JP2020060558A - 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 - Google Patents

工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 Download PDF

Info

Publication number
JP2020060558A
JP2020060558A JP2019169187A JP2019169187A JP2020060558A JP 2020060558 A JP2020060558 A JP 2020060558A JP 2019169187 A JP2019169187 A JP 2019169187A JP 2019169187 A JP2019169187 A JP 2019169187A JP 2020060558 A JP2020060558 A JP 2020060558A
Authority
JP
Japan
Prior art keywords
signal
frequency
dynamic signal
motion
amplitude
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.)
Granted
Application number
JP2019169187A
Other languages
English (en)
Other versions
JP7249254B2 (ja
JP2020060558A5 (ja
Inventor
ファンヅォウ・チェン
Fangzhou Cheng
アジャイ・ラガバン
Raghavan Ajay
ドクウー・ジュン
Deokwoo Jung
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.)
Palo Alto Research Center Inc
Original Assignee
Palo Alto Research Center Inc
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 Palo Alto Research Center Inc filed Critical Palo Alto Research Center Inc
Publication of JP2020060558A publication Critical patent/JP2020060558A/ja
Publication of JP2020060558A5 publication Critical patent/JP2020060558A5/ja
Application granted granted Critical
Publication of JP7249254B2 publication Critical patent/JP7249254B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

【課題】工場ロボットのメンテナンスは、ロボット故障の防止において不可欠であり得る。故障が発生する前に機械の劣化を検出することを必要とする。【解決手段】一実施形態では、機械内の故障を検出するためのシステムを提供することができる。動作中、システムは、機械に関連する動的信号を取得し、１つ以上の信号処理技術を動的信号に適用して動的信号に関連する周波数、振幅及び／又は時間周波数の情報を取得し、動的信号に関連する得られた周波数、振幅及び／又は時間周波数の情報から運動非感応性特徴を抽出し、かつ抽出された特徴に基づいて機械内で故障が生じるかどうかを判断することができる。【選択図】図１

