JP2019024305A - モータ制御システム - Google Patents

Abstract

【課題】機械システム全体での機械異常に関する適切な処理を可能にするモータ制御システムを提供する。【解決手段】モータ駆動機構１を駆動するモータを駆動制御するモータ制御システム１００であって、所定のデータ異常判定しきい値と、モータ駆動時における時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常、機械異常を判定する。【選択図】図１

Description

開示の実施形態は、モータ制御システムに関する。

特許文献１及び特許文献２には、統計学的手法に基づくセンサデータの解析により機械設備の状態を予兆診断する技術が開示されている。

特許第５８２７４２５号公報 特許第５８２７４２６号公報

しかし、機械システム全体を考慮した場合には、単純に統計学的な手法のみで機械システム全体の異常を判定することは適切でない。

本発明はこのような問題点に鑑みてなされたものであり、機械システム全体での機械異常に関する適切な処理が可能なモータ制御システムを提供することを目的とする。

上記課題を解決するため、本発明の一の観点によれば、モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、所定のデータ異常判定しきい値と、モータ駆動時における時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、前記データ異常の判定に基づいて前記モータ駆動機構の機械正常を判定する機械正常判定部と、を有するモータ制御システムが適用される。

また、本発明の別の観点によれば、モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、所定のデータ異常判定しきい値と、モータ駆動時における時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、前記データ異常の発生頻度に基づいて前記モータ駆動機構の経年劣化を判定する機械劣化判定部と、前記機械劣化判定部が前記経年劣化の発生を検出した場合、前記経年劣化の発生を報知、及び前記モータの駆動制御を停止するモータ停止部と、を有するモータ制御システムが適用される。

また、本発明の別の観点によれば、モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、前記モータを正常駆動させて予め設定した所定のデータ異常判定しきい値と、前記モータを観測駆動させて検出した時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、前記データ異常の発生頻度に基づいて前記モータ駆動機構の経年劣化を判定する機械劣化判定部と、を備え、前記正常駆動と前記観測駆動とが同じ駆動動作であって、かつ前記時系列検出データがトルク指令、モータ速度、及びモータ位置の少なくとも１つであるモータ制御システムが適用される。

また、本発明の別の観点によれば、モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、前記モータを正常駆動させて予め設定した所定のデータ異常判定しきい値と、前記モータを観測駆動させて検出した時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、前記データ異常の発生頻度に基づいて前記モータ駆動機構の経年劣化を判定する機械劣化判定部と、を備え、前記正常駆動と前記観測駆動とが異なる駆動動作であって、かつ前記時系列検出データが外乱オブザーバ推定値、速度偏差の少なくとも１つであるモータ制御システムが適用される。

本発明によれば、機械システム全体での機械異常に関する適切な処理が可能となる。

モータ制御システムの概略的なブロック構成を表す図である。 トルク指令と出力速度を時系列データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。 自由度＝４の場合の時系列データの一例を表す図である。 カイ２乗分布とデータ異常判定しきい値とマハラノビス距離の関係を説明する図である。 セットアップＰＣのＣＰＵが実行する準備処理の制御手順を表すフローチャートである。 上位制御装置のＣＰＵが実行する経年劣化判定処理の制御手順を表すフローチャートである。 自由度Ｍ＝１で可動スライド位置違いの場合の出力速度の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。 自由度Ｍ＝１で可動スライド位置違いの場合のトルク指令の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。 図７中の時刻Ａ１における出力速度の時系列標本データの正規分布と時系列観測データを表すグラフである。 図７中の時刻Ａ２における出力速度の時系列標本データの正規分布と時系列観測データを表すグラフである。 図８中の時刻Ｂ１におけるトルク指令の時系列標本データの正規分布と時系列観測データを表すグラフである。 図８中の時刻Ｂ２におけるトルク指令の時系列標本データの正規分布と時系列観測データを表すグラフである。 出力速度のマハラノビス距離とデータ異常判定しきい値を比較して示すグラフである。 トルク指令のマハラノビス距離とデータ異常判定しきい値を比較して示すグラフである。 発振させた場合の出力速度の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。 発振させた場合のトルク指令の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。 自由度Ｍ＝２の場合のマハラノビス距離とデータ異常判定しきい値を比較したグラフである。 自由度Ｍ＝１で可動スライド位置違いの場合の時系列標本データと時系列観測データをゲイン特性でプロットしたグラフである。 自由度Ｍ＝１で可動スライド位置違いの場合の時系列標本データと時系列観測データを位相特性でプロットしたグラフである。 自由度Ｍ＝１で可動スライド同じ位置の場合の時系列標本データと時系列観測データをゲイン特性でプロットしたグラフである。 自由度Ｍ＝１で可動スライド同じ位置の場合の時系列標本データと時系列観測データを位相特性でプロットしたグラフである。 トルク指令と出力位置のデータ正常、データ異常の組み合わせによる機械異常の種類を表す図である。 外乱オブザーバの出力を時系列データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。 速度偏差を時系列データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。

以下、一実施の形態について図面を参照しつつ説明する。

＜１：モータ制御システムの全体構成＞
図１を参照しつつ、本実施形態に係るモータ制御システムの全体構成の一例について説明する。

図１は、モータ制御システムの概略的なブロック構成を表している。図１に示すように、モータ制御システム１００は、モータ駆動機構１と、サーボアンプ２と、上位制御装置３と、オペレータ４と、セットアップＰＣ５とを有する。

モータ駆動機構１は、当該モータ制御システム１００によってその駆動が制御されるとともに、その駆動に関する各種の異常が判定される対象の機械システムである。このモータ駆動機構１は、エンコーダ１１を備えたモータ１２と、このモータ１２により駆動される駆動機械１３とを有している。本実施形態の例では、モータ１２は回転型の電動モータであり、エンコーダ１１はモータの回転位置を光学的に検出し出力するセンサである。

