JP2020080054A - 状態判定装置及び状態判定方法 - Google Patents

状態判定装置及び状態判定方法 Download PDF

Info

Publication number
JP2020080054A
JP2020080054A JP2018213071A JP2018213071A JP2020080054A JP 2020080054 A JP2020080054 A JP 2020080054A JP 2018213071 A JP2018213071 A JP 2018213071A JP 2018213071 A JP2018213071 A JP 2018213071A JP 2020080054 A JP2020080054 A JP 2020080054A
Authority
JP
Japan
Prior art keywords
state
unit
industrial machine
learning
data
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
JP2018213071A
Other languages
English (en)
Other versions
JP6867358B2 (ja
Inventor
淳史 堀内
Atsushi Horiuchi
淳史 堀内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Priority to JP2018213071A priority Critical patent/JP6867358B2/ja
Priority to DE102019130208.0A priority patent/DE102019130208B4/de
Priority to US16/680,799 priority patent/US11586949B2/en
Priority to CN201911102232.7A priority patent/CN111175596B/zh
Publication of JP2020080054A publication Critical patent/JP2020080054A/ja
Application granted granted Critical
Publication of JP6867358B2 publication Critical patent/JP6867358B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00Subject matter not provided for in other groups of this subclass
    • G01M99/005Testing of complete machines, e.g. washing-machines or mobile phones
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

【課題】産業機械から取得したデータに基づいて精度良く異常状態の判別をすることが可能な状態判定装置及び状態判定方法を提供すること。【解決手段】本発明の状態判定装置1は、産業機械に係るデータを取得するデータ取得部30と、データ取得部30が取得した産業機械に係るデータに基づいて、産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出部40と、エネルギー状態算出部40が算出した産業機械の各部の駆動に係るエネルギー状態に基づいて、産業機械の動作の正常乃至異常を推定する異常状態推定部38と、を備える。【選択図】図2

Description

本発明は、状態判定装置及び状態判定方法に関し、特に電動機で駆動する産業機械の保守を補助する状態判定装置及び状態判定方法に関する。
産業機械の保守は定期的あるいは異常発生時に行っている。産業機械を保守する際には、産業機械の動作時に記録しておいた産業機械の動作状態を示す物理量を用いることにより、保守担当者が産業機械の動作状態の異常有無を判定し、異常が生じた部品の交換などの保守作業を行なう。産業機械としては、射出成形機、工作機械、鉱山機械、木工機械、農業機械、建設機械などがある。
異常有無の判定には、機械学習を用いることが公知である。機械学習時に用いる学習データとして、産業機械の制御装置がセンサより取得した測定値又は産業機械の駆動部を制御する指令値である電流、電圧、位置、速度等が用いられる。例えば、特許文献1には、物理量を機械学習して最適な操作条件を算出する手段として、物理量としてセンサから直接得られる重量、寸法、および画像データから算出される外観、長さ、角度、面積、体積などを用いることが開示されている。また、特許文献2,3には、駆動部の負荷や樹脂圧力、アラーム発生履歴、機械操作履歴、工程監視データなどを教師あり機械学習して異常を判定することが示されている。
