JP2018018507A - 診断装置、プログラムおよび診断システム - Google Patents

Abstract

【課題】精度よく故障の予兆を検知することができる診断装置、プログラムおよび診断システムを提供する。【解決手段】対象装置の動作の種類ごとに定められる複数のコンテキスト情報のうち現在の動作に対応するコンテキスト情報と、前記対象装置の動作に用いられるツールに関するツール情報と、を前記対象装置から受信する第１の受信部１０１ａと、前記対象装置の動作に応じて変化する物理量の検知情報を受信する第２の受信部１０１ｂと、受信された前記検知情報と、前記コンテキスト情報と前記ツール情報との組み合わせに対してそれぞれ定められる１以上のモデルのうち受信された前記コンテキスト情報と前記ツール情報とに対応するモデルと、を用いて、前記ツールの劣化度を判定する判定部１０２と、を備える。【選択図】図４

Description

本発明は、診断装置、プログラムおよび診断システムに関する。

画像形成装置において、コンテキスト情報に基づく動作状態毎に、集音手段にて集音した動作音データと、予め用意しておいた動作音データとを比較して、異常を検知する技術が既に知られている。

例えば、特許文献１には、機械の異常診断を行う目的で、予め収集して記憶しておいた各ユニット（ドラムモータ、給紙モータ、定着モータ、現像クラッチなど）の動作音データと、実際に装置を動作させて収集した動作音データとを比較する画像形成装置が記載されている。そして、特許文献１の画像形成装置は、動作音データの差が所定レベル以上のとき、異常音として検出するとともに、各ユニットの動作シーケンステーブルを用いて、異常音を発生しているユニットを特定する機能を有している。

また、特許文献２には、工作機械から生じる振動を反映した電気信号である対象信号を入力信号として、工作機械において生じる対象信号について正常か異常かのカテゴリに分類し、工作機械の故障の有無を判定する監視装置が記載されている。

しかしながら、特許文献１，２に開示された方法では、故障の予兆を検知することはできない。例えば特許文献１では、動作タイミングチャート（例えば特許文献１の図２０）を用いて異常の発生している箇所を特定できても、その後はユニットを交換するまで使用できないという問題があった。また、特許文献２についても同様に、正常か異常かを判定するのみであり、異常と判定した後はやはり異常個所を修理もしくは交換するまでその工作機械を使用できないという問題があった。

本発明は、上記に鑑みてなされたものであって、精度よく故障の予兆を検知することができる診断装置、プログラムおよび診断システムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、対象装置の動作の種類ごとに定められる複数のコンテキスト情報のうち現在の動作に対応するコンテキスト情報と、前記対象装置の動作に用いられるツールに関するツール情報と、を前記対象装置から受信する第１の受信部と、前記対象装置の動作に応じて変化する物理量の検知情報を受信する第２の受信部と、受信された前記検知情報と、前記コンテキスト情報と前記ツール情報との組み合わせに対してそれぞれ定められる１以上のモデルのうち受信された前記コンテキスト情報と前記ツール情報とに対応するモデルと、を用いて、前記ツールの劣化度を判定する判定部と、を備えることを特徴とする。

本発明によれば、精度良く故障の予兆を検知することができる、という効果を奏する。

図１は、第１の実施形態にかかる診断システムの構成例を示すブロック図である。 図２は、加工機のハードウェア構成の一例を示すブロック図である。 図３は、診断装置のハードウェア構成の一例を示すブロック図である。 図４は、診断装置の機能構成の一例を示すブロック図である。 図５は、ツール情報とモデルとの対応の一例を示す図である。 図６は、診断処理の流れの一例を示すフローチャートである。 図７は、モデル生成処理の流れの一例を示すフローチャートである。 図８は、モデル生成処理および診断処理の具体例を説明するための図である。 図９は、一部のツール情報とコンテキスト情報に対して判定を実行する例を示す図である。 図１０は、第２の実施形態にかかる診断装置の機能構成の一例を示すブロック図である。 図１１は、モデルの更新処理を伴う処理の具体例を説明するための図である。

以下に添付図面を参照して、診断装置、プログラムおよび診断システムの実施形態を詳細に説明する。

（第１の実施形態）
図１は、第１の実施形態にかかる診断システムの構成例を示すブロック図である。図１に示すように、診断システムは、加工機２００と、診断装置１００と、を含む。加工機２００は、診断装置１００による診断の対象となる対象装置の一例である。