サーボアンプ２は、後述の上位制御装置３から入力される位置指令に上記モータ１２の出力位置を追従させるよう駆動電流をモータ１２に給電し駆動制御する機能（モータ駆動制御機能）を有している。また本実施形態においてサーボアンプ２は、駆動電流を給電する過程で生成されるトルク指令と、エンコーダ１１から出力されたモータ１２の出力位置に基づいて生成される出力速度の２つのデータを時系列データとして逐次取得し、上位制御装置３に出力する機能も有している（後述の図２参照）。

上位制御装置３は、駆動機械１３に所望の経時的な駆動動作を行わせるためにモータ１２の位置指令を逐次出力する機能（モーション制御機能）を有している。また本実施形態において上位制御装置３は、サーボアンプ２から入力された時系列データを記憶し、後述する観測駆動時には、それら時系列データに基づいたデータ異常判定と、データ異常判定の判定態様に基づいた機械異常判定を行う機能も有している。また後述する正常駆動時には、サーボアンプ２から入力された時系列データをそのまま後述のセットアップＰＣ５に出力する。

オペレータ４は、特に図示しない表示部や操作部を備え、上位制御装置３との間で送受する各種情報の表示や各種の指令及びパラメータの入力を行うユーザインターフェースとしての機能を有する。なお後述する観測駆動時には、上位制御装置３から入力された機械異常判定の結果を表示する。

セットアップＰＣ５は、例えばノート型の汎用パーソナルコンピュータで構成され、上位制御装置３に対し通常運用を行う前の各種の初期設定を行う機能を有する。また本実施形態においてセットアップＰＣ５は、上記の設定機能の１つとして、後述する正常駆動時に上位制御装置３から入力された時系列データに基づいて、上位制御装置３が上記データ異常判定を行う際に必要となる標本平均、標本共分散行列、及びデータ異常判定しきい値を算出して上位制御装置３に出力する準備処理を行う（後述の図５参照）。なお、通常運用時（つまり後述する観測駆動時）には、当該セットアップＰＣ５は何ら処理を行わず不要となるため、上位制御装置３から接続を取り外せるようになっている。

なお以上において、サーボアンプ２、上位制御装置３、オペレータ４、及びセットアップＰＣ５が、各請求項記載のモータ制御システムに相当する。

＜２：サーボアンプの制御ブロック＞
図２は、本実施形態におけるサーボアンプ２の制御ブロックを伝達関数形式で表している。なお本実施形態の例では、この図２に示す制御ブロックは、サーボアンプ２が備えるＣＰＵ（特に図示せず）により実行されるソフトウェアで実現される。

この図２において、サーボアンプ２は、減算器２１と、位置制御部２２と、減算器２３と、速度制御部２４と、電流制御部２５と、速度変換部２６を有している。減算器２１は、上位制御装置３から入力された位置指令から後述する出力位置（フィードバック位置）を減算して位置偏差を出力する。位置制御部２２は、この位置偏差に基づいていわゆるＰＩＤ制御などにより速度指令を出力する。減算器２３は、この速度指令から後述する出力速度（フィードバック速度）を減算して速度偏差を出力する。速度制御部２４は、この速度偏差に基づいていわゆるＰＩＤ制御などによりトルク指令を出力する。電流制御部２５は、このトルク指令に基づく電力変換により駆動電流を出力し、モータ１２に給電する。そしてこのモータ１２が駆動機械１３を駆動した際の出力位置をエンコーダ１１が検出し、サーボアンプ２にフィードバックする。この出力位置は、上記減算器２１において位置指令から減算されるとともに、速度変換部２６に入力される。速度変換部２６は、この出力位置に基づいてモータ１２の駆動速度である出力速度を出力する。なお、この速度変換部２６は、出力位置を時間微分する微分器等で構成すればよい。

以上における減算器２１、位置制御部２２、減算器２３、速度制御部２４、電流制御部２５、及び速度変換部２６は、外部のモータ１２及びエンコーダ１１とともに、いわゆる位置制御フィードバックループと速度制御フィードバックループの２重フィードバックループを構成する。なお、電流制御部２５の内部にも電流制御フィードバックループを備えているが、図中では省略している。これらのフィードバックループにおいて、減算器２１による位置偏差の出力は位置指令の時間微分処理と同等であり、減算器２３による速度偏差の出力は速度指令の時間微分処理と同等である。したがって、サーボアンプ２が備える上記の２重フィードバックループにおいては、

（ｋ：ばね係数、μ：摩擦係数、ｍ：可動部分の慣性モーメント）
の運動方程式に基づくフィードバック制御が行われているとみなせる。

そして本実施形態では、サーボアンプ２がトルク指令と出力速度を時系列データとして システムサイクル等の短い周期で逐次検出し、上位制御装置３へ出力する。

＜３：本実施形態の特徴＞
近年では、機械システムに対する付加価値向上の一環として予防保全がキーワードになりつつある。これまでにも寿命モニタや設置環境モニタ等により予防保全の一助となる情報を上位制御装置３に提示する構成が取られていたが、これらとは別にモータ駆動機構１の経年変化や発振などの機械異常を検出することが要望されている。本実施形態のモータ制御システム１００は、この要望を受けてモータ駆動機構１の機械異常を検出するためのものである。

サーボアンプ２で検出可能な状態量は、モータ１２に入力するトルク、及びモータ１２が出力する速度や位置である。特にトルクは、位置／速度制御の場合、駆動機械１３側の反力の影響も反映されるため、継続して観測することで経年変化などの機械異常を捉えることが可能と考えられる。本実施形態では、観測した波形から変化を検出する手法として、統計学的手法に基づく機械学習を利用する。