Description

本開示は、概して、ロボット機械又はシステムの故障検出、診断、及び予後診断のためのシステム及び方法に関する。より具体的には、本開示は、電流、音響、又は振動の信号から抽出された運動非感知性特徴に基づく故障検出に関する。
工場ロボット及び他の同様のオートメーション機械は、自動製造プロセスにおける生産力、品質、及び安全性を向上させるために、様々な産業（例えば自動車産業及び家電産業）において広く使用されてきた。多くの現代の生産ラインは、多数のロボットを実装し得る。１つのロボットのみでの予期されない故障が、生産ライン全体の動作を中断させ、その結果、重大なダウンタイム損失、経済的損失、生産損失、及び作業者の怪我さえもたらす可能性を有し得る。
工場ロボットのメンテナンスは、ロボット故障の防止において不可欠であり得る。しかしながら、不必要なメンテナンスは、ダウンタイムを増加させる可能性があるため、スケジュールに基づくメンテナンス（例えば、所定時間間隔でメンテナンスを実行すること）は、大量生産ラインに対して非効率的であり得る。他方で、状態ベースメンテナンス（ＣＢＭ）（例えば、ロボットの現在の及び／又は予測される将来の状態に基づいてメンテナンスを計画／実行すること）は、不必要なメンテナンス及び計画外のダウンタイムを低減させることによって、資産の可用性を増加させることができる。ＣＢＭは、故障が発生する前に機械の劣化を検出することを必要とする。
一実施形態は、機械内の故障を検出するためのシステムを提供することができる。動作中、システムは、機械に関連する動的信号を取得し、１つ以上の信号処理技術を動的信号に適用して動的信号に関連する周波数、振幅、及び／又は時間周波数の情報を取得し、動的信号に関連する得られた周波数、振幅、及び／又は時間周波数の情報から運動非感知性特徴を抽出し、かつ抽出された特徴に基づいて機械内で故障が発生するかどうかを判断することができる。
この実施形態の変形例では、動的信号は、電流信号、振動信号、及び音響信号のうちの１つを含むことができる。
この実施形態の変形例では、システムは、取得された動的信号を更に前処理して、高周波ノイズを除去する。
この実施形態の変形例では、信号処理技術は、時間領域解析、周波数領域解析技術、及び時間周波数領域解析技術のうちの１つ以上を含むことができる。
更なる変形例では、時間領域解析技術は、ヒルバート変換を含むことができ、周波数領域解析技術は、フーリエ変換を含むことができ、時間周波数領域解析技術は、短時間フーリエ変換、ウェーブレット解析、及びマッチング追跡を含むことができる。
この実施形態の変形例では、システムは、取得した動的信号に関連する周波数及び／又は振幅の情報に基づいて、動的信号をいくつかの運動状態に更にセグメント化することができる。
更なる変形例では、運動状態は、アイドル状態、過渡状態、及び定常状態のうちの１つ以上を含むことができる。
更なる変形例では、運動非感知性特徴を抽出することは、定常状態の間に、最大電力を有する周波数成分の電力と他の周波数成分の総電力との比を計算すること、定常状態の間に、振幅変動指数を計算すること、及び、過渡状態の間に、動的信号のヒルバート変換に基づく振幅変動指数を計算すること、のうちの１つ以上を含むことができる。
更なる変形例では、動的信号をセグメント化することは、最大電力を有する周波数成分の分散を計算することを含む。
この実施形態の変形例では、故障が発生するかどうかを判断することは、抽出した特徴に基づいて特徴ベクトルを構築することと、教師なし機械学習技術を適用して特徴ベクトルを分類することと、を含むことができる。
更なる変形例では、教師なし機械学習技術は、ｋ平均クラスタリング技術又はガウスの混合モデル（ＧＭＭ）クラスタリング技術を含む。
一実施形態による、例示的なロボット監視及び故障検出システムを示す。 一実施形態による、例示的な時間領域ロボット電流信号を示す。 一実施形態による、例示的な周波数領域ロボット電流信号を示す。 一実施形態による、時間領域信号によって反映された、高速フーリエ変換（ＦＦＴ）に基づくクラスタリング結果を示す。 一実施形態による、例示的な短時間フーリエ変換（ＳＴＦＴ）に基づくクラスタリング結果を示す。 一実施形態による、正常及び異常な状態下でのロボット電流信号のＳＴＦＴの増幅図を示す。 一実施形態による、正常及び異常な状態下でのロボット電流信号のヒルバート変換の大きさを示す。 一実施形態による、ロボット電流信号へのギア故障の影響を示す図を示す。 一実施形態による、ロボット故障を検出するための例示的なプロセスを示すフローチャートを提示する。 一実施形態による、運動状態を推定するための例示的なプロセスを示すフローチャートを提示する。 一実施形態による、運動状態の推定例を示す。 一実施形態による、ＭＦＩを決定するための例示的なプロセスを示すフローチャートを提示する。 一実施形態による、例示的なクラスタリング結果を示す。 一実施形態による、過渡状態での局所的最大値及び最小値を示す。 一実施形態による、三次元特徴空間でのクラスタリング結果を示す。 一実施形態による、異なるロボットの健康状態下での動的信号のＳＴＦＴを示す。 一実施形態による、異なるロボットの健康状態下での動的信号の対応するヒルバート変換を示す。 一実施形態による、異なるロボット健康状態に関する特徴空間を示す。 一実施形態による、ロボット故障検知システムを促進する例示的なコンピュータシステムを示す。 一実施形態による、ロボット故障検出システムを促進する例示的な装置を示す。
図面において、同様の参照番号は、同じ図要素を指す。
本明細書に記載される実施形態は、工場ロボット内の故障を検出及び予測する技術的問題を解決する。より具体的には、故障監視及び検出システムは、ロボットからセンサデータを取得し、センサデータを前処理してノイズを除去し、様々な信号処理技術（例えば、ヒルバート変換（ＨＴ）及び短時間フーリエ変換（ＳＴＦＴ））を使用してセンサデータに関連した時間周波数振幅情報を取得することができる。より具体的には、センサデータは、電流信号（例えば、サーボモータとモータドライバとの間の電流信号）を含むことができる。次いで、システムは、処理された信号から運動非感知性特徴を抽出することができる。より具体的には、システムは、まず、センサデータから異なる運動状態期間を特定し、安定／過渡状態期間から（信号のＳＴＦＴから取得された）信号対雑音比（ＳＮＲ）及び（信号のヒルバート変換から取得された）振幅変動指数（ＭＦＩ）を抽出することができる。教師なし機械学習技術（例えば、ｋ平均クラスタリング）を適用することによって、システム、ロボットの故障を自動的に検出することができる。