加工機２００と診断装置１００とは、どのような接続形態で接続されてもよい。例えば加工機２００と診断装置１００とは、専用の接続線、有線ＬＡＮ（ローカルエリアネットワーク）などの有線ネットワーク、および、無線ネットワークなどにより接続される。

加工機２００は、数値制御部２０１と、通信制御部２０２と、工作機械２０３と、を備えている。工作機械２０３は、センサ２１１と、駆動部２１２と、工具２１３と、を備えている。

工作機械２０３は、数値制御部２０１の制御に従い加工対象を加工する機械である。工作機械２０３は、数値制御部２０１の制御により動作する駆動部２１２を含む。駆動部２１２は、例えばモータなどである。駆動部２１２は１以上備えられていてもよい。

工具２１３は、駆動部２１２により実際に駆動される動作対象である。工具２１３は、対象物に対する加工を実施するドリルおよびエンドミルなど、加工に用いられ、数値制御の対象となるものであればどのようなものであってもよい。

数値制御部２０１は、工作機械２０３による加工を数値制御（Numerical Control）により実行する。例えば数値制御部２０１は、駆動部２１２の動作を制御するための数値制御データを生成して出力する。また数値制御部２０１は、コンテキスト情報、ツール情報を通信制御部２０２に出力する。

コンテキスト情報とは、加工機２００の動作の種類ごとに複数定められる情報である。コンテキスト情報は、例えば、駆動部２１２によって駆動される工具２１３を識別する情報、駆動部２１２の回転数、駆動部２１２の回転速度、駆動部２１２にかかる負荷、駆動部２１２及び工具２１３の移動情報、および、駆動部２１２の使用開始からの累積使用時間などを含む。

ツール情報とは、工作機械２０３が有していて加工機２００の動作に用いられるツール（工具２１３）、すなわち駆動部２１２が駆動させるツール（工具２１３）に関する情報である。ツール情報は、例えば、駆動部２１２が駆動するドリルやエンドミルといった工具２１３に関し、その工具２１３のサイズ（直径）や新品か中古かなどの情報を含む。

なお、本実施形態においては、コンテキスト情報、ツール情報と分けているが、ツール情報をコンテキスト情報の一部としても差し支えはない。

数値制御部２０１は、例えばツール情報と現在の動作を示すコンテキスト情報を、通信制御部２０２を介して診断装置１００に送信する。数値制御部２０１は、加工対象を加工する際、加工の工程に応じて、駆動する駆動部２１２によって駆動される工具２１３の種類、駆動部２１２の駆動状態（回転数、回転速度など）を変更する。数値制御部２０１は、動作の種類を変更するごとに、変更した動作の種類に対応するコンテキスト情報を、通信制御部２０２を介して診断装置１００に逐次送信する。

通信制御部２０２は、診断装置１００などの外部装置との間の通信を制御する。例えば通信制御部２０２は、ツール情報と現在の動作に対応するコンテキスト情報とを診断装置１００に送信する送信部である。

センサ２１１は、加工機２００の動作に応じて変化する物理量を検知し、検知情報（センサデータ）を出力する検知部である。センサ２１１の種類、および、検知する物理量はどのようなものであってもよい。例えば、センサ２１１を、マイク、加速度センサ、または、ＡＥ（アコースティックエミッション）センサとし、それぞれ、音響データ、加速度データ、または、ＡＥ波を示すデータを検知情報としてもよい。また、センサ２１１の個数は任意である。同一の物理量を検知する複数のセンサ２１１を備えてもよいし、相互に異なる物理量を検知する複数のセンサ２１１を備えてもよい。

例えば加工に用いるツール（工具２１３）の刃の折れ、および、刃のチッピングなどが発生すると、加工時の音が変化する。このため、センサ２１１（マイク）で音響データを検知し、モデルと比較することにより、ツール（工具２１３）の劣化度を随時把握することが可能となる。

診断装置１００は、通信制御部１０１と、判定部１０２と、を備えている。通信制御部１０１は、加工機２００などの外部装置との間の通信を制御する。例えば通信制御部１０１は、ツール情報とコンテキスト情報および検知情報を加工機２００から受信する。判定部１０２は、ツール情報とコンテキスト情報および検知情報を参照して、加工機２００におけるツール（工具２１３）の劣化度から、該当ツールがあとどの程度使用することができるかを判定する。各部の機能の詳細は後述する。

図２は、加工機２００のハードウェア構成の一例を示すブロック図である。図２に示すように、加工機２００は、ＣＰＵ（Central Processing Unit）５１と、ＲＯＭ（Read Only Memory）５２と、ＲＡＭ（Random Access Memory）５３と、通信Ｉ／Ｆ（インタフェース）５４と、駆動制御回路５５と、モータ５６とが、バス５８で接続された構成となっている。