しかし、以上のような機械学習で検出できる異常は、あくまで瞬時的に取得されたデータから直接的に判定できる異常状態でしかない。これに対し、モータ駆動機構１のような機械システムでは、非常に短い時間で機構の位置が変化し、条件によっては連続的な微小変位において機構が異常になっている箇所と正常な箇所が発生するため、すべての場所によって経年変化などの機械異常を判定する必要がある。また、機械システム全体を考慮した場合は、単純に統計学的な手法のみで機械システム全体の異常を判定することは適切ではない。

そこで本実施形態のモータ制御システム１００では、機械学習によってデータから直接的に判定した異常状態をデータ異常とし、また別に上述したようなモータ駆動機構１における経年劣化や発振の状態に相当する異常状態を機械異常として、これらデータ異常と機械異常を区別して扱う。そして、モータ制御システム１００は、モータ駆動機構１の駆動中においてモータ１２の入出力に関する時系列データを取得し、この時系列データからデータ異常を判定する。その上で、データ異常と判定された時系列データの取得態様（取得時刻、取得周波数、取得頻度、取得組み合わせ、等）に基づいて、モータ駆動機構１の機械異常を判定する。このデータ異常と機械異常のそれぞれの判定手法について、以下に順を追って説明する。

＜４：データ異常判定について＞
＜４−１：機械学習によるデータ異常判定＞
一般に人間が波形を観測して正常／異常の判断を行うのは、主として経験によるところが大きい。この経験を数式として表現し、計算機上で行う手法が機械学習である。機械学習による変化検出手法の基本的な考え方は、基準とするデータ群（以下、標本データという）の正規分布を作成し、運用段階で取得したデータ（以下、観測データという）が正規分布から外れているか否かを確認するというものである。

データ異常判定を行う上で、標本データは、データ的に全て正常であることを前提とする場合と、データ的に正常と異常にラベル付けされた標本データが混在している場合が考えられる。しかし、機構部品の経年変化に適用する場合は、事前に異常な標本データを準備することは難しいため、標本データは全て正常であるという前提をとることが現実的と考えられる。

正規分布から外れていることを判断するためには、正規分布の端にデータ異常判定用のしきい値を設定し、観測データが正規分布中心に対してデータ異常判定しきい値よりも離れていることを確認すればよい。

＜４−２：時系列データについて＞
本実施形態では、標本データや観測データを複数種類で取得する場合は、以下のように配列で定義した時系列データＤとして取得する。

例えば、同一の駆動機械１３を２つのモータ１２で駆動するモータ駆動機構（特に図示せず）で、図３に示すように各モータ１２それぞれのトルク指令と出力速度を時系列データとして取得した場合（つまり自由度Ｍ＝変数の種類数＝２）には、時系列データＤは以下のようになる。ただし、Ｄの添え字は時刻を示す。

＜４−３：ホテリングのＴ^２法について＞
本実施形態では、機械学習による変化検出手法としてホテリングのＴ^２法を適用する。ホテリングのＴ^２法は、複数種類のデータの変化波形を並列に観測する多変数解析の一手法であり、その処理は以下の（工程１）〜（工程６）で行う。

（工程１）誤報率を決定する
データには正常データと異常データが存在するが、正規分布からどれくらい大きく外れた場合を異常データとするかの指標が誤報率αとなる。例えば、誤報率１％と考えるならα＝０．０１となる。なお、確率統計論の考え型では、誤報率を０とした場合には全てのデータが正常となってしまうため、原理的に誤報率αを０にはしない。

（工程２）カイ２乗分布を算出する
自由度Ｍ、スケール因子ｓ＝１として、カイ２乗分布を次式から計算する。なお、自由度Ｍは、独立した標本データの種類の数（上述した多変数解析における変数の種類の数）を指定するパラメータである。

ただし、Γはガンマ関数を表し、次式で定義される。

（工程３）データ異常判定しきい値を算出する
上記（工程１）で決定した誤報率αと、上記（工程２）で算出したカイ２乗分布から、

を満たすデータ異常判定しきい値ａ_ｔｈを算出する。

（工程４）標本平均と標本共分散行列を算出する
正常データである標本データから標本平均μ（文中の表記ではハットを省略、以下同様）と標本共分散行列Σ（文中の表記ではハットを省略、以下同様）を次式から算出する。

ただし、はｎ番目の種類の標本データである。

（工程５）マハラノビス距離を算出する
上記（工程４）で算出した標本平均μと標本共分散行列Σ、及び検出した観測データに基づいて、マハラノビス距離ａ（ｘ’）を次式から算出する。

（工程６）データ異常判定しきい値とマハラノビス距離を比較する
上記（工程３）で算出したデータ異常判定しきい値ａ_ｔｈと、上記（工程５）で算出したマハラノビス距離ａ（ｘ’）とを比較する。マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを越えている場合（ａ（ｘ’）＞ａ_ｔｈ）には、上記（工程５）で用いた観測データがデータ異常の状態にあると判定する。

図４に示すように、カイ２乗分布は自由度Ｍ別に分布が変化する確率分布であり、いわゆる再生性を有している特性から多変数解析での適用に好適である。例えば図３に示したような変数の種類（トルク指令、出力速度）の数が２つの時系列データを取得する場合、自由度Ｍ＝２となって図４中の実線で示されるカイ２乗分布が利用される。このカイ２乗分布で誤報率αに相当するデータ異常判定しきい値ａ_ｔｈよりもマハラノビス距離ａ（ｘ’）が大きい場合、当該マハラノビス距離ａ（ｘ’）の算出に用いた観測データにデータ異常が発生しているとみなせる。つまり変数の種類数が２つである多変数解析において、それら２つのデータの組み合わせによる多元的な異常の度合い（どれだけ正常からかけ離れているかの度合い）を、データ異常判定しきい値ａ_ｔｈとマハラノビス距離ａ（ｘ’）の一元的な比較により判定できる。なお、マハラノビス距離ａ（ｘ’）の算出時に標本平均μと標本共分散行列Σを用いていることで、２種類のデータそれぞれの正規分布間の相関による影響を相殺している。なお、上記図３に示したような時系列データＤを取得した場合でも、データの種類別でそれぞれ自由度＝１としたホテリングＴ^２法のデータ異常判定を個別に適用することもできる。