多くのタイプのロボット故障があり、一部は軽微なものであり、一部は極めて重大なものである。一般的なタイプのロボット故障は、機械的故障（例えば、ギア故障）であり、これは時には極めて重大なものになり得る。そのような故障がロボット内で発生すると、故障に引き起こされた振動はサーボモータとモータドライバとの間の電流信号の振幅及び周波数に影響を及ぼし得る。したがって、このような電流信号を監視することにより、ロボットの健康情報を提供することができる。しかしながら、工場ロボットは通常、その正常な動作の間に異なる運動を経験するので、電流信号からロボット健康情報を抽出することは挑戦であり得、また、これらの運動は、更に電流信号の振幅及び周波数に影響を及ぼし得る。故障監視及び検出システムは、正常な運動による電流信号からロボットの異常による電流信号を分離する必要がある。いくつかの実施形態では、故障監視及び検出システムは、電流信号を監視し、電流信号から運動非感知性特徴を抽出することができる。次いで、このような運動非感知性特徴が解析されて、ロボットの健康に関する情報を提供することができる。このような特徴の解析は、多くの場合、機械学習技術と同様に様々な信号処理を含む。より具体的には、標識されたデータの欠如により、教師なし学習技術が使用され得る。
図１は、一実施形態による、例示的なロボット監視及び故障検出システムを示す。いくつかの実施形態では、ロボット故障監視及び検出システム１００は、工場側１０２及びロボットデータ解析センター１０４を含むことができる。ロボットデータ解析センター１０４は、工場側１０２の近く若しくはその中に位置することができるか、又は遠隔に位置することができる。工場側１０２では、ロボット１０６は、ロボット１０６のモータに電流を供給するモータドライバ１０８に連結される。電流センサ１１０は、モータドライバ１０８とモータとの間の電流を測定することができる。様々なタイプの電流センサが使用され得る。いくつかの実施形態では、磁気抵抗センサを使用して、通電ワイヤから放射された磁場を捕捉することによって、非開閉的方法で電流信号を間接的に検出することができる。電流センサ１１０は、電流データをロボットデータ解析センター１０４に送信するエッジ装置１１２に連結され得る。いくつかの実施形態では、電流データは、データ記憶ユニット１１４に送信され得る。データ記憶ユニット１１４は、以前に受信したセンサデータと同様に現在のセンサデータを記憶することができる。記憶されたセンサデータは、教師なし機械学習技術（例えば、ｋ平均クラスタリング）を使用してセンサデータをクラスタリングすることができる機械学習モジュール１１６に送信され得る。
機械学習モジュール１１６の出力は、電流信号がロボットの正常な又は異常な動作を示すかどうかを判断することができる診断モジュール１１８に送信され得る。異常な動作が検出される場合、診断モジュール１１８は、警告を工場側１０２に戻して送信する。例えば、警告は、ロボット１０６に対して必要なメンテナンスを実行してロボット１０６の更なる劣化を防止することができるメンテナンスクルー１２０によって受信され得る。いくつかの実施形態では、ロボット故障監視及び検出システム１００は、ロボット劣化プロセスを予測することができ、したがって、工場ロボットの状態ベースのメンテナンスを可能にすることができる。
いくつかの実施形態では、電流信号から運動非感知性特徴を抽出することは、時間領域信号、周波数領域信号、又は時間周波数領域信号から特徴を抽出することを含むことができる。特定の信号（例えば、周波数領域信号）は、運動依存性であり得る。図２は、一実施形態による、例示的な時間領域ロボット電流信号を示す。各信号については、水平軸は時間に対応し、垂直軸は振幅に対応する。図２では、時間領域電流信号は、２つのロボット動作シナリオ（正常な動作について１つ、及び異常な動作について１つ）につき取得される。より具体的には、信号セット２０２の信号は正常な動作条件下で得られ、信号セット２０４の信号は、異常な動作条件下で得られる。信号の測定時間は約２秒であり、サンプリング周波数は４８ｋＨｚであり得る。図２から分かるように、正常な及び異常な動作条件下での時間領域信号は、非常に類似しており、クラスタリングすることが困難になり得る。時間領域電流信号をクラスタリングする試みは、しばしば、ロボットの正常性の代わりに、ロボット運動に基づきクラスタリングされた信号をもたらす。
別の可能な解決策は、周波数領域電流信号を研究することである。いくつかの実施形態では、高周波ノイズ（例えば、コンバータスイッチングノイズ）を除去するために、電流信号を前処理することができる（例えば、ローパスフィルタを適用する）。図３Ａは、一実施形態による、例示的な周波数領域ロボット電流信号を示す。図３Ａに示す周波数領域電流信号は、図２に示される時間領域信号に高速フーリエ変換（ＦＦＴ）を適用し、次に、約２００Ｈｚのカットオフ周波数を有するローパスフィルタを適用することによって取得され得る。図３Ａでは、信号セット３０２及び３０４の周波数領域信号は、それぞれ、図２に示される信号セット２０２及び２０４に対応する。周波数領域電流信号の教師なし機械学習技術（例えば、ｋ平均クラスタリング）の適用は、信号が、運動依存性クラスタ（クラスタＩ及びＩＩ）にクラスタリングされる結果になり得る。図３Ｂは、一実施形態による、時間領域信号によって反映されたＦＦＴベースのクラスタリング結果を示す。図３Ｂに示される時間領域信号は、図３ＢがＦＦＴベースのクラスタリング結果を示すことを除き、図２に示される時間領域信号と同様である。図３Ｂに示されるように、クラスタＩにクラスタリングされた信号は、同様の運動パターンを有し、クラスタＩＩにクラスタリングされた信号は、同様の運動パターンを有する。
短時間フーリエ変換（ＳＴＦＴ）は、時変周波数情報を提供することができ、スライドウィンドウを使用してフーリエスペクトルを計算することによって得ることができる。
Figure 2020060558
式中、ｈ（ｔ）は、ウィンドウ関数である。図４は、一実施形態による、例示的なＳＴＦＴベースのクラスタリング結果を示す。ｋを３に等しく設定してｋ平均クラスタリング技術を使用することによって、様々なロボット電流信号が、それらのＳＴＦＴパターンに基づき３つの異なるクラスタにクラスタリングされている。この場合もやはり、クラスタリング動作は、運動ベースのクラスタをもたらす。同じクラスタ内の信号は、同様の運動パターンを有する。しかしながら、電流信号のＳＴＦＴをより詳細に見ると、ロボット故障に関連し得る特定の特徴を明らかにすることができる。
図５は、一実施形態による、正常な及び異常な条件下でのロボット電流信号のＳＴＦＴの増幅図を示す。左側の図面は、正常な動作条件についてのものであり、右側の図面は、異常な動作条件についてのものである。更に、左上及び右上の図面は、時間領域電流信号を示し、右下及び左下の図面は、対応する時間領域信号のＳＴＦＴを示す。下の図面は、周波数が時間とともに増加するとロボットの運動が加速され、周波数が時間とともに減少するとロボットの運動が減速することを示す。一方、周波数がほぼ一定のままである場合、円５０２及び５０４によって示されるように、ロボットの運動は、ほぼ定常状態にある（例えば、一定の周波数で回転する）。ＳＴＦＴ信号を定常状態条件（円５０２及び５０４で印を付けたもの）と比較すると、異なる時間の周波数成分は、正常な動作（上の図面）下では、より集中されたままであり、他方、異常な動作についての周波数成分は分散される（下の図面）ことが分かる。このような特徴は、正常なロボット動作と異常なロボット動作とを区別するために使用され得る。