ＣＰＵ５１は、加工機２００の全体を制御する。ＣＰＵ５１は、例えばＲＡＭ５３をワークエリア（作業領域）としてＲＯＭ５２等に格納されたプログラムを実行することで、加工機２００全体の動作を制御し、加工機能を実現する。

すなわち、図１の数値制御部２０１および通信制御部２０２は、図２のＣＰＵ５１にプログラムを実行させること、すなわち、ソフトウェアにより実現される。

通信Ｉ／Ｆ５４は、診断装置１００などの外部装置と通信するためのインタフェースである。駆動制御回路５５は、モータ５６の駆動を制御する回路である。モータ５６は、ドリル、カッタ、および、テーブルなどの加工に用いるツール（工具２１３）を駆動する。モータ５６は、例えば図１の駆動部２１２に相当する。センサ５７は、加工機２００に取り付けられる。センサ５７は、加工機２００の動作に応じて変化する物理量を検知し、診断装置１００に検知情報を出力する。センサ５７は、例えば図１のセンサ２１１に相当する。

なお、本実施形態においては、図１の数値制御部２０１および通信制御部２０２は、図２のＣＰＵ５１にプログラムを実行させること、すなわち、ソフトウェアにより実現されるものとしたが、これに限るものではない。例えば、図１の数値制御部２０１および通信制御部２０２は、ＩＣ（Integrated Circuit）などのハードウェアにより実現してもよいし、ソフトウェアおよびハードウェアを併用して実現してもよい。

図３は、診断装置１００のハードウェア構成の一例を示すブロック図である。図３に示すように、診断装置１００は、ＣＰＵ６１と、ＲＯＭ６２と、ＲＡＭ６３と、通信Ｉ／Ｆ６４と、ＨＤＤ（Hard Disk Drive）６５とが、バス６６で接続された構成となっている。

ＣＰＵ６１は、診断装置１００の全体を制御する。ＣＰＵ６１は、例えばＲＡＭ６３をワークエリア（作業領域）としてＲＯＭ６２等に格納されたプログラムを実行することで、診断装置１００全体の動作を制御し、診断機能を実現する。通信Ｉ／Ｆ６４は、加工機２００などの外部装置と通信するためのインタフェースである。ＨＤＤ６５は、診断装置１００の設定情報、加工機２００から受信された検知情報などの情報を記憶する。ＨＤＤ６５に代えて、または、ＨＤＤ６５とともに、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）またはＳＳＤ（Solid State Drive）などの不揮発性の記憶手段を備えてもよい。

図４は、診断装置１００の機能構成の一例を示すブロック図である。図４に示すように、診断装置１００は、上述の通信制御部１０１および判定部１０２に加え、受付部１０３と、特徴抽出部１０４と、生成部１０５と、記憶部１１１と、を備えている。

図４の各部（通信制御部１０１、判定部１０２、受付部１０３、特徴抽出部１０４、生成部１０５）は、図３のＣＰＵ６１にプログラムを実行させること、すなわち、ソフトウェアにより実現される。

記憶部１１１は、診断装置１００による診断機能で必要な各種情報を記憶する。記憶部１１１は、例えば図３のＲＡＭ６３およびＨＤＤ６５などにより実現できる。例えば記憶部１１１は、ツール（工具２１３）の劣化度判定に用いる１以上のモデルを記憶する。

モデルは、例えば、加工機２００においてツール（工具２１３）が新品状態から使用不可能なまでに摩耗した状態になるまでの間、当該ツール（工具２１３）で加工しているときに検知された検知情報を用いて、学習により生成される。学習においては、例えば使用開始時期（新品状態の時刻）から使用不可能になった時期（使用不可能になるまで摩耗した状態になった時期）までを時間軸で５等分し、５つの範囲に分割された検知情報ごとに５つのモデルを生成する。なお、本実施形態においては例として５分割したが、分割数はこれに限ったものではない。

学習方法、および、学習するモデルの形式はどのような方法であってもよい。例えば、ＧＭＭ（ガウス混合モデル）、および、ＨＭＭ（隠れマルコフモデル）などのモデルおよび対応するモデル学習方法を適用できる。

本実施形態では、モデルは、ツール情報とコンテキスト情報との組み合わせ別に生成される。記憶部１１１は、例えばツール情報、コンテキスト情報と、その組み合わせに対応するモデル、の３つを対応づけて記憶する。