特開2017−030152号公報 特開2017−030221号公報 特開2017−202632号公報
しかしながら、産業機械の駆動部を構成する要素の諸元が異なる機械では、該機械より得られる測定値と機械学習時に入力した学習データの数値との乖離が大きく、正しく機械学習による判定ができない課題があった。また、機械学習で得た1つの学習モデルを多種多様なバリエーションを有する産業機械にて汎用的に使用できない課題があった。
また、産業機械を構成する機材や、該産業機械で取り扱われる部材等は様々であり、これが学習モデルの作成に影響を与えることがある。例えば、射出成形機を構成する可動部の機材の種類、射出成形機が製造する成形品の原材料である樹脂の種類、あるいは、射出成形機の付帯設備である金型、金型温調機、樹脂乾燥機などの種類が学習モデル作成時の学習条件と異なる場合、それら種類の差異の影響を受け、該機械より得られる測定値は学習モデル作成時に使用した測定値との間に乖離が生じるため、機械学習による異常有無の判定を正しく行えないことがあった。
ここで、機械学習の判定精度をあげるには、機械学習の学習モデルを作成する際に、学習条件として産業機械を構成する機材や産業機械で取り扱われる部材の組合せの数だけ多種多様な学習条件を準備して機械学習させる手段がある。しかしながら、多種多様な機材や部材を揃えて機械学習することは、多くのコストを要する。その上、産業機械を運転する際には、樹脂やワーク等の原材料を用意する必要があり、学習データを取得するために要する原材料のコストも大きい。また、学習データを取得する作業に、多くの時間を要する。そのため、効率的に学習データを収集できない課題があった。
また、学習モデル作成時の学習条件に含まれない機種、例えばモータ、減速機、可動部の組合せが異なる機械では、学習済の学習モデルで得られる推定結果の誤差が大きいため、機械学習で得た1つの学習モデルを多種多様なバリエーションを有する産業機械に汎用的に適用できない課題があった。
更に、該バリエーションに対応した数だけ異常有無を判定する状態判定装置を複数用意したり、異常有無の判定基準を複数用意して対応する手段では効率が悪い。
このような課題は、学習データとして取得したデータが電流、電圧、温度、位置、速度等の物理量であるため、学習対象の機械の機械状態の一部しか表現できておらず、産業機械が有する力学的あるいは電気的なエネルギーが考慮されていないことに起因する。
そこで本発明の目的は、産業機械から取得したデータに基づいて精度良く異常状態の判別をすることが可能な状態判定装置及び状態判定方法を提供することである。
本発明では、制御装置より取得した様々な物理量(産業機械を駆動する原動機の回転速度、電流等)を基にして運動エネルギー乃至電気エネルギーを導き、これらエネルギーを学習データの特徴量として機械学習して産業機械の駆動部の異常度を推定することによって、上記課題を解決する。
より具体的には、産業機械の機種が異なっていたり、産業機械の付帯設備や生産材が異なっても(例えば、機械のサイズが小型/大型と異なっていたり、産業機械を構成する構成部品が異なっていても)、駆動部が有する運動エネルギーを学習データとして用いることによって、それら構成部品の差異を吸収し、1つの学習モデルを多種多様な産業機械に汎用的かつ効率的に適用して異常有無を判定する手段を実現する。
また、機械学習の出力として得られる異常度を基に、異常の状態を表現するメッセージやアイコンを表示装置に表示したり、異常度が所定値以上の場合には作業者の安全を確保するため機械の可動部の動作を停止させたり、あるいは安全な状態で可動部が動作するように、可動部を駆動するモータを停止させたり減速させる手段も設ける。
そして、本発明の一態様は、産業機械における動作状態を判定する状態判定装置であって、前記産業機械に係るデータを取得するデータ取得部と、前記データ取得部が取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出部と、前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定部と、を備えた状態判定装置である。
本発明の他の態様は、産業機械における動作状態を判定する状態判定方法であって、前記産業機械に係るデータを取得するデータ取得ステップと、前記データ取得ステップで取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出ステップと、前記エネルギー状態算出ステップで算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定ステップと、を実行する状態判定方法である。