ＳＴＦＴに加えて、ヒルバート変換は、ロボット電流信号の瞬時振幅及び周波数を理解するための良好なツールであり得る。ロボット電流信号ｉｓａ（ｔ）のヒルバート変換は、以下のように表すことができる。
Figure 2020060558
図６は、一実施形態による、正常な及び異常な状態下でのロボット電流信号のヒルバート変換の振幅を示す。上の２つの図面は、正常な動作条件についてのものであり、下の２つの図面は、異常な動作条件についてのものである。更に、左側の図面は時間領域電流信号を示し、右側の図面は、時間領域電流信号のヒルバート変換を示す。図５に示される状況と同様に、図６では、ロボット運動が（円６０２及び６０４で示されるような）定常状態にあるとき、ヒルバート変換の振幅は、正常なロボット動作では比較的平坦なままであるが、異常なロボット動作では著しく変化する。同様に、この特徴は、ロボット故障検出においても有用であり得る。
どの特徴が運動非感知性であり、ロボット故障を検出する際に最も有用であり得るかを判断するために、ロボット故障についての物理的な理解を有する必要がある。典型的なロボット故障は、ギア故障によって引き起こされ得る。図７は、一実施形態による、ギア故障のロボット電流信号への影響を示す図を示す。図７では、電源７０２は、モータ７０６を駆動するモータドライバ７０４に電力を供給する。モータ７０６は、ギア７０８の回転を引き起こすことができ、次いで、これがロボット７１０に運動を提供する。エンコーダ７１２は、位置制御を提供することができる。運動制御ユニット７１４は、位置フィードバックを受信し、それに応じてその出力電流を調節するモータドライバ７０４に運動制御信号を送信する。
ギア７０８の故障は、歯の剛性を交互に入れ替え、ひいては振動の振幅及び周波数の変調をもたらし得る。変調された振動は、モータのトルク及び／又は速度にリップルをもたらし得る。ギアを介して伝達されるトルクは、以下のように表すことができる。
Figure 2020060558
また、周波数も、以下のように変調することができる。
Figure 2020060558
式中、Ｎは、ギア故障によって引き起こされる故障周波数成分の数、ｆｓは、回転周波数であり、Ａｎ及びＴｎは、振動振幅であり、φｎは、振動位相である。
変調電流信号は、以下のように表すことができる。
Figure 2020060558
電流は、速度及びトルクの積に等しい電力に比例するため、電流ＩＣ１（ｔ）の振幅は、以下のように表すことができる。
Figure 2020060558
方程式（３）、（４）及び（５）を関係（６）に代入すると、下記の関係が得られる。
Figure 2020060558
関係（７）は、ギアに故障がない状況を説明する。（７）から、ギアの回転周波数ｆｓは、電流信号の振幅及び周波数の両方に影響を及ぼし得ることが分かる。
ギア７０８の速度及び／又はトルクリップルは、運動制御ユニット７１４にフィードバックし、次いで、これらのリップルによって影響を受ける制御信号を生成し、それをモータドライバ７０４に送信する位置にリップルをもたらし得る。その結果、モータドライバ７０４の出力電力は、運動の周波数復調及び振幅復調に起因する故障特徴を含み得る。モータドライバ７０４とモータ７０６との間に位置決めされた電流センサ７１６は、電流測定結果を提供することができる。
電流信号を監視することによって、モータ故障を検出することができる。いくつかの実施形態では、２つの手法が、故障を識別するために使用されている。その第１は、故障に関連する電流信号の周波数成分の信号対雑音比（ＳＮＲ）を決定することである。より具体的には、電流信号内の故障ｆ（ｔ）に関連する周波数成分は、以下のように表すことができる。
Figure 2020060558
第２の手法は、振幅変動指数（ＭＦＩ）と称される電流振幅における振動項を決定することである。二次項が無視される場合、電流信号の振幅は、以下のように表すことができる。
Figure 2020060558
いくつかの実施形態では、モータ故障解析は、モータ運動が定常状態にあるときに得られる電流信号を使用して実行される。より具体的には、システムは、故障を検出するために定常状態電流信号から特定の特徴を抽出することができる。前述のように、この手法は、故障解析における運動の影響を低減することができる。図８は、一実施形態による、ロボット故障を検出するための例示的なプロセスを示すフローチャートを示す。
動作中に、システムは、ロボットに関連する動的信号を監視する（動作８０２）。様々なタイプの動的信号（モータドライバからモータに送られる電流、振動、及び音響の信号（例えば、モータノイズ）を含むが、これらに限定されない）が、ロボット故障検出において有用であり得る。いくつかの実施形態では、電流センサを使用するシステムは、モータドライバとモータとの間に位置決めされた電流センサを使用して、モータドライバとモータとの間の電流信号を監視する。更に、システムは、振動を監視する運動センサ及び音を監視する音センサを使用することができる。いくつかの実施形態では、システムは、電流信号を連続的に監視し、複数のデータファイルを生成する。各データファイルは、短い時間（例えば、数秒）内の電流信号を含む。代替的な実施形態では、システムは、所定の時間間隔で電流信号をサンプリングし得る。各サンプリング周期は、約数秒であり得る。システムは、監視された信号を任意選択的に前処理することができる（動作８０４）。いくつかの実施形態では、高周波ノイズを除去するために１つ以上のローパスフィルタを適用することができる。
続いて、システムは、前処理された動的信号に対して１つ以上の信号処理動作を実行することができる（動作８０６）。いくつかの実施形態では、システムは、ＳＴＦＴ及びヒルバート変換（ＨＴ）などの動的信号の様々な変換を取得することができる。ＳＴＦＴ及びＨＴに加えて、他の時間周波数解析技術（限定するものではないが、ウェーブレット変換及びマッチング追跡（ＭＰ）を含む）を使用して、動的信号に関連する周波数及び／又は振幅の情報を取得することもできる。信号処理結果に基づいて、システムは、信号を異なる運動状態にセグメント化することができる（動作８０８）。いくつかの実施形態では、信号は、３つの異なる運動状態、アイドル状態、過渡状態、及び定常状態にセグメント化することができる。アイドル状態とは、運動がなく、瞬間信号の周波数がゼロである状況を指す。過渡状態とは、瞬間信号の振幅及び周波数の両方が変化する状況を指す。定常状態とは、瞬間信号の振幅及び周波数の両方が一定のままである状況を指す。いくつかの実施形態では、信号のセグメント化は、周波数の分散に基づいて実行することができる。より具体的には、システムは、特定の時点における信号の運動状態を推定することができる。