＜４−４：具体的なデータ異常判定＞
まず比較例として、機械学習を利用せずにデータ異常を判定する方法について説明する。
（事前準備）
１：標本データとして正常なデータを複数取得する。
２：標本データ群から各時刻における正規分布を作成する。
３：各時刻における正規分布に対してデータ異常判定しきい値を設定する。
（データ異常判定）
１：観測データを取得する。
２：取得時刻に対応する正規分布に加える。
３：観測データが正規分布に設定したデータ異常判定しきい値を超えていたら異常と判定する。

上記比較例の方法では、時刻ごとに正規分布とデータ異常判定しきい値を作成する必要があり、さらに観測データでも正規分布を計算する必要がある。正規分布の計算には平均値と標準偏差の計算が必要であるが、標準偏差の計算は煩雑なため、時刻ごとに計算を実施するのは現実的ではない。また、データ異常判定しきい値も各時刻の正規分布に対して設定するため時刻ごとに異なった値となる。

次に、上記比較例の問題を解決するために機械学習を利用する場合について説明する。機械学習を利用することで処理は以下のようになる。
（事前準備）
１：標本データとして正常なデータを複数取得する。
２：標本データ群から標本平均μと標本共分散行列Σを計算する。
３：誤報率αとカイ２乗分布からデータ異常判定しきい値ａ_ｔｈを計算する。
（データ異常判定）
１：観測データを取得する。
２：観測データに対してマハラノビス距離ａ（ｘ’）を計算する。
３：マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを超えていたらデータ異常と判定する。

このように機械学習を利用した方法では、正規分布の計算の代わりに標本平均μ、標本共分散行列Σ、及びマハラノビス距離ａ（ｘ’）の計算を行う。これらの計算は単純な四則演算であるため、長期間に渡るモータ駆動機構１の実運用時間中において短い周期で逐次計算しても大きな負荷処理にはならない。また、データ異常判定しきい値ａ_ｔｈは計算式こそ複雑だが、時刻に依存しない定数となるため事前に一度計算しておくだけで済む。

＜５：機械異常判定について＞
上記のデータ異常判定によれば、時系列データを取得した時点におけるデータ上で見た異常状態の有／無（つまり異常／正常）を２値的に判定することができる。しかし、後述する実験結果に示すように１度でもデータ異常が判定されたからといって機械システム全体に機械異常が発生したと判定すべきではない。また、データ異常が複数回発生した際にその発生態様に基づいて機械異常の内容を一次的に推定することが可能である。本実施形態では、経年劣化が進行するに従ってデータ異常の発生頻度が徐々に増加するとの考察に基づき、データ異常の発生頻度が所定値を越えた場合には、モータ駆動機構１に経年劣化の種類の機械異常が発生していると判定する。

＜６：具体的な制御フロー＞
上述した経年劣化による機械異常を判定するための具体的な制御フローの一例を、以下に詳細に説明する。まず図５は、データ異常判定に機械学習を利用する場合の上記事前準備に相当する準備処理の制御手順を示すフローチャートである。このフローチャートは、データ異常がほぼ生じないと確信できるモータ駆動機構１の正常駆動の駆動状態中に、図１中に示すセットアップＰＣ５のＣＰＵ（第１演算装置に相当；特に図示せず）が実行する。なお正常駆動としては、例えばモータ駆動機構１が組立製造後に十分な調整が行われた状態でほぼ設計通りに動作すると確信できる状態（初期運用又は試験運用）での駆動が考えられる。

まずステップＳ５で、セットアップＰＣ５のＣＰＵは、誤報率αを決定する。これはユーザからの入力により任意に決定してもよいし、予め設定された値や所定の手法に基づいて算出された値で決定してもよい。

次にステップＳ１０へ移り、セットアップＰＣ５のＣＰＵは、変数の種類数を自由度Ｍとしたカイ２乗分布を算出する。本実施形態では、１つのモータ１２に対しトルク指令と出力速度の２種類の時系列データが取得されるため、自由度Ｍ＝２となる。

次にステップＳ１５へ移り、セットアップＰＣ５のＣＰＵは、誤報率αとカイ２乗分布に基づいてデータ異常判定しきい値ａ_ｔｈを算出する。

次にステップＳ２０へ移り、セットアップＰＣ５のＣＰＵは、上位制御装置３とサーボアンプ２を介したモーション制御及びモータ駆動制御によりモータ駆動機構１の正常駆動を開始する。

次にステップＳ２５へ移り、セットアップＰＣ５のＣＰＵは、システムサイクルなどの所定時間毎に各変数（各軸のトルク指令及び出力速度）の時系列標本データを、サーボアンプ２及び上位制御装置３を介して取得する。

次にステップＳ３０へ移り、セットアップＰＣ５のＣＰＵは、正常駆動が終了したか否かを判定する。正常駆動がまだ終了しない場合、判定は満たされず、ステップＳ２５に戻って同様の手順を繰り返す。

一方、正常駆動が終了した場合、判定が満たされ、ステップＳ３５へ移る。

ステップＳ３５では、セットアップＰＣ５のＣＰＵは、モータ駆動機構１の正常駆動を停止する。

次にステップＳ４０へ移り、セットアップＰＣ５のＣＰＵは、上記ステップＳ２５で取得した時系列標本データ群から、標本平均μと標本共分散行列Σを算出する。そして、このフローを終了する。