図５は、ツール情報とモデルとの対応の一例を示す図である。図５に示すように、モデルは、例えば、加工機２００に取り付けられる工具２１３ごとに生成される。工具２１３がドリルの場合、モデルは、ドリルの径ごとに生成される。ドリルの径としてφ１ｍｍ、φ３ｍｍ、φ５ｍｍの３つの径がある場合は、それぞれの径に関してモデルが生成される。そして、判定部１０２は、例えば、加工機２００から受信するツール情報に基づいて、加工に用いられるドリル径を認識すると、そのドリル径にあった学習モデルを選択して判定に使用する。

なお、コンテキスト情報についても、ツール情報と同様にモデルと対応付けられる。加工機２００の動作に応じて例えば駆動部２１２の回転数が異なるのであれば、モデルは、それぞれの回転数に関して生成される。そして、判定部１０２は、例えば、加工機２００から受信したコンテキスト情報に基づいて回転数を認識すると、その回転数に合った学習モデルを選択して判定に使用する。つまり、判定部１０２は、コンテキスト情報、ツール情報を組み合わせ、その組み合わせに適した学習モデルを選択して判定に使用する。

通信制御部１０１は、第１の受信部１０１ａと、第２の受信部１０１ｂと、送信部１０１ｃと、を備えている。第１の受信部１０１ａは、加工機２００などの外部装置から送信された各種情報を受信する。例えば第１の受信部１０１ａは、加工機２００の現在の動作に対応するコンテキスト情報と、ツール情報とを加工機２００から受信する。第２の受信部１０１ｂは、センサ２１１により送信された検知情報を受信する。送信部１０１ｃは、外部装置に対して各種情報を送信する。

特徴抽出部１０４は、モデルの生成、および、判定部１０２による判定で用いる特徴情報（特徴量）を、検知情報から抽出する。特徴情報は、検知情報の特徴を示す情報であればどのような情報であってもよい。例えば検知情報がマイクにより集音された音響データである場合、特徴抽出部１０４は、エネルギー、周波数スペクトル、および、ＭＦＣＣ（メル周波数ケプストラム係数：Mel-Frequency Cepstrum Coefficients）などの特徴量を抽出してもよい。

生成部１０５は、当該ツール（工具２１３）の使用開始時期から使用不可能になった時期におけるコンテキスト情報に対応する検知情報から抽出された特徴情報を用いた学習により、劣化度を判定（本実施形態では５段階で劣化度を判定）するためのモデルを生成する。モデルを外部装置で生成する場合は、生成部１０５は備えなくてもよい。生成部１０５は、モデルが定められていないコンテキスト情報とツール情報との組み合わせに対応する検知情報が入力された場合に、この検知情報から抽出された特徴情報を用いて、当該コンテキスト情報とツール情報に対応するモデルを生成してもよい。

判定部１０２は、第２の受信部１０１ｂにより受信されたセンサ２１１の検知情報と、第１の受信部１０１ａにより受信されたツール情報とコンテキスト情報に対応するモデルと、を用いて、加工機２００で使用しているツール（工具２１３）の劣化度を算出する。例えば、判定部１０２は、特徴抽出部１０４に対して検知情報からの特徴情報の抽出を依頼する。

判定部１０２は、検知情報から抽出された特徴情報が５段階の劣化度のいずれの段階にあるかの尤もらしさを示す尤度を、対応するモデルを用いて算出する。判定部１０２は、最も尤度が高く算出されたモデルに対応する劣化度を選択する。

また、判定部１０２は、ツール（工具２１３）の劣化度に応じてそのツール（工具２１３）が使用不可能になるまでの残り期間を求める。

例えば、使用開始時期から使用不可能になった時期まで５ヶ月の期間を要したツール（工具２１３）において、先に記載した方法でツール（工具２１３）の劣化度を３と算出した場合、使用不可能になるまでの残り期間は、
（５−３）／５×５［ヶ月］＝２［ヶ月］
となる。また、例えば、使用不可能になった時期まで１０ヶ月の期間を要したツール（工具２１３）において、先に記載した方法でツール（工具２１３）の劣化度を３と算出した場合、使用不可能になるまでの残り期間は、
（５−３）／５×１０［ヶ月］＝４［ヶ月］
となる。