図９は、一実施形態による、運動状態を推定するための例示的なプロセスを示すフローチャートを示す。動作中に、システムは、動的信号（例えば、モータ電流信号）のＳＴＦＴを取得することができる（動作９０２）。各時刻で、システムは、ｆ＿ｌａｒｇｅｓｔと称される最大強度を有する周波数成分を見出すことができる（動作９０４）。次いで、システムは、最大強度を有する周波数成分（即ち、ｆ＿ｌａｒｇｅｓｔ）の分散を計算し（動作９０６）、計算された周波数分散に基づいて各時刻の運動状態を推定することができる（動作９０８）。より具体的には、システムは、周波数分散が所定の閾値を下回るとき、運動状態がアイドル状態又は定常状態のいずれかであると判断することができる。このような状況では、信号周波数がゼロである場合、運動状態はアイドルであり、一方、信号周波数がゼロでない場合、運動状態は定常状態である。
図１０は、一実施形態による、運動状態推定例を示す。図１０の左上の図面は、モータ電流信号のＳＴＦＴを示し、右上の図面は、各時刻で最大強度を有する周波数成分を示す。右下の図面は、周波数分散を示し、左下の図面は、推定状態を示し、状態＝１は、アイドル状態を示し、状態＝２は、過渡状態を示し、状態＝３は、定常状態を示す。
図８に戻ると、動的信号をセグメント化することに続いて、システムは、定常状態セグメントから運動非感知性特徴を抽出することができる（動作８１０）。様々なタイプの信号特徴は、故障検出を促進することができる。いくつかの実施形態では、システムは、動的信号（例えば、モータ電流信号）のＳＴＦＴからＳＮＲ情報を抽出し得る。例えば、システムは、各時刻で、最大強度を有する周波数成分を見出すことができる。前述のように、信号のＳＴＦＴは、
Figure 2020060558
であり、最大強度を有する周波数成分は、以下のように定義することができる。
Figure 2020060558
定常状態内の時刻ごとに、システムは、信号電力強度（即ち、最大強度を有する周波数成分の電力）とノイズ電力強度（即ち、他の全ての周波数成分の電力）との間の比を計算することができる。換言すれば、最も強い強度を有する周波数成分は信号とみなされ、他の全ての周波数成分はノイズとみなされ、かつＰ＿ｎｏｉｓｅ＝Ｐ＿ｔｏｔａｌ−Ｐ＿ｓｉｇｎａｌである。ＳＮＲは、次のように計算することができる
Figure 2020060558
いくつかの実施形態では、信号及びノイズ電力は、それぞれ、定常状態の期間にわたる平均信号及びノイズ電力であり得る。より低いＳＮＲは、故障を示し得る。
信号ＳＮＲに加えて、他の特徴も故障感知性であり得る。いくつかの実施形態では、システムは、動的信号の定常状態セグメントから振幅変動指数（ＭＦＩ）を抽出することができる。前述のように、ＭＦＩは、動的信号の振幅における振動の量を反映する。図１１は、一実施形態による、ＭＦＩを決定するための例示的なプロセスを示すフローチャートを示す。動作中に、システムは、時間領域動的信号にヒルバート変換を適用し（動作１１０２）、任意選択的に、ローパスフィルタを使用して波形を平滑化する（動作１１０４）。次いで、システムは、信号全体に対する局所的最大値及び最小値を見出すことができ（動作１１０６）、かつ定常状態セグメント及び／又は過渡状態セグメントに対する局所的最大値及び最小値を見出すことができる（動作１１０８）。次いで、システムは、定常状態及び／又は過渡状態における局所的最大値と最小値との間の平均差を計算し（動作１１１０）、局所的最大値及び最小値の平均にわたって結果を正規化することができる（動作１１１２）。正規化された結果は、ＭＦＩであり、以下のように表される。
Figure 2020060558
式中、Ｎは、定常状態での局所最大点の数である。比較的大きい（例えば、所定の閾値よりも大きい）ＭＦＩは、しばしば故障を示す。
図８に戻ると、運動非感知性特徴の抽出に続いて、システムは、抽出された特徴に基づいてモータ故障を検出することができる（動作８１２）。いくつかの実施形態では、モータ故障を検出することは、定常状態における信号ＳＮＲが所定の閾値を下回るかどうかを判断することを含み得る。そうである場合、故障が検出される。いくつかの実施形態では、モータ故障を検出することは、ＭＦＩが所定の閾値を上回るかどうかを判断することを含み得る。そうである場合、故障が検出される。故障を検出することに続いて、システムは警告を送信してメンテナンスクルーに通知することができる。いくつかの実施形態では、システムは、ロボットの制御ユニットに警告を送信してもよい。故障のタイプに応じて、制御ユニットはロボットの動作を停止して、ロボットの更なる損傷又は可能な作業者の怪我を防止することができる。
いくつかの実施形態では、教師なし機械学習技術を使用して、抽出された運動非感知性特徴に基づいて測定された動的信号をクラスタリングすることによって故障を検出することができる。図１２は、一実施形態による、例示的なクラスタリング結果を示す。より具体的には、上の図面は、生データを示し、各点は、特徴ベクトル［ＭＦＩ、ＳＴＦＴ＿ＳＮＲ］を表す。下の図面は、クラスタリング結果を示す。各データポイントは、短時間（例えば、数秒）の間に測定された電流信号に対応することに留意されたい。各セット内のデータポイントは、連続的な電流監視の結果であってもよく、又は電流信号の離散サンプリングによって取得されてもよい。図１２から分かるように、ほとんどのデータポイントは、円によって示されるように、誤って分類されたポイントが少なく、正確に分類されている。
クラスタリング結果のより綿密な研究により、これらの誤って分類されたデータポイントは、定常状態期間が短いか、又はそれを全く有さない電流信号を表すことが明らかになる。いくつかの実施形態では、クラスタリング精度を高めるために、特徴も、過渡的状態から抽出され得る。しかしながら、過渡期間における信号のＳＴＦＴは、正常な及び異常な動作条件につき、しばしば、極めて類似している。したがって、過渡的ＳＴＦＴ信号から故障感知性の運動非感知性特徴を抽出することは困難である。一方、過渡期間におけるＭＦＩは、正常なロボット条件及び異常なロボット条件につき異なる場合がある。
過渡状態ＭＦＩを計算するために、過渡状態における信号の局所的最大値及び最小値を捕捉するために、ヒルバート変換を平滑化するのに使用されるローパスフィルタのカットオフ周波数を増加させる必要がある（例えば、２０Ｈｚから１００Ｈｚまで増加させる）。過渡状態ＭＦＩを計算するためのプロセスは、図１１に示されるものと同様であり得る。図１３は、一実施形態による、過渡状態における局所的最大値及び最小値を示す。上の図面は、正常な動作条件の結果を示し、下の図面は、異常な動作条件の結果を示す。図１３から、異常な動作条件下では、信号の大きさがより大きく発振することが分かる。