以上の準備処理のフローにより、特に計算処理の負荷が大きい機械学習の準備処理（工程１〜４）を比較的ＣＰＵパワーの高いセットアップＰＣ５であらかじめ行うことができ、モータ制御システム１００全体におけるリソース負担を軽減できる。

次に図６は、データ異常判定と機械異常判定を行う経年劣化判定処理の制御手順を示すフローチャートである。このフローチャートは、データ異常が生じ得るモータ駆動機構１の観測駆動の駆動状態中に、図１中に示す上位制御装置３のＣＰＵ（第２演算装置に相当；特に図示せず）が実行する。なお観測駆動としては、例えばモータ駆動機構１が十分長い期間で運用された状態（実務運用）での駆動が考えられる。

まずステップＳ１０５で、上位制御装置３のＣＰＵは、サーボアンプ２を介したモーション制御及びモータ駆動制御によりモータ駆動機構１の観測駆動を開始する。

次にステップＳ１１０へ移り、上位制御装置３のＣＰＵは、システムサイクルなどの所定時間毎に各変数（各軸のトルク指令及び出力速度）の時系列観測データを、サーボアンプ２を介して取得する。

次にステップＳ１１５へ移り、上位制御装置３のＣＰＵは、上記ステップＳ４０であらかじめ算出された標本平均μと標本共分散行列Σ、及び上記ステップＳ１１０で取得した時系列観測データ群からマハラノビス距離ａ（ｘ’）を算出する。

次にステップＳ１２０へ移り、上位制御装置３のＣＰＵは、上記ステップＳ１１５で算出したマハラノビス距離ａ（ｘ’）が、上記ステップＳ１５であらかじめ算出されたデータ異常判定しきい値ａ_ｔｈ（図中では「しきい値」と略記）を越えているか否かを判定する。言い換えると、上記ステップＳ１１０で取得した時系列観測データがデータ異常の状態であるか否かを判定する。マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを越えていない場合、判定は満たされず、ステップＳ１２５へ移る。言い換えると、データ異常が発生していないとみなされる。

ステップＳ１２５では、上位制御装置３のＣＰＵは、観測駆動が終了したか否かを判定する。観測駆動がまだ終了しない場合、判定は満たされず、ステップＳ１１０に戻って同様の手順を繰り返す。

一方、観測駆動が終了した場合、判定が満たされ、ステップＳ１３０へ移る。

ステップＳ１３０では、上位制御装置３のＣＰＵは、モータ駆動機構１の観測駆動を停止する。そして、このフローを終了する。

一方、上記ステップＳ１２０の判定において、マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを越えていた場合、判定が満たされ、ステップＳ１３５へ移る。言い換えると、データ異常が発生したとみなされる。

ステップＳ１３５では、上位制御装置３のＣＰＵは、それまでの過去直近で所定回数行われたデータ異常判定における異常の判定頻度（異常と判定された時系列観測データの取得頻度）が所定値（所定しきい値）より大きいか否かを判定する。言い換えると、経年劣化の機械異常が発生したか否かを判定する。直近所定回数におけるデータ異常判定頻度が所定値より大きい場合、判定が満たされ、ステップＳ１４０へ移る。言い換えると、経年劣化の機械異常が発生したとみなされる。

ステップＳ１４０では、上位制御装置３のＣＰＵは、モータ駆動機構１に経年劣化が発生したとする判定結果をオペレータ４に送信し、表示部などにその旨を報知させる。そして、ステップＳ１３０へ移る。

一方、上記ステップＳ１３５の判定において、直近所定回数におけるデータ異常判定頻度が所定値以下である場合、判定は満たされず、ステップＳ１２５へ移る。言い換えると、経年劣化の機械異常が発生してないとみなされる。

以上の経年劣化判定処理のフローにより、計算処理の負荷が比較的小さい機械学習の判定処理（工程５、６）と機械異常判定処理を、比較的ＣＰＵパワーの低い上位制御装置３でも行うことができ、モータ制御システム１００全体におけるリソース負担を軽減できる。またこの経年劣化判定処理の実行中（実務運用中）には、セットアップＰＣ５は何ら処理を行わず不要となるため、上位制御装置３から接続を取り外すことでモータ制御システム１００全体の構成を簡素化でき、堅牢性を向上できる。

なお、ステップＳ５、ステップＳ１０、ステップＳ１５、ステップＳ４０、ステップＳ１１５、及びステップＳ１２０の手順が各請求項記載のデータ異常判定部に相当し、ステップＳ１３５の手順が各請求項記載の機械正常判定部又は機械劣化判定部に相当する。

＜７：実験によるデータ異常判定の確認＞
＜７−１：時間軸波形に対する適用結果＞
本実施形態によるデータ異常判定の手法の妥当性を、実試験で得た時間軸波形に適用して確認する。この実試験は、鉛直方向に可動するボールねじスライダ（特に図示せず）の特定の位置におけるトルク指令と出力速度をそれぞれ時系列標本データとして２０回検出し、同じスライダで位置を違えてトルク指令と出力速度を時系列観測データとして検出した。

＜７−１−１：自由度Ｍ＝１で処理した場合＞
図７は、出力速度の時系列標本データと時系列観測データをプロットしたグラフを示している。中央の曲線のうち実線のものが時系列標本データであり、他の白抜き破線の曲線が時系列観測データである（以下の各図において同様）。また、下方には、誤報率α＝１％とした単変数解析（自由度Ｍ＝１）でのデータ異常判定結果を、２値的（Ｈｉｇｈ／Ｌｏｗ）に示すグラフもプロットされている。この実験におけるトレースデータは１０００点で構成されているため、データ異常判定は各点ごとに計算している。これは、同じ速度であっても時間が異なればボールねじ上の位置が異なるため、機械システムとしての特性が異なることを考慮している。また、図８は、図７の出力速度の代わりにトルク指令の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。