本発明により、産業機械の状態を電気エネルギー、運動エネルギーという共通の基準の基で判定することができるように成るため、構成や規模が異なる産業機械であっても精度良く異常状態の判別を行うことができるようになる。
第1実施形態による状態判定装置の概略的なハードウェア構成図である。 第1実施形態による状態判定装置の概略的な機能ブロック図である。 異常判定テーブルの例を示す図である。 異常状態の表示例を示す図である。 第2,3実施形態による状態判定装置の概略的なハードウェア構成図である。 第2実施形態による状態判定装置の概略的な機能ブロック図である。 第2実施形態による状態判定装置の概略的な機能ブロック図である。
以下、本発明の実施形態を図面と共に説明する。
図1は第1実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。本実施形態の状態判定装置1は、例えば産業機械を制御する制御装置上に実装することができる。また、本実施形態の状態判定装置1は、産業機械を制御する制御装置と併設されたパソコンや、該制御装置と有線/無線のネットワークを介して接続された管理装置3,エッジコンピュータ、セルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、状態判定装置1を、射出成形機を制御する制御装置と有線/無線のネットワークを介して接続されたコンピュータとして実装した場合の例を示す。なお、以下の各実施形態では、産業機械として射出成形機を例に取り説明するが、本発明の状態判定装置1が状態を判定する対象とする産業機械としては、射出成形機、工作機械、ロボット、鉱山機械、木工機械、農業機械、建設機械等を対象とすることができる。
本実施形態による状態判定装置1が備えるCPU11は、状態判定装置1を全体的に制御するプロセッサである。CPU11は、ROM12に格納されたシステム・プログラムをバス20を介して読み出し、該システム・プログラムに従って状態判定装置1全体を制御する。RAM13には一時的な計算データ、入力装置71を介して作業者が入力した各種データ等が一時的に格納される。
不揮発性メモリ14は、例えば図示しないバッテリでバックアップされたメモリやSSD(Solid State Drive)等で構成され、状態判定装置1の電源がオフされても記憶状態が保持される。不揮発性メモリ14には、状態判定装置1の動作に係る設定情報が格納される設定領域や、入力装置71から入力されたデータ、射出成形機2から取得される各種データ(機種、金型の質量や材質、樹脂の種類、工程を識別する信号等)、それぞれの射出成形機2の成形動作において検出される各種物理量(ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等)の時系列データ、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ14に記憶されたプログラムや各種データは、実行時/利用時にはRAM13に展開されても良い。また、ROM12には、各種データを解析するための公知の解析プログラム等を含むシステム・プログラムが予め書き込まれている。
状態判定装置1は、インタフェース16を介して有線/無線のネットワーク7と接続されている。ネットワーク7には、少なくとも1つの射出成形機2や、該射出成形機2による製造作業を管理する管理装置3等が接続され、状態判定装置1との間で相互にデータのやり取りを行っている。
射出成形機2は、プラスチック等の樹脂で成形された製品を製造する機械であり、材料である樹脂を溶かして金型内に充填(射出)して成形する機械である。射出成形機2は、溶融樹脂を金型内に射出するノズル、モータ(原動機)、伝達機構、減速機、可動部等の様々な機材で構成されており、各部の状態がセンサ等で検出され、各部の動作が制御装置により制御される。射出成形機2に用いられる原動機としては、例えば、電動機、油圧シリンダ、油圧モータ、空気モータ、AC同期モータ、AC誘導モータ、リニアモータ、超音波モータ、ブラシレスDCモータ、ステッピングモータ等が用いられる。また、射出成形機2に用いられる伝達機構としては、ボールネジ、歯車、プーリー、ベルト等が用いられる。
表示装置70には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ等がインタフェース17を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置71は、作業者による操作に基づく指令,データ等をインタフェース18を介してCPU11に渡す。