図１４は、一実施形態による、三次元特徴空間内でのクラスタリング結果を示す。左の図面は、生データを示し、右側の図面は、クラスタリング結果を示す。図１４では、特徴ベクトルは、［ＭＦＩ、ＭＦＩ＿ｔｒａｎｓ、ＳＴＦＴ＿ＳＮＲ］の三次元であり、ここで、ＭＦＩは、定常状態でのＭＦＩ、ＭＦＩ＿ｔｒａｎｓは、過渡状態でのＭＦＩ、ＳＴＦＴ＿ＳＮＲは、定常状態でのＳＴＦＴ信号のＳＮＲである。この例では、以前に使用したｋ平均クラスタリング技術の代わりに、ガウス混合モデル（ＧＭＭ）クラスタリング技術が使用される。図１４から分かるように、クラスタリング結果は、向上した精度を示す。
故障を検出することに加えて、本発明の実施形態によって提供される解決策は、故障予後診断のために、又はモータの劣化を予測するためにも使用され得る。そのような劣化傾向は、ＳＮＲ及びＭＦＩデータの両方で別々に観察することができる。図１５Ａは、一実施形態による、異なるロボット健康状態下での動的信号のＳＴＦＴを示す。上から下に向かって、ロボット動作条件が悪化する。この例では、ギアは、摩耗不良を意図的に達成するために脱脂されている。上の図面は、故障のない状態についてのものであり、上から２番目の図面は、初期故障状態についてのものであり、下の図面は、重大な故障状態についてのものである。図面から分かるように、定常状態周波数成分は、初期故障状態で分散し始める。図１５Ｂは、一実施形態による、異なるロボット健康状態下での動的信号の対応するヒルバート変換を示す。図１５Ｂでの動作条件は、図１５Ａに示されるものに対応する。図１５Ａと同様、定常状態での振幅振動は、モータ状態が低下するにつれて、より顕著になる。
図１５Ｃは、一実施形態による、異なるロボット健康状態についての特徴空間を示す。左の図面は、全てのデータポイントを示し、右の図面は、異なる動作条件についての平均特徴値を示す。図１３から分かるように、モータ状態が悪化するにつれて、ＳＮＲは減少し、ＭＦＩは増加する。図１５Ａ〜１５Ｃはまた、初期故障の特徴がＳＴＦＴ及びヒルバート変換信号の両方に示されているが、ＳＴＦＴ信号により明確に示されていることも示す。換言すれば、ＳＴＦＴ信号の定常状態ＳＮＲを計算することにより、初期故障のより良好な指標を提供することができる。ＭＦＩ特徴は、振幅ベースであり、ノイズ及び信号変動の影響をより受けやすい。初期故障を検出又は予測する能力により、工場ロボットの状態ベースのメンテナンスが可能となる。例えば、一旦初期故障が検出されると、システムは、メンテナンスクルーに警告を送信して、より深刻な故障が発生する前に、ロボットに対して必要なメンテナンスを実行することができる。
図１６は、一実施形態による、ロボット故障検出システムを促進する例示的なコンピュータシステムを示す。コンピュータシステム１６００は、プロセッサ１６０２、メモリ１６０４、及び記憶装置１６０６を備える。コンピュータシステム１６００は、ディスプレイデバイス１６１０、キーボード１６１２、及びポインティングデバイス１６１４に結合され得、また、１つ以上のネットワークインタフェースを介してネットワーク１６０８に結合され得る。記憶装置１６０６は、オペレーティングシステム１６１８及びロボット故障検出システム１６２０を格納することができる。
ロボット故障検出システム１６２０は、コンピュータシステム１６００によって実行されると、コンピュータシステム１６００に本開示で説明される方法及び／又はプロセスを実行させることができる命令を含むことができる。ロボット故障検出システム１６２０はまた、ロボットに関連する動的信号を受信するための命令（信号受信モジュール１６２２）、受信信号を前処理する命令（信号前処理モジュール１６２４）、及び前処理された信号を処理するための命令（信号処理モジュール１６２６）を含むこともできる。更に、ロボット故障検出システム１６２０は、信号の運動状態を推定するための命令（状態推定モジュール１６２８）、運動非感知性特徴を抽出するための命令（特徴抽出モジュール１６３０）、及びロボット故障を検出するための命令（故障検出モジュール１６３２）を含むことができる。いくつかの実施形態では、故障検出モジュールは、教師なしの機械学習モジュールを含むことができる。
図１７は、一実施形態による、ロボット故障検出システムを促進する例示的な装置を示す。装置１７００は、有線、無線、量子光、又は電気通信のチャネルを介して互いに通信し得る複数のユニット又は装置を備えることができる。装置１７００は、１つ以上の集積回路を使用して実現され得、図１７に示されるものよりも少ない又は多いユニット又は装置を備えてもよい。更に、装置１７００は、コンピュータシステムに統合されてもよく、又は他のコンピュータシステム及び／若しくはデバイスと通信することができる別個のデバイスとして実現されてもよい。具体的には、装置１７００は、図１６のコンピュータシステム１６００のモジュール１６２２〜１６３２と同様の機能又は動作を実行するユニット１７０２〜１７１２（信号受信部１７０２、信号前処理ユニット１７０４、信号処理ユニット１７０６、状態推定ユニット１７０８、特徴抽出ユニット１７１０、及びエラー検出ユニット１７１２を含む）を備えることができる。装置１７００は、通信ユニット１７１４を更に含むことができる。
一般に、本発明の実施形態は、運動を伴う様々なタイプの装置の故障診断及び／又は予後診断の解決策を提供する。工場ロボットでの故障を検出することが、例として使用されてきた。実際には、この解決策は、工場ロボットでの故障を検出することに限定されない。また、構成部品（例えば、風力又はガスタービン、エンジン、ポンプなど）を移動させること、特に回転させることを含む他のタイプの装置又は機械類での故障を検出するために使用することもできる。更に、電流信号の様々な時間周波数表現（例えば、ＳＴＦＴ又はＨＴ）から運動非感知性特徴を抽出することに加えて、装置又は機械類に関連する他のタイプの動的信号から運動非感知性特徴を抽出することも可能である。例えば、風力タービンの振動又はノイズ信号から抽出された運動非感応性特徴は、風力タービンが正常に動作しているか否かを示し得る。
詳細な説明の項に記載された方法及びプロセスは、上記のようにコンピュータ可読記憶媒体に格納され得るコード及び／又はデータとして具体化することができる。コンピュータシステムが、コンピュータ可読記憶媒体に格納されたコード及び／又はデータを読み取り、実行するとき、コンピュータシステムは、データ構造及びコードとして具体化され、コンピュータ可読記憶媒体に格納された方法及びプロセスを実行する。
更に、上述の方法及びプロセスは、ハードウェアモジュール又は装置に含まれ得る。ハードウェアモジュール又は装置としては、特定用途向け集積回路（ＡＳＩＣ）チップ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定の時間に特定のソフトウェアモジュール又は１個のコードを実行する専用又は共有プロセッサ、及び現在知られているか又は後に開発される他のプログラム可能論理デバイスを含むことができるが、これらに限定されない。ハードウェアモジュール又は装置が起動されると、それらは、それらの内部に含まれる方法及びプロセスを実行する。