まず最初の比較例として、機械学習を利用しない場合には図９〜図１２に示すような正規分布に基づくデータ異常判定を行うことになる。図９、図１０は、上記図７中の時刻Ａ１、時刻Ａ２それぞれにおける出力速度の時系列標本データの正規分布と時系列観測データを示している。また、図１１、図１２は、上記図８中の時刻Ｂ１、時刻Ｂ２それぞれにおけるトルク指令の時系列標本データの正規分布と時系列観測データを示している。図９において、時系列観測データは正規分布の内側に存在するため正常なデータと推測される。一方、図１０の時系列観測データは正規分布の外側に存在するため異常なデータと推測される。同様に図１１は正常データと推測され、図１２は異常データと推測される。機械学習を利用しない場合の基本的な考え方としては、このように正規分布と時系列観測データの比較を全てのデータに対して行うことになるが、実際に実施するのは計算処理負担がかなり大きくなるため現実的ではない。

図７では１０００点の時系列観測データ中５７点（５．７％）がデータ異常として判定され、図８では５９点（５．９％）がデータ異常として判定されている。波形曲線だけを見る限りでは、目視では差異があると判定することは難しい。一方、図７と図８にそれぞれ対応する図１３、図１４では、上記（工程５）で算出したマハラノビス距離ａ（ｘ’）と、（工程３）で算出したデータ異常判定しきい値ａ_ｔｈを比較して示している。図１３、図１４にプロットしたグラフを見ると、時系列観測データが時系列標本データから外れているか否かが明確にわかる。

図１５および図１６はさらに分かりやすく、同じボールねじスライダを使用して発振させた場合の図７、図８に相当する結果である。図７、図８では小刻みにＨｉｇｈ／Ｌｏｗを繰り返していたデータ異常判定結果が継続的にデータ異常（Ｈｉｇｈ）を示している。

＜７−１−２：自由度Ｍ＝２で処理した場合＞
上記図７〜図１６では、いずれも自由度Ｍ＝１として、出力速度またはトルク指令の個別の信号に対してデータ異常の検出を行った場合を示した。これに対して自由度Ｍ＝２とした多変数解析での多元的なデータ異常の検出を行う場合には、上記（工程３）で自由度Ｍ＝２としたデータ異常判定しきい値ａ_ｔｈを算出し、出力速度とトルク指令の２乗和の平方根にて計算したマハラノビス距離ａ（ｘ’）と比較すればよい。

図１７は、図７、図８の条件から自由度Ｍ＝２の場合のマハラノビス距離ａ（ｘ’）とデータ異常判定しきい値ａ_ｔｈを比較したグラフを示している。図１７と図１３、図１４を比較すると、出力速度またはトルク指令のいずれかの時系列観測データが時系列標本データよりも大きく外れた時刻でマハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを超えていることが分かる。

＜７−２：周波数軸波形に対する適用結果＞
上記＜７−１＞では、時間軸波形（つまり時間領域）に対してデータ異常の検出手法を適用した。以下では、横軸に周波数軸を持つ周波数特性のデータに対して自由度Ｍ＝１の機械学習による手法を適用する。可動スライダがボールねじの反モータ側で２０回の周波数測定を実行し、これを時系列標本データとして取得する。その後、可動スライダがボールねじのモータ側で周波数測定を実行し、時系列観測データとして取得した。つまり、直近所定数の各時系列データを周波数解析し、周波数領域でのデータ異常の判定を行った。

図１８はゲイン特性、図１９は位相特性で、時系列標本データと時系列観測データを周波数軸上でプロットしたグラフを示している。また各図の下方には、誤報率α＝１％に設定したデータ異常判定の結果も２値的（Ｈｉｇｈ／Ｌｏｗ）にプロットしている。なお、比較のために、図２０、図２１は、時系列標本データと同じ位置でメカニカルアナリシスを実行した場合の時系列観測データのゲイン特性と位相特性の周波数軸上のグラフを示している。図１８では４０１点のデータ中１７８点（４４％）でデータ異常が検出され、図１９では１８５点（４６％）でデータ異常が検出されているのに対し、図２０では３０点（７．５％）、図２１では３４点（８．５％）でデータ異常が検出されており、明らかな差を確認できる。

＜８：本実施形態の効果＞
以上説明したように、本実施形態のモータ制御システム１００によれば、ステップＳ２５及びステップＳ１１０の手順でモータ駆動機構１の駆動中におけるモータ１２の入出力に関する時系列データを取得する。また、モータ制御システム１００は、ステップＳ５、ステップＳ１０、ステップＳ１５、ステップＳ４０、ステップＳ１１５、及びステップＳ１２０の手順で時系列データのデータ異常を判定する。また、モータ制御システム１００は、ステップＳ１３５の手順で、データ異常と判定された時系列データの取得態様に基づいて、モータ駆動機構１の機械異常を判定する。つまり、電動モータ駆動のモーション系機械制御に対して予兆診断を適用するに当たり、データ異常と機械異常を区別し、データ異常の発生態様（データ異常とされた時系列データの取得態様）に基づいて機械異常を判定する。この結果、微小なデータ異常の変化にとらわれず、機械システム全体の機械異常についてより有効で詳細かつ明確な判定が行える。また、モータ駆動機構１の機械異常の有無を判定することは、その時点の当該モータ駆動機構１の機械正常を判定することと同等とみなせる。例えば、上記ステップ１３５の判定が満たされず（Ｎｏ）、モータ駆動機構１が機械異常にないと判定された場合には、当該モータ駆動機構１が機械正常（異常な状態でなく正常な状態）であると判定されたとみなせる。このように機械正常を判定できる本実施形態のモータ制御システム１では、例えば大量生産されたモータ駆動機構１を個別に駆動制御して機械正常を判定することで、それぞれ設計通りの性能や機能を有するかの同一性を試験することができる。または、オーバーホールしたモータ駆動機構１の性能や機能が許容範囲内にあるかの健全性も検証できる。または、異なる２つのモータ駆動機構１の一方から取得した標本データと、他方から取得した観測データとを用いて他方の機械正常を判定することで、それら２つのモータ駆動機構１の間の性能や機能の類似性を検証することもできる。