なお、ツール（工具２１３）の劣化度に基づき、使用不可能になるまでの残り期間を算出する方法はこれに限られるものではない。

また、判定部１０２は、新品のツール（工具２１３）に交換した際に、使用開始時期の更新を行い、劣化度算出をリセットする。

受付部１０３は、第１の受信部１０１ａが加工機２００から受信するツール情報やコンテキスト情報とは異なる情報の入力を受け付ける。例えば、加工する材料の情報（材質）を加工機２００から取得するように構成できる。この場合、加工機２００は、これまでと異なる材料を加工するときには、劣化度を算出するためのモデルを、加工する材料と使用するツール（工具２１３）とコンテキスト情報に対応したモデルに切り替える機能を備えていてもよい。

加工する材料の情報を加工機２００から取得せず、受付部１０３が受け付けるように構成することもできる。受付部１０３は、例えば、キーボードおよびタッチパネルなどの操作部から入力されたコンテキスト情報やツール情報を受け付ける。受付部１０３が、サーバ装置およびパーソナルコンピュータなどの外部装置からコンテキスト情報やツール情報を受信するように構成してもよい。加工機２００以外からコンテキスト情報やツール情報を受け付ける必要がない場合は、受付部１０３は備えなくてもよい。

なお、本実施形態においては、図４の各部（通信制御部１０１、判定部１０２、受付部１０３、特徴抽出部１０４、生成部１０５）は、図３のＣＰＵ６１にプログラムを実行させること、すなわち、ソフトウェアにより実現されるものとしたが、これに限るものではない。例えば、図４の各部（通信制御部１０１、判定部１０２、受付部１０３、特徴抽出部１０４、生成部１０５）は、ＩＣなどのハードウェアにより実現してもよいし、ソフトウェアおよびハードウェアを併用して実現してもよい。

次に、このように構成された第１の実施形態にかかる診断装置１００による診断処理について図６を用いて説明する。図６は、診断処理の流れの一例を示すフローチャートである。

上述のように、加工機２００の数値制御部２０１は、ツール情報と現在の動作を示すコンテキスト情報を逐次診断装置１００に送信する。第１の受信部１０１ａは、このようにして加工機２００から送信されたツール情報とコンテキスト情報を受信する（ステップＳ１０１）。また加工機２００のセンサ２１１は、加工時の検知情報（センサデータ）を逐次出力する。第２の受信部１０１ｂは、このようにしてセンサ２１１から送信された検知情報（センサデータ）を受信する（ステップＳ１０２）。

特徴抽出部１０４は、受信された検知情報から特徴情報を抽出する（ステップＳ１０３）。判定部１０２は、抽出された特徴情報と、受信されたツール情報とコンテキスト情報に対応するモデルとを用いて、加工機２００のツール（工具２１３）の劣化度を判定する（ステップＳ１０４）。判定部１０２は、劣化度に基づきツール（工具２１３）の使用不可能に至るまでの残り期間を出力する（ステップＳ１０５）。

判定部１０２は、例えば診断装置１００がディスプレイなどの表示装置を備える場合、この表示装置に判定結果を表示してもよい。判定部１０２が、サーバ装置およびパーソナルコンピュータなどの外部装置に判定結果を出力してもよい。

次に、このように構成された第１の実施形態にかかる診断装置１００によるモデル生成処理について図７を用いて説明する。図７は、モデル生成処理の流れの一例を示すフローチャートである。なお、モデル生成処理は、例えば、診断処理の前に事前に実行される。上述のように、モデルが定められていないコンテキスト情報やツール情報が入力された場合にモデル生成処理を実行するように構成してもよい。また上述のようにモデルを外部で生成する場合は、モデル生成処理は実行されなくてもよい。

第１の受信部１０１ａは、加工機２００から送信されたコンテキスト情報とツール情報を受信する（ステップＳ２０１）。第２の受信部１０１ｂは、センサ２１１から送信された検知情報（センサデータ）を受信する（ステップＳ２０２）。

このように受信されたツール情報、コンテキスト情報および検知情報が、モデルの生成に利用される。モデルはツール情報とコンテキスト情報ごとに生成されるため、検知情報は、対応するツール情報とコンテキスト情報に関連付けられる必要がある。このため、例えば第１の受信部１０１ａは、受信した検知情報を、同じタイミングで受信したツール情報とコンテキスト情報と対応づけて記憶部１１１等に記憶させる。各情報を記憶部１１１等に一旦記憶し、ツール情報からそのツール（工具２１３）の使用開始時刻からの経過時間を確認し、所定の範囲で区切った経過時間における検知情報を一まとめにしてモデルを生成する。例えば、使用開始時刻からの経過時間に従い、経過時間が０〜１ヶ月を“範囲１”、１ヶ月〜２ヶ月を“範囲２”、・・・、４ヶ月〜５ヶ月を“範囲５”といった具合にラベルづけされた検知情報を用いてモデルを生成してもよい。

