のサンプリング周期で所定の窓幅を有する各窓において前記統計的変化量を算出し、
   前記統計的変化量の合計値が最大となるように前記窓幅を変化させることを特徴とする請求項１〜４のいずれか一項に記載の弁別装置。
6. 前記統計的変化量のヒストグラムを作成し、当該ヒストグラムに対する大津の二値化によって前記統計的変化量の大小に対する閾値を設定する閾値設定部を備えることを特徴とする請求項２記載の弁別装置。
7. 前記統計的変化量の局所ピークに基づいて、前記統計的変化量の大小に対する閾値を設定する閾値設定部を備えることを特徴とする請求項２記載の弁別装置。
8. 対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量を構成する複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方を算出し、
   前記複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方に基づいて、前記作業部が対象物に対して作業を行う過渡域と前記作業部が対象物に対して作業を行わない定常域とを弁別する、ことを特徴とする弁別方法。
9. コンピュータに、
   対象物に対して作業を行う作業部の力または変位を検出するセンサの時系列出力値の統計的変化量を構成する複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方を算出する処理と、
   前記複数の構成要素の比率および前記統計的変化量の増減値の少なくともいずれか一方に基づいて、前記作業部が対象物に対して作業を行う過渡域と前記作業部が対象物に対して作業を行わない定常域とを弁別する処理と、を実行させることを特徴とする弁別プログラム。

Images