なお、機械異常を判定する際に参照するデータ異常の時系列データの取得態様は、取得頻度に限られない。他にも、判定する対象の機械異常に応じて、取得時刻、取得周波数、異常データの取得組み合わせなど多様な取得態様（判定態様）が適用可能である。

また、本実施形態では特に、モータ１２は、運動方程式に基づくフィードバック制御により駆動制御されており、時系列データは、モータ１２に入力するトルク指令と、モータ１２が出力する出力速度の少なくともいずれか１つを含んでいる。これにより、正常駆動と観測駆動を同じ駆動動作で行う場合において、簡易に適切な時系列データを取得できるとともに、モータ駆動機構１の機械部分における動作状態について詳細に検証することができる。なお、データ異常を判定するにあたっては、出力速度に変えて出力位置を時系列データとして取得してもほぼ同様の結果が得られる。

また、本実施形態では特に、機械異常の種類を判定することにより、機械システムにどのような種類の機械異常が発生しているかが明確となり、機械異常に対するユーザの対処が容易となる。

また、本実施形態では特に、ステップＳ１３５の手順で、機械異常の種類としてモータ駆動機構１の経年劣化を判定する。これにより、ユーザは機械異常を改善するにあたって経年劣化の対処を行えばよいことが明確となり、利便性が向上する。

また、本実施形態では特に、ステップＳ１３５の手順で、データ異常と判定された時系列観測データの取得頻度が所定値を超えた場合に、経年劣化の機械異常が発生したと判定する。これにより、高い信頼性で経年劣化の機械異常を判定できる。

なお、経年劣化が進行するに従ってデータ異常の発生頻度が徐々に増加するとの考察に基づき、他の判定基準で経年劣化を判定してもよい。例えば、モータ駆動機構１の観測駆動を行う度にデータ異常と判定された時系列観測データの取得頻度が増加傾向にある場合に、経年劣化の機械異常が発生したと判定してもよい。具体的には、観測駆動を行う度にデータ異常と判定された時系列観測データの取得頻度を算出してその履歴を記録し、過去直近の観測駆動間で比較して取得頻度が増加傾向にあると判断した場合に、経年劣化の機械異常が発生したと判定すればよい。

また、機械異常の特性とデータ異常の判定態様の因果関係が理解されていれば、機械異常の種類として上記の経年劣化以外の種類の機械異常を判定することも可能である。例えば上記図１５、図１６に示したように、機械異常の種類としてモータ駆動機構１の発振を判定してもよい。これにより、ユーザは機械異常を改善するにあたって発振の対処を行えばよいことが明確となり、利便性が向上する。

そしてこの発振の判定基準として、データ異常と判定された時系列データが所定期間を超えて連続的に取得された場合に、発振の機械異常が発生したと判定する方法がある。これにより、モータ制御システム１００は高い確度で発振を判定できる。

また他にも、トルク指令と出力速度の両方でデータ異常と判定された場合に、発振の機械異常が発生したと判定する方法もある。これによっても、モータ制御システム１００は高い確度で発振を判定できる。さらに、自由度Ｍ＝１でトルク指令と出力速度でそれぞれ判定されたデータ上の正常／異常の組み合わせ、つまりデータ異常と判定された時系列データの取得組み合わせ（取得態様）に基づいて他の種類の機械異常を判定することもできる。具体的には図２２に示すように、トルク指令がデータ異常であって出力速度がデータ正常である場合には、大きな摩擦力に抗して出力速度を維持するようトルクが変動しているとみなせるため、外乱抑圧の機械異常にあると判定できる。また、トルク指令がデータ正常であって出力速度がデータ異常である場合には、トルクが維持されつつ出力速度が変動しているとみなせるため、すなわち機械揺れの機械異常にあると判定できる。なお、経年劣化が進行した結果で発振が生じる場合がある一方、新規の駆動機械１３でも設置ミスや調整ミスなどにより発振が生じる場合がある。このため、データ異常の発生態様は、機械異常の発生原因を推定する一助にも成り得る。

また、本実施形態では特に、ホテリングのＴ^２法によりデータ異常を判定する。これにより、信頼性の高い多変数解析によるデータ異常判定を実現できる。

また、本実施形態では特に、上記ホテリングのＴ^２法において、正常駆動時に取得した時系列標本データに基づいて標本平均μと標本共分散行列Σを算出する。またモータ制御システム１００は、これら標本平均μと標本共分散行列Σとともに観測駆動時に取得した時系列観測データに基づいてマハラノビス距離ａ（ｘ’）を算出する。そしてモータ制御システム１００は、マハラノビス距離ａ（ｘ’）とデータ異常判定しきい値ａ_ｔｈの比較により、時系列観測データのデータ異常を判定する。これにより、いわゆる「教師あり学習」でホテリングＴ^２法の機械学習を実行できることから、データ異常判定の信頼性を向上できる。なお、クラスタリングなどによるいわゆる「教師なし学習」で機械学習を利用してもよい。

また、本実施形態では特に、時間領域でデータ異常を判定することにより、モータ１２の出力位置などといった変位や配置などを考慮した機械異常の検討に好適となる。

なお、上記図１８〜図２１に示したように、周波数領域でデータ異常を判定してもよく、この場合には部品種類や原因などを考慮した機械異常の検討に好適となる。

また、本実施形態では特に、上記図７、図８、図１３〜図２１に示したように、時系列データの時間軸波形又は周波数軸波形とデータ異常の判定結果をオペレータ４の同一画面上に重ねて表示することで、機械異常の種類、発生箇所、又は原因などの推定に大きく貢献できる。