ラベルづけは、情報を記憶部１１１等に記憶した後の任意のタイミングで実行してもよいし、加工機２００を動作させながらリアルタイムに実行してもよい。

特徴抽出部１０４は、収集された検知情報から特徴情報を抽出する（ステップＳ２０３）。生成部１０５は、同じコンテキスト情報とツール情報との組み合わせに対応づけられた検知情報から抽出された特徴情報を用いて、このコンテキスト情報とツール情報との組み合わせについてのモデルを生成する（ステップＳ２０４）。ここで生成するモデルはコンテキスト情報についてだけではなくツール情報にも紐付けられており、同一コンテキスト情報で異なるツール情報に対してもモデルが生成されることとなる。

生成部１０５は、生成したモデルを例えば記憶部１１１に記憶する（ステップＳ２０５）。

次に、本実施形態によるモデル生成処理および診断処理の具体例について説明する。図８は、モデル生成処理および診断処理の具体例を説明するための図である。

図８は、例えば、ある部品を加工する工程の一部についてのモデル生成処理、および、診断処理を示す。モデル生成処理では、コンテキスト情報７０１、ツール情報７０２とともに受信された複数の検知情報（図８では検知情報７１１ａ〜７１１ｃ）が利用される。なお検知情報の個数は３に限られるものではなく、任意の個数とすることができる。

コンテキスト情報７０１は、加工工程が、４つのモータ（モータＡ、モータＢ、モータＣ、モータＤ）を駆動する動作を含むことを示している。ツール情報７０２は、各モータ（モータＡ、モータＢ、モータＣ、モータＤ）の駆動時に使用するツール（工具２１３）を表している。

特徴抽出部１０４は、受信された検知情報から特徴情報を抽出する。

生成部１０５は、各モータに対応するコンテキスト情報とツール情報ごとに、対応する検知情報から抽出された特徴情報を用いてモデルを生成する。生成されたモデルは、コンテキスト情報とツール情報の組み合わせごとに、記憶部１１１などに記憶される。図８では、ツール２を使用してモータＢが駆動される場合のコンテキスト情報に対して生成されたモデル（「ツール２、モータＢ」）が記憶部１１１に記憶された例が示されている。モデルは、使用開始時刻からの経過時間に従い、経過時間が０〜１ヶ月を“範囲１”、１ヶ月〜２ヶ月を“範囲２”、・・・、４ヶ月〜５ヶ月を“範囲５”というように、範囲ごとの検知情報に基づいて生成される。記憶されたモデルは、その後の診断処理で参照される。

診断処理では、モデル生成処理と同様に、コンテキスト情報７０１とツール情報７０２とともに、検知情報７２１が受信される。コンテキスト情報７０１が「モータＢが駆動されていること」、ツール情報７０２が「ツール２を使用していること」を示す場合、判定部１０２は、例えばこのコンテキスト情報７０１とツール情報７０２が受信された期間に受信された検知情報と、記憶部１１１に記憶されているモデル「ツール２、モータＢ」とを用いて、加工機２００で使用しているツール２に対して使用できる残り期間を判定する。

これにより、ユーザは、ツール（工具２１３）の使用できる残り期間を参考にして、予備のツール（工具２１３）の準備や、新しいツール（工具２１３）に交換する時期等を予め知ることができる。また、ユーザは、ツール（工具２１３）が実際に使用できない状態になったときに素早く対処できるため、メンテナンス効率を上げることが可能となる。

他のツール情報とコンテキスト情報が受信される場合も同様に、対応する検知情報と、対応するモデルとを用いて、判定部１０２による判定が実行される。なお、すべてのツール情報とコンテキスト情報に対して判定を実行する必要はない。図９は、一部のツール情報とコンテキスト情報に対して判定を実行する例を示す図である。

図９の例では、ツール情報が「ツール２を使用」を示し、コンテキスト情報が「モータＢが駆動されていること」を示す場合のみモデルが生成される。また、診断処理は、「ツール２を使用」を示すツール情報７０２−２、「モータＢが駆動されていること」を示すコンテキスト情報７０１−２が受信された場合に実行される。これにより、判定に有効な検知情報のみを用いて診断処理を実行することができる。例えば、検知情報として音響データを用いる場合、無音区間など判定する必要がない区間が加工工程に含まれる場合がある。このような不要な区間を判定対象から外すことによって、誤判定を減らすこと、および、計算コストを減らすことが可能となる。すなわち、診断処理の高精度化および効率化が実現可能となる。