Claims (20)

  1. 機械内の故障を検出するための方法であって、
    前記機械に関連する動的信号を取得することと、
    １つ以上の信号処理技術を前記動的信号に適用して、前記動的信号に関連する周波数、振幅、及び／又は時間周波数情報を取得することと、
    前記動的信号に関連する前記取得された周波数、振幅、及び／又は時間周波数情報から運動非感知性特徴を抽出することと、
    前記抽出された特徴に基づいて、前記機械内で故障が発生するかどうかを判断することと、を含む、方法。
  2. 前記動的信号が、
    電流信号、
    振動信号、及び
    音響信号、
    のうちの１つを含む、請求項１に記載の方法。
  3. 前記取得された動的信号を前処理して、高周波ノイズを除去することを更に含む、請求項１に記載の方法。
  4. 前記信号処理技術が、
    時間領域解析技術、
    周波数領域解析技術、及び
    時間周波数領域解析技術、
    のうちの１つ以上を含む、請求項１に記載の方法。
  5. 前記時間領域解析技術が、ヒルバート変換（ＨＴ）を含み、前記周波数領域解析技術が、フーリエ変換（ＦＴ）を含み、前記時間周波数領域解析技術が、
    短時間フーリエ変換（ＳＴＦＴ）、
    ウェーブレット変換、及び
    マッチング追跡（ＭＰ）、
    のうちの１つ以上を含む、請求項４に記載の方法。
  6. 前記動的信号を、前記動的信号に関連する前記取得した周波数、振幅、及び／又は時間周波数情報に基づいて、いくつかの運動状態にセグメント化することを更に含む、請求項１に記載の方法。
  7. 前記運動状態が、
    アイドル状態、
    過渡状態、及び
    定常状態、
    のうちの１つ以上を含む、請求項６に記載の方法。
  8. 前記運動非感知性特徴を抽出することが、
    前記定常状態の間に、最大電力を有する周波数成分の電力と他の周波数成分の総電力との間の比率を計算すること、
    前記定常状態の間に、振幅変動指数を計算すること、及び
    過渡状態の間に、前記動的信号のヒルバート変換に基づく振幅変動指数を計算すること、のうちの１つ以上を含む、請求項７に記載の方法。
  9. 前記動的信号をセグメント化することが、最大電力を有する周波数成分の分散を計算することを含む、請求項６に記載の方法。
  10. 前記故障が発生するかどうかを判断することが、
    前記抽出した特徴に基づいて特徴ベクトルを構築することと、
    教師なし機械学習技術を適用して前記特徴ベクトルを分類することと、
    を含む、請求項１に記載の方法。
  11. 前記教師なし機械学習技術が、ｋ平均クラスタリング技術又はガウス混合モデル（ＧＭＭ）クラスタリング技術を含む、請求項１０に記載の方法。
  12. 機械内の故障を検出するための装置であって、
    前記機械に関連する動的信号を取得するための１つ以上のセンサと、
    前記動的信号に１つ以上の信号処理技術を適用して、前記動的信号に関連する周波数、振幅、及び／又は時間周波数情報を取得するように構成された信号処理モジュールと、
    前記動的信号に関連する前記取得された周波数、振幅、及び／又は時間周波数情報から運動非感知性特徴を抽出するように構成された特徴抽出モジュールと、
    前記抽出された特徴に基づいて、前記機械内で故障が発生するかどうかを判断するように構成された、故障検出モジュールと、を備える、装置。
  13. 前記１つ以上のセンサが、
    電流センサと、
    運動センサと、
    音センサと、
    を備える、請求項１２に記載の装置。
  14. 前記取得された動的信号を前処理して、高周波ノイズを除去するように構成された信号前処理モジュールを更に備え、前記信号処理モジュールが、
    時間領域解析技術、
    周波数領域解析技術、及び
    時間周波数領域解析技術、
    のうちの１つ以上を実施するように構成されている、請求項１２に記載の装置。
  15. 前記動的信号を、前記動的信号に関連する前記取得された周波数及び／又は振幅情報に基づいて、いくつかの運動状態にセグメント化するように構成された状態セグメント化モジュールを更に備える、請求項１２に記載の装置。
  16. 前記運動状態が、
    アイドル状態、
    過渡状態、及び
    定常状態、
    のうちの１つ以上を含む、請求項１５に記載の装置。
  17. 前記特徴抽出モジュールが、
    前記定常状態の間に、最大電力を有する周波数成分の電力と他の周波数成分の総電力との間の比率を計算すること、
    前記定常状態の間に、振幅変動指数を計算すること、及び
    過渡状態の間に、前記動的信号のヒルバート変換に基づく振幅変動指数を計算すること、のうちの１つ以上によって、前記運動非感知性特徴を抽出する、請求項１６に記載の装置。
  18. 前記状態セグメント化モジュールが、最大電力を有する周波数成分の分散を計算することによって、前記動的信号をセグメント化する、請求項１５に記載の装置。
  19. 前記故障検出モジュールが、
    前記抽出された特徴に基づいて、特徴ベクトルを構築することと、
    教師なし機械学習技術を適用して、前記特徴ベクトルを分類することと、
    とによって、前記故障が発生するかどうかを判断する、請求項１２に記載の装置。
  20. 前記教師なし機械学習技術が、ｋ平均クラスタリング技術又はガウス混合モデル（ＧＭＭ）クラスタリング技術を含む、請求項１９に記載の装置。
JP2019169187A 2018-10-11 2019-09-18 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 Active JP7249254B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/158,175 US11125653B2 (en) 2018-10-11 2018-10-11 Motion-insensitive features for condition-based maintenance of factory robots
US16/158,175 2018-10-11