図2は、第1実施形態による状態判定装置1の概略的な機能ブロック図である。図2に示した各機能ブロックは、図1に示した状態判定装置1が備えるCPU11が、システム・プログラムを実行し、状態判定装置1の各部の動作を制御することにより実現される。
本実施形態の状態判定装置1は、データ取得部30、エネルギー状態算出部40、及び異常状態推定部38を備え、エネルギー状態算出部40は、電気エネルギー算出部32、運動エネルギー算出部34を、異常状態推定部38は、推定部120をそれぞれ備える。また、不揮発性メモリ14上には、データ取得部30が取得したデータが記憶される取得データ記憶部50と、異常判定テーブルを記憶する異常判定テーブル記憶部140が設けられている。
データ取得部30は、射出成形機2、及び入力装置71等から入力された各種データを取得する機能手段である。データ取得部30は、例えば、射出成形機2の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ、作業者により入力された射出成形機の保守作業に係る情報等の各種データを取得し、取得データ記憶部50に記憶する。データ取得部30は、これらのデータを、射出成形機2の制御装置が各部に指令する指令値や、制御装置が各部から計測した計測値、別途設置したセンサ等による検出値等として取得することができる。データ取得部30は、図示しない外部記憶装置や有線/無線のネットワークを介して他の装置からデータを取得するようにしても良い。
エネルギー状態算出部40は、データ取得部30が取得した各データについて射出成形機2の各部の駆動に係るエネルギー状態を算出する機能手段である。本実施形態によるエネルギー状態算出部40は、電気エネルギー算出部32と、運動エネルギー算出部34とを備えている。
電気エネルギー算出部32は、データ取得部30が取得した各データについて電気エネルギーに換算したデータを作成する機能手段である。電気エネルギー算出部32は、例えば射出成形機2から取得したモータ(原動機)に供給される電気エネルギーEを、以下に示す数1式を用いて算出する。なお、数1式において、Pは電力値、Vは電圧値、Iは電流値、Rは抵抗値、tは時間を示している。
Figure 2020080054
電気エネルギー算出部32が電気エネルギーの算出対象とする物理量は、ノズルの温度、ノズルを駆動するモータの電流/電圧、トルク、金型の温度、樹脂の圧力等が例示される。温度から電気エネルギーの変換については、予め実験等をしてノズルや金型を所定の温度に昇温するために必要とされる電気エネルギーを算出する式を求めておき(一般に、熱伝導方程式、及びジュールの法則の式から求めたものとなる)、求めた式を用いて電気エネルギーを算出するようにすれば良い。また、トルクや圧力から電気エネルギーへの変換については、モータに対して供給された電気エネルギーから、該モータによる駆動される運動エネルギー(運動エネルギー算出部34が算出)と、摩擦等によるエネルギーの損失分、位置エネルギーの増加分等を減算した値を便宜上用いるようにすれば良い。
運動エネルギー算出部34は、データ取得部30が取得した各データについて運動エネルギーに換算した学習データを作成する機能手段である。運動エネルギー算出部34は、例えば射出成形機2から取得した駆動部の駆動に係る運動エネルギーKを、以下に示す数2式を用いて算出する。なお、数2式において、mは駆動部の質量、vは駆動部の速度、Iは慣性モーメント、ωは駆動部を駆動するモータの回転角速度を示している。
Figure 2020080054
運動エネルギー算出部34が運動エネルギーの算出対象とする物理量は、ノズルを駆動するモータの速度、加速度、樹脂の流量及び流速等が例示される。
推定部120は、エネルギー状態算出部40が算出した射出成形機2の各部の駆動に係るエネルギー状態、即ち、電気エネルギー算出部32が算出した電気エネルギー及び運動エネルギー算出部34が算出した運動エネルギーとに基づいて、異常判定テーブル記憶部140に記憶された異常判定テーブルを参照して射出成形機2の異常を推定する機能手段である。異常判定テーブル記憶部140に記憶される異常判定テーブルには、予め射出成形機2の駆動部の異常を判別するための異常判別条件が設定されている。