このように本実施形態によれば、精度良く故障の予兆を検知することができる。また、本実施形態によれば、ツール（工具２１３）の使用が不可能になるまでの残り期間を示すことで、ユーザのメンテナンス効率を向上させることができる。

（第２の実施形態）
次に、第２の実施形態について説明する。なお、前述した第１の実施形態と同じ部分は同じ符号で示し説明も省略する。

第１の実施形態では、過去の検知情報に基づき作成したモデルを使用してツール（工具２１３）の劣化度、残り期間を判定する診断処理を実行していた。本実施形態においては、現在の検知情報を反映したモデルに更新しながら次の診断処理を実行するようにしたものである。

図１０は、第２の実施形態にかかる診断装置１００−２の機能構成の一例を示すブロック図である。図１０に示すように、診断装置１００−２は、第１の実施形態で説明した通信制御部１０１、判定部１０２、受付部１０３、特徴抽出部１０４、生成部１０５、記憶部１１１に加えて、更新部１０６を備えている。以下において、更新部１０６について説明する。

更新部１０６は、ツール（工具２１３）の劣化度判定に用いるモデルであって、コンテキスト情報とツール情報との組み合わせ別に記憶部１１１に記憶されたモデルに対する更新処理を行う。

図１１は、モデルの更新処理を伴う処理の具体例を説明するための図である。図１１に示すように、コンテキスト情報７０１が「モータＢが駆動されていること」、ツール情報７０２が「ツール２を使用していること」を示す場合、判定部１０２は、例えばこのコンテキスト情報７０１とツール情報７０２が受信された期間に受信された検知情報と、記憶部１１１に記憶されているモデル「ツール２、モータＢ」とを用いて、加工機２００で使用しているツール２に対して使用できる残り期間を判定する。

併せて、更新部１０６は、コンテキスト情報７０１とツール情報７０２が受信された期間に受信された検知情報に基づいて判定部１０２で判定された劣化度に従って、記憶部１１１に記憶されているモデル「ツール２、モータＢ」を更新する。

より詳細には、更新部１０６は、モデルの更新において、判定部１０２で判定された劣化度を利用してどの“範囲”のモデルを更新するかを決定し、決定したモデルの更新を行う。

第１の実施形態で説明したように判定部１０２は、最も尤度が高く算出されたモデルに対応する劣化度を、受信された検知情報に対する劣化度として選択する。したがって、更新部１０６は、更新するモデルを最も尤度が高く算出された“範囲”のモデルと決定することができる。

更新部１０６は、受信された検知情報を使って、モデルの作成（更新）を行う。なお、モデルの作成（更新）方法はどのような方法であってもよいが、例えば、ＧＭＭ（ガウス混合モデル）、および、ＨＭＭ（隠れマルコフモデル）などのモデルおよび対応するモデル学習方法を適用できる。

例えば、更新部１０６は、実際に新品のツール（工具２１３）に交換した際、加工機２００におけるこれまで使用してきた検知情報に含まれる特徴情報（例えば動作音）の変化度合いを基に、劣化度を判定するモデルの更新を行う。

このように本実施形態によれば、現在の検知情報を反映したモデルに更新しながら次の診断処理を実行することにより、更に精度良く故障の予兆を検知することができる。

なお、本実施形態の診断装置で実行されるプログラムは、ＲＯＭ等に予め組み込まれて提供される。

本実施形態の診断装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータ・プログラム・プロダクトとして提供するように構成してもよい。

さらに、本実施形態の診断装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、本実施形態の診断装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。

本実施形態の診断装置で実行されるプログラムは、上述した各部（通信制御部１０１、判定部１０２など）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ（プロセッサ）が上記ＲＯＭからプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、各部が主記憶装置上に生成されるようになっている。

１００ 診断装置
１０１ａ 第１の受信部
１０１ｂ 第２の受信部
１０２ 判定部
１０５ 生成部
１０６ 更新部
２００ 対象装置
２０２ 送信部
２１１ 検知部

特開２００６−１８４７２２号公報 特開２００８−１３７１０２号公報

Claims (12)