また、本実施形態では特に、上記図５の準備処理をセットアップＰＣ５のＣＰＵに実行させ、上記図６の経年劣化判定処理を上位制御装置３のＣＰＵに実行させる。このように準備処理と経年劣化判定処理を異なるＣＰＵで分担させて実行することで、各ＣＰＵにおける処理負担を軽減できるとともに、観測駆動時におけるデータ異常判定の処理速度及び信頼性を向上できる。

また、本実施形態では特に、準備処理を実行するセットアップＰＣ５が、観測駆動時（経年劣化判定処理の実行時）に（及び上位制御装置３）との接続から分離可能であることで、観測駆動時におけるシステム全体のハードウェアリソースを削減でき、堅牢性を向上できる。

なお各ＣＰＵにおける、準備処理と経年劣化判定処理、データ異常の判定と機械異常の判定、などの各処理の分担は上記実施形態に限られない。例えば、サーボアンプ２と上位制御装置３とセットアップＰＣ５の各ＣＰＵがどのような組み合わせで一体化してもよく、またどのような分担で実行してもよい。

＜９：変形例＞
なお、開示の実施形態は、上記に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。例えば、トルク指令や出力速度（出力位置）以外のデータを時系列データとして取得し、データ異常を判定することも有用である。例えば、上記図２に対応する図２３に示すように、外乱オブザーバ２７の出力を時系列データとして取得しデータ異常を判定してもよい。図示する例の外乱オブザーバ２７は、トルク指令と出力速度に基づいてモータ１２に付加される外乱を推定し出力している。これにより、正常駆動と観測駆動を異なる駆動動作で行う場合において、加速度の影響を排除した適切な時系列データを取得できる。

他にも、モータ１２が出力する出力速度（出力位置）が一定である際には、図２４に示すように速度偏差を時系列データとして取得しデータ異常を判定してもよい。これにより、正常駆動と観測駆動を異なる駆動動作で行う場合において、速度の影響を排除した適切な時系列データを取得できる。

また上記実施形態では、上位制御装置３がサーボアンプ２に位置指令を入力する位置制御を行う場合を例に挙げて説明したが、これに限られず速度指令を入力する速度制御を行う場合にも適用可能である。この場合には、サーボアンプ２が減算器、速度制御部、電流制御部、速度変換部で構成される速度制御フィードバックループのみを備えればよい。

また、特に図示しないが、モータ駆動機構１が備えるモータ１２は直動型のリニアモータであってもよく、その場合にはエンコーダ１１の代わりにリニアスケールが用いられ、トルク指令の代わりに推力指令が時系列データとして取得される。

なお、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。

また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。

また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。

１ モータ駆動機構
２ サーボアンプ
３ 上位制御装置
４ オペレータ
５ セットアップＰＣ
１１ エンコーダ
１２ モータ
１３ 駆動機械
２１ 減算器
２２ 位置制御部
２３ 減算器
２４ 速度制御部
２５ 電流制御部
２６ 速度変換部
２７ 外乱オブザーバ
１００ モータ制御システム

Claims (8)

1. モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、
   所定のデータ異常判定しきい値と、モータ駆動時における時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、
   前記データ異常の判定に基づいて前記モータ駆動機構の機械正常を判定する機械正常判定部と、
   を有することを特徴とするモータ制御システム。
2. 前記時系列検出データは、トルク指令、モータ速度、外乱オブザーバ推定値、及び速度偏差の少なくとも１つであることを特徴とする請求項１記載のモータ制御システム。
3. モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、
   所定のデータ異常判定しきい値と、モータ駆動時における時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、
   前記データ異常の発生頻度に基づいて前記モータ駆動機構の経年劣化を判定する機械劣化判定部と、
   前記機械劣化判定部が前記経年劣化の発生を検出した場合、前記経年劣化の発生を報知、及び前記モータの駆動制御を停止するモータ停止部と、
   を有することを特徴とするモータ制御システム。
4. モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、
   前記モータを正常駆動させて予め設定した所定のデータ異常判定しきい値と、前記モータを観測駆動させて検出した時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、
   前記データ異常の発生頻度に基づいて前記モータ駆動機構の経年劣化を判定する機械劣化判定部と、を備え、
   前記正常駆動と前記観測駆動とが同じ駆動動作であって、かつ前記時系列検出データがトルク指令、モータ速度、及びモータ位置の少なくとも１つ
   であることを特徴とするモータ制御システム。
5. モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、
   前記モータを正常駆動させて予め設定した所定のデータ異常判定しきい値と、前記モータを観測駆動させて検出した時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、
   前記データ異常の発生頻度に基づいて前記モータ駆動機構の経年劣化を判定する機械劣化判定部と、を備え、
   前記正常駆動と前記観測駆動とが異なる駆動動作であって、かつ前記時系列検出データが外乱オブザーバ推定値、速度偏差の少なくとも１つ
   であることを特徴とするモータ制御システム。
6. 前記機械劣化判定部は、
   前記モータ駆動機構の観測駆動を行う度にデータ異常と判定された時系列検出データの取得頻度が増加傾向にある場合においても、経年劣化が発生したと判定することを特徴とする請求項３乃至５のいずれか１項に記載のモータ制御システム。
7. 前記データ異常判定部は、
   時間領域でデータ異常を判定することを特徴とする請求項１乃至６のいずれか１項に記載のモータ制御システム。
8. 前記データ異常判定部は、
   周波数領域でデータ異常を判定することを特徴とする請求項１乃至６のいずれか１項に記載のモータ制御システム。
   

Images