図3は、異常判定テーブル記憶部140に記憶される異常判定テーブルの例を示している。異常判定テーブルには、データ取得部30が射出成形機2から取得したデータに基づいて判断される射出成形機2の動作状態に対して、該動作状態において正常と判別される条件又は異常と判別される条件の少なくともいずれかが関連付けられた異常判定条件が設定されている。図3の例では、射出成形機2の動作状態が、「射出部駆動用のモータが加速中」である場合、該モータに係る運動エネルギー及び電気エネルギーが時間毎に増加している場合には正常に動作していると判別し、それ以外の場合には異常であると判別する、という異常判別条件が設定されている。推定部120は、このような異常判別条件を用いて、射出成形機2が正常に動作しているのか、又は異常に動作しているのかを推定して出力する。異常判定テーブルに設定する異常判別条件は、射出成形機2の駆動部毎に設定するようにすれば良い。
推定部120が推定した結果(射出成形機の動作の正常/異常等)は、表示装置70に表示出力したり、図示しない有線/無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、状態判定装置1は、推定部120により推定された結果が所定の状態になった場合(例えば、推定部120が射出成形機2の動作が異常であると推定した場合等)、例えば図4に例示されるように、表示装置70への警告メッセージやアイコンでの表示出力をするようにしても良いし、射出成形機に対して運転の停止、減速、又はモータのトルクを制限する指令等を出力するようにしても良い。また、推定部120が異常を検出した駆動部分毎に、表示するメッセージやアイコン、異常時の動作指令を異なるようにしても良い。
上記構成を備えた状態判定装置1では、射出成形機2から取得されたデータを、運動エネルギー乃至電気エネルギーへと変換したデータを用いて推定部120が該射出成形機2の状態の推定を行うため、射出成形機2の種類等が異なっていたとしても電気エネルギー,運動エネルギーという共通の基準に基づいた単純な条件で動作の正常/異常を判別することができるようになる。
図5は第2,3実施形態による機械学習装置を備えた状態判定装置の要部を示す概略的なハードウェア構成図である。本実施形態の状態判定装置1は、機械学習装置100に係る構成を備えている点を除いて第1実施形態と同様の構成をしている。本実施形態の状態判定装置1が備えるROM12には、機械学習装置100とのやりとりを制御するためのプログラム等を含むシステム・プログラムが予め書き込まれている。
インタフェース21は、状態判定装置1と機械学習装置100とを接続するためのインタフェースである。機械学習装置100は、機械学習装置100全体を統御するプロセッサ101と、システム・プログラム等を記憶したROM102、機械学習に係る各処理における一時的な記憶を行うためのRAM103、及び学習モデル等の記憶に用いられる不揮発性メモリ104を備える。機械学習装置100は、インタフェース21を介して状態判定装置1で取得可能な各情報(例えば、射出成形機2の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ)を観測することができる。また、状態判定装置1は、機械学習装置100から出力される処理結果をインタフェース21を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対して図示しないネットワーク等を介して送信する。
図6は、第2実施形態による状態判定装置1と機械学習装置100の概略的な機能ブロック図である。図6に示される状態判定装置1は、機械学習装置100が学習を行う場合に必要とされる構成を備えている(学習モード)。図6に示した各機能ブロックは、図5に示した状態判定装置1が備えるCPU11、及び機械学習装置100のプロセッサ101が、それぞれのシステム・プログラムを実行し、状態判定装置1及び機械学習装置100の各部の動作を制御することにより実現される。
本実施形態の状態判定装置1は、データ取得部30、エネルギー状態算出部40、及び機械学習装置100上に構成された異常状態推定部38を備え、エネルギー状態算出部40は、電気エネルギー算出部32、運動エネルギー算出部34を、異常状態推定部38は、学習部110をそれぞれ備えている。また、不揮発性メモリ14上には、データ取得部30が取得したデータが記憶される取得データ記憶部50が設けられており、機械学習装置100の不揮発性メモリ104上には、学習部110による機械学習により構築された学習モデルを記憶する学習モデル記憶部130が設けられている。
本実施形態におけるデータ取得部30,エネルギー状態算出部40,電気エネルギー算出部32,運動エネルギー算出部34の動作は、第1実施形態と同様である。