1. 対象装置の動作の種類ごとに定められる複数のコンテキスト情報のうち現在の動作に対応するコンテキスト情報と、前記対象装置の動作に用いられるツールに関するツール情報と、を前記対象装置から受信する第１の受信部と、
   前記対象装置の動作に応じて変化する物理量の検知情報を受信する第２の受信部と、
   受信された前記検知情報と、前記コンテキスト情報と前記ツール情報との組み合わせに対してそれぞれ定められる１以上のモデルのうち受信された前記コンテキスト情報と前記ツール情報とに対応するモデルと、を用いて、前記ツールの劣化度を判定する判定部と、
   を備えることを特徴とする診断装置。
2. 前記判定部は、前記ツールの劣化度に基づき、前記ツールの使用が不可能になるまでの期間を算出する、
   ことを特徴とする請求項１に記載の診断装置。
3. 前記判定部は、受信された前記検知情報のうち、受信された前記コンテキスト情報で特定される期間の検知情報と、受信された前記コンテキスト情報と前記ツール情報との組み合わせに対応するモデルとを用いて、前記期間の前記ツールの劣化度を判定する、
   ことを特徴とする請求項１または２に記載の診断装置。
4. 前記第２の受信部は、異なる物理量にそれぞれ対応する複数の検知情報を受信し、
   前記判定部は、複数の前記検知情報のうち、前記コンテキスト情報と前記ツール情報に応じて定められる前記検知情報と、受信された前記コンテキスト情報と前記ツール情報との組み合わせに対応するモデルとを用いて、前記対象装置の動作に用いる前記ツールの劣化度を判定する、
   ことを特徴とする請求項１または２に記載の診断装置。
5. モデルが定められていない前記コンテキスト情報と前記ツール情報とが受信された場合に、前記コンテキスト情報と前記ツール情報の組み合わせに対応する前記検知情報を用いて、モデルが定められていない前記コンテキスト情報と前記ツール情報との組み合わせに対するモデルを生成する生成部を更に備える、
   ことを特徴とする請求項１または２に記載の診断装置。
6. 前記コンテキスト情報と前記ツール情報に応じて定められる前記検知情報を用いて、受信された前記コンテキスト情報と前記ツール情報との組み合わせに対応するモデルに対して、当該モデルの更新処理を実施する更新部を更に備える、
   ことを特徴とする請求項１または２に記載の診断装置。
7. 前記判定部は、受信された前記検知情報から抽出される特徴情報が複数段階の劣化度のいずれの段階にあるかの尤もらしさを示す尤度を対応するモデルを用いて算出し、最も尤度が高く算出されたモデルに対応する劣化度を選択する、
   ことを特徴とする請求項１または２に記載の診断装置。
8. 前記モデルは、前記ツール情報と前記コンテキスト情報との組み合わせに対応する前記検知情報から抽出された特徴情報を用いた学習により、前記ツールの使用開始時期から使用不可能になった時期までの期間を複数に分割した分割範囲ごとに複数生成される、
   ことを特徴とする請求項１または２に記載の診断装置。
9. 前記コンテキスト情報は、前記対象装置が備える駆動部の使用時間である、
   ことを特徴とする請求項１ないし８の何れか一項に記載の診断装置。
10. 前記ツール情報は、前記対象装置が備える駆動部が駆動させる工具の情報である、
    ことを特徴とする請求項１ないし９の何れか一項に記載の診断装置。
11. コンピュータに、
    対象装置の動作の種類ごとに定められる複数のコンテキスト情報のうち現在の動作に対応するコンテキスト情報と、前記対象装置の動作に用いられるツールに関するツール情報と、を前記対象装置から受信する第１の受信ステップと、
    前記対象装置の動作に応じて変化する物理量の検知情報を受信する第２の受信ステップと、
    受信された前記検知情報と、前記コンテキスト情報と前記ツール情報との組み合わせに対してそれぞれ定められる１以上のモデルのうち受信された前記コンテキスト情報と前記ツール情報とに対応するモデルと、を用いて、前記ツールの劣化度を判定する判定ステップと、
    を実行させるためのプログラム。
12. 診断装置と、前記診断装置の診断の対象となる対象装置と、を備える診断システムであって、
    前記診断装置は、
    対象装置の動作の種類ごとに定められる複数のコンテキスト情報のうち現在の動作に対応するコンテキスト情報と、前記対象装置の動作に用いられるツールに関するツール情報と、を前記対象装置から受信する第１の受信部と、
    前記対象装置の動作に応じて変化する物理量の検知情報を受信する第２の受信部と、
    受信された前記検知情報と、前記コンテキスト情報と前記ツール情報との組み合わせに対してそれぞれ定められる１以上のモデルのうち受信された前記コンテキスト情報と前記ツール情報とに対応するモデルと、を用いて、前記ツールの劣化度を判定する判定部と、を備え、
    前記対象装置は、
    前記物理量を検知する検知部と、
    検知された前記物理量を前記診断装置に送信する送信部と、を備える、
    ことを特徴とする診断システム。

Images