Publications (3)

Publication Number Publication Date
JP2020060558A true JP2020060558A (ja) 2020-04-16
JP2020060558A5 JP2020060558A5 (ja) 2022-09-20
JP7249254B2 JP7249254B2 (ja) 2023-03-30

Family

ID=68242403

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019169187A Active JP7249254B2 (ja) 2018-10-11 2019-09-18 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴

Country Status (3)

Country Link
US (1) US11125653B2 (ja)
EP (1) EP3637209B1 (ja)
JP (1) JP7249254B2 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220152413A (ko) * 2021-05-06 2022-11-16 주식회사 원프레딕트 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치
WO2023195281A1 (ja) * 2022-04-07 2023-10-12 三菱電機株式会社 異常診断装置、異常診断方法及び異常診断プログラム

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111590580A (zh) * 2020-05-26 2020-08-28 贵州詹阳动力重工有限公司 一种破拆机器人电气故障检测方法及其装置
CN111929044B (zh) * 2020-07-15 2023-08-08 西门子工厂自动化工程有限公司 用于监控设备状态的方法、装置、计算设备和存储介质
CN112749366B (zh) * 2020-12-22 2023-03-07 电子科技大学 一种基于相干噪声抑制的电机故障特征提取方法
CA3206975A1 (en) * 2020-12-31 2022-07-07 Schneider Electric Systems Usa, Inc. Systems and methods for providing operator variation analysis for transient operation of continuous or batch wise continuous processes
FR3130968B1 (fr) * 2021-12-17 2024-04-12 Inst Polytechnique Grenoble Procede, dispositif, programme produit d’ordinateur et support d’enregistrement comportant ledit programme pour la detection d’une anomalie dans un systeme mecanique ou electromecanique
CN115771165B (zh) * 2022-12-06 2024-06-04 华中科技大学 无故障样本下的工业机器人故障检测与定位方法、系统
CN116533253B (zh) * 2023-07-03 2023-09-19 佛山智能装备技术研究院 一种基于反馈电流频谱分析的工业机器人故障诊断方法
CN116821834B (zh) * 2023-08-29 2023-11-24 浙江北岛科技有限公司 基于内嵌传感器的真空断路器检修管理系统
CN117828511B (zh) * 2024-03-04 2024-05-10 中国中医科学院广安门医院 一种麻醉深度脑电信号数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006053818A (ja) * 2004-08-13 2006-02-23 Kagawa Univ データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP2006226687A (ja) * 2005-02-15 2006-08-31 Hitachi Ltd 軸振動監視システム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5427107B2 (ja) * 2010-05-20 2014-02-26 株式会社日立製作所 監視診断装置および監視診断方法
JP5365595B2 (ja) 2010-09-15 2013-12-11 株式会社安川電機 減速機の異常判定方法、異常判定装置、ロボット及びロボットシステム
US9734001B2 (en) * 2012-04-10 2017-08-15 Lockheed Martin Corporation Efficient health management, diagnosis and prognosis of a machine
GB201404226D0 (en) * 2014-03-11 2014-04-23 Rolls Royce Plc Fault detection in induction machines
WO2017122292A1 (ja) * 2016-01-13 2017-07-20 三菱電機株式会社 運転状態分類装置
WO2017221588A1 (ja) * 2016-06-21 2017-12-28 三菱電機株式会社 負荷の異常検出装置
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
CN110191785B (zh) 2017-03-28 2022-04-26 Abb瑞士股份有限公司 用于监测工业机器人的方法、装置和系统
CN108195587B (zh) * 2018-02-12 2023-08-25 西安交通大学 一种电机滚动轴承故障诊断方法及其诊断系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006053818A (ja) * 2004-08-13 2006-02-23 Kagawa Univ データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP2006226687A (ja) * 2005-02-15 2006-08-31 Hitachi Ltd 軸振動監視システム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220152413A (ko) * 2021-05-06 2022-11-16 주식회사 원프레딕트 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치
KR102484471B1 (ko) * 2021-05-06 2023-01-06 주식회사 원프레딕트 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치
WO2023195281A1 (ja) * 2022-04-07 2023-10-12 三菱電機株式会社 異常診断装置、異常診断方法及び異常診断プログラム

Also Published As

Publication number Publication date
US20200116594A1 (en) 2020-04-16
EP3637209A1 (en) 2020-04-15
JP7249254B2 (ja) 2023-03-30
EP3637209B1 (en) 2022-03-30
US11125653B2 (en) 2021-09-21

Similar Documents

Publication Publication Date Title
JP7249254B2 (ja) 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
Su et al. Induction machine condition monitoring using neural network modeling
CN111164526B (zh) 异常判定系统、马达控制装置及异常判定方法
Ganga et al. IoT-based vibration analytics of electrical machines
CN113589163B (zh) 使用机器学习进行的感应电机状况监视
Cheng et al. High-accuracy unsupervised fault detection of industrial robots using current signal analysis
US10571890B2 (en) Diagnostic data acquisition system, diagnostic system, and computer readable medium
JP6849446B2 (ja) 振動監視システム
EP3759558B1 (en) Intelligent audio analytic apparatus (iaaa) and method for space system
EP4043699A1 (en) System and method for automated failure mode detection of rotating machinery
US10078062B2 (en) Device health estimation by combining contextual information with sensor data
Chalouli et al. Intelligent health monitoring of machine bearings based on feature extraction
EP4273564A1 (en) Apparatus, system and method for detecting anomalies in a grid
Hiruta et al. Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data
CN112100577A (zh) 基于长程相关性的设备运行稳定性在线监测方法及系统
JP2018028845A (ja) 異常予兆検出システムおよび異常予兆検出方法
Brecher et al. Optimized state estimation by application of machine learning
Amer et al. Machine tool condition monitoring using sweeping filter techniques
CN110191785B (zh) 用于监测工业机器人的方法、装置和系统
Raj An Improved Accuracy and Efficiency Based Defect Detection Method for Industrial Signal Processing
CN116533253B (zh) 一种基于反馈电流频谱分析的工业机器人故障诊断方法
US10928455B2 (en) System and methods for fault diagnosis in machines
Srinivasan et al. Techniques for stiction diagnosis and compensation in process control loops
Wang et al. A Degradation Condition Assessment Technique Based on online ISSE Degradation Feature and Logistic Regression Model

Legal Events

Date Code Title Description
RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20191001

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20191002

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220909

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220909

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220909

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221011

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221026

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221109

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230111

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230215

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230317

R150 Certificate of patent or registration of utility model

Ref document number: 7249254

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150