前処理部36は、データ取得部30が取得したデータ、電気エネルギー算出部32が算出した射出成形機2の各部の電気エネルギーに係るデータ、及び運動エネルギー算出部34が算出した射出成形機2の各部の運動エネルギーに係るデータに基づいて、機械学習装置100による学習に用いられる学習データを作成する。前処理部36は、各データを機械学習装置100において扱われる統一的な形式へと変換(数値化、サンプリング等)した学習データを作成する。前処理部36は、機械学習装置100が教師なし学習をする場合においては、該学習における所定の形式の状態データSを学習データとして作成し、機械学習装置100が教師あり学習をする場合においては、該学習における所定の形式の状態データS及びラベルデータLの組を学習データとして作成し、機械学習装置100が強化学習をする場合においては、該学習における所定の形式の状態データS及び判定データDの組を学習データとして作成する。
学習部110は、前処理部36が作成した学習データを用いた機械学習を行う。学習部110は、教師なし学習、教師あり学習、強化学習等の公知の機械学習の手法により、射出成形機2から取得されたデータを用いた機械学習を行うことで学習モデルを生成し、生成した学習モデルを学習モデル記憶部130に記憶する。学習部110が行う教師なし学習の手法としては、例えばautoencoder法、k−means法等が、教師あり学習の手法としては、例えばmultilayer perceptron法、recurrent neural network法、Long Short−Term Memory法、convolutional neural network法等が、強化学習の手法としては、例えばQ学習等が挙げられる。
学習部110は、例えば、正常に動作している状態の射出成形機2から取得したデータに基づいて前処理部36が作成した学習データに基づいた教師なし学習を行い、正常状態で取得されたデータの分布を学習モデルとして生成することができる。このようにして生成された学習モデルを用いて、後述する第3実施形態による推定部120は、射出成形機2から取得されたデータに基づいて前処理部36が作成した状態データが、正常状態の動作時に取得されたデータからどれだけ外れているのかを推定し、推定結果としての異常度を算出することができる。
また、学習部110は、例えば、正常に動作している状態の射出成形機2から取得したデータに正常ラベルを、異常が発生した前後に射出成形機2から取得したデータに異常ラベルを付与したデータに基づいて前処理部36が作成した学習データを用いた教師あり学習を行い、正常データと異常データとの判別境界を学習モデルとして生成することができる。このようにして生成された学習モデルを用いて、後述する第3実施形態による推定部120は、射出成形機2から取得されたデータに基づいて前処理部36が作成した状態データが、正常データに属するのか、異常データに属するのかを推定し、推定結果としてのラベル値(正常/異常)とその信頼度を算出することができる。
上記構成を備えた状態判定装置1では、射出成形機2から取得されたデータを用いて学習部110が学習を行う。学習部110が学習に用いるデータは、その異常度の判定に係る主要なデータについては電気エネルギー算出部32,運動エネルギー算出部34により算出された電気エネルギー、運動エネルギーという共通の基準のデータへと変換されるため、異なる機材を備えた複数の射出成形機から取得されたデータであっても共通の基準に応じた効率的な学習を行うことができるようになる。学習部110により作成される学習モデルは後述する推定部120による射出成形機の状態の推定に用いられるが、学習に用いた射出成形機のみならず、他の射出成形機から取得されたデータに基づいた該射出成形機の状態の推定においても、電気エネルギー、運動エネルギーという共通の基準の基で射出成形機2の動作の正常/異常が判別されるように成る。
図7は、第3実施形態による状態判定装置1と機械学習装置100の概略的な機能ブロック図である。本実施形態の状態判定装置1は、機械学習装置100が推定を行う場合に必要とされる構成を備えている(推定モード)。図7に示した各機能ブロックは、図5に示した状態判定装置1が備えるCPU11、及び機械学習装置100のプロセッサ101が、それぞれのシステム・プログラムを実行し、状態判定装置1及び機械学習装置100の各部の動作を制御することにより実現される。
本実施形態の状態判定装置1は、第2実施形態と同様に、データ取得部30、エネルギー状態算出部40、及び機械学習装置100上に構成された異常状態推定部38を備え、エネルギー状態算出部40は、電気エネルギー算出部32、運動エネルギー算出部34を、異常状態推定部38は、推定部120をそれぞれ備えている。また、不揮発性メモリ14上には、データ取得部30が取得したデータが記憶される取得データ記憶部50が設けられており、機械学習装置100の不揮発性メモリ104上には、学習部110による機械学習により構築された学習モデルを記憶する学習モデル記憶部130が設けられている。
本実施形態によるデータ取得部30,エネルギー状態算出部40,電気エネルギー算出部32,運動エネルギー算出部34は、第2実施形態におけるデータ取得部30,エネルギー状態算出部40,電気エネルギー算出部32,運動エネルギー算出部34と同様の機能を備える。また、本実施形態による前処理部36は、データ取得部30が取得したデータ、電気エネルギー算出部32が算出した射出成形機2の各部の電気エネルギーに係るデータ、及び運動エネルギー算出部34が算出した射出成形機2の各部の運動エネルギーに係るデータに基づいて、機械学習装置100において扱われる統一的な形式へと変換(数値化、サンプリング等)した状態データSを作成する。前処理部36が作成した状態データSは、機械学習装置100による推定に用いられる。
推定部120は、前処理部36が作成した状態データSに基づいて、学習モデル記憶部130に記憶された学習モデルを用いた射出成形機の状態の推定を行う。本実施形態の推定部120では、学習部110により生成された(パラメータが決定された)学習モデルに対して、前処理部36から入力された状態データSを入力することで、射出成形機の状態に係る異常度を推定して算出したり、射出成形機の動作状態の属するクラス(正常/異常等)を推定して算出したりする。
推定部120が推定した結果(射出成形機の状態に係る異常度や射出成形機の動作状態の属するクラス等)は、表示装置70に表示出力したり、図示しない有線/無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、状態判定装置1は、推定部120により推定された結果が所定の状態になった場合(例えば、推定部120が推定した異常度が予め定めた所定の閾値を超えた場合、推定部120が推定した射出成形機の動作状態の属するクラスが「異常」になった場合等)、例えば図4に例示されるように、表示装置70への警告メッセージやアイコンでの表示出力をするようにしても良いし、射出成形機に対して運転の停止、減速、又はモータのトルクを制限する指令等を出力するようにしても良い。また、推定部120が異常を検出した駆動部分毎に、表示するメッセージやアイコン、異常時の動作指令を異なるようにしても良い。
上記構成を備えた状態判定装置1では、射出成形機2から取得されたデータを、運動エネルギー乃至電気エネルギーへと変換したデータを用いて推定部120が該射出成形機2の状態の推定を行うため、射出成形機2の種類等が異なっていたとしてもエネルギーという共通の基準の基で動作の正常/異常を高い精度で判別することができるようになる。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した実施形態では状態判定装置1と機械学習装置100が異なるCPU(プロセッサ)を有する装置として説明しているが、機械学習装置100は状態判定装置1が備えるCPU11と、ROM12に記憶されるシステム・プログラムにより実現するようにしても良い。
また、上記した実施形態では状態判定装置1を射出成形機2の制御装置とネットワーク7を介して接続されたコンピュータ上に実装した例を示したが、例えば異常状態推定部38の部分のみをホストコンピュータ上に実装して、データ取得部30,電気エネルギー算出部32,運動エネルギー算出部34を含む状態判定装置1本体をエッジコンピュータ上に実装する等、各構成要素の配置を適宜変更して実装するようにしても良い。
上記した実施形態では、エネルギー状態算出部40が備える電気エネルギー算出部32及び運動エネルギー算出部34のそれぞれが算出した電気エネルギー及び運動エネルギーを用いて産業機械の動作の正常/異常を判別する構成を示しているが、例えば運動エネルギーのみで産業機械の動作の正常/異常を判別する様に構成しても良く、その場合にはエネルギー状態算出部40は必ずしも電気エネルギー算出部32を備える必要はない。
1 状態判定装置
2 射出成形機
11 CPU
12 ROM
13 RAM
14 不揮発性メモリ
16,17,18 インタフェース
20 バス
21 インタフェース
30 データ取得部
32 電気エネルギー算出部
34 運動エネルギー算出部
36 前処理部
38 異常状態推定部
40 エネルギー状態算出部
50 取得データ記憶部
70 表示装置
71 入力装置
100 機械学習装置
101 プロセッサ
102 ROM
103 RAM
104 不揮発性メモリ
110 学習部
120 推定部
130 学習モデル記憶部
140 異常判定テーブル記憶部

Claims (13)

  1. 産業機械における動作状態を判定する状態判定装置であって、
    前記産業機械に係るデータを取得するデータ取得部と、
    前記データ取得部が取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出部と、
    前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定部と、
    を備えた状態判定装置。
  2. エネルギー状態算出部は、前記データ取得部が取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係る運動エネルギーを算出する運動エネルギー算出部を備える、
    請求項1に記載の状態判定装置。
  3. エネルギー状態算出部は、前記データ取得部が取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係る電気エネルギーを算出する電気エネルギー算出部を更に備える、
    請求項2に記載の状態判定装置。
  4. 前記異常状態推定部は、
    前記産業機械の駆動部の異常を判別するための異常判別条件が設定された異常判定テーブルを記憶する異常判定テーブル記憶部と、
    前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態が、前記異常判定テーブルに記憶された異常判別条件を満足するか否かを判定することにより前記産業機械の正常乃至異常の状態を判別する推定部と、
    を備える、
    請求項1〜3のいずれか1つに記載の状態判定装置。
  5. 前記異常状態推定部は、
    前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態を用いた機械学習を行い、学習モデルを生成する学習部を備える、
    請求項1〜3のいずれか1つに記載の状態判定装置。
  6. 前記異常状態推定部は、
    産業機械の各部の駆動に係るエネルギー状態に基づいて機械学習した学習モデルを記憶する学習モデル記憶部と、
    前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記学習モデル記憶部に記憶された学習モデルを用いた推定を行う推定部と、
    を備える請求項1〜3のいずれか1つに記載の状態判定装置。
  7. 前記学習部は、教師あり学習、教師なし学習、及び強化学習のうち少なくとも1つの学習を行う、
    請求項5に記載の状態判定装置。
  8. 前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告メッセージを表示する、
    請求項4又は6に記載の状態判定装置。
  9. 前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告アイコンを表示する、
    請求項4又は6に記載の状態判定装置。
  10. 前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に産業機械に運転の停止、減速、又はモータのトルクを制限する指令の少なくとも1つを出力する、
    請求項4又は6に記載の状態判定装置。
  11. 前記データ取得部は、有線又は無線のネットワークを介して接続された複数の産業機械からデータを取得する、
    請求項1〜10のいずれか1つに記載の状態判定装置。
  12. 前記産業機械と有線又は無線のネットワークを介して接続された、前記産業機械を管理する管理装置上に実装されている、
    請求項1〜10のいずれか1つに記載の状態判定装置。
  13. 産業機械における動作状態を判定する状態判定方法であって、
    前記産業機械に係るデータを取得するデータ取得ステップと、
    前記データ取得ステップで取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出ステップと、
    前記エネルギー状態算出ステップで算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定ステップと、
    を実行する状態判定方法。
JP2018213071A 2018-11-13 2018-11-13 状態判定装置及び状態判定方法 Active JP6867358B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018213071A JP6867358B2 (ja) 2018-11-13 2018-11-13 状態判定装置及び状態判定方法
DE102019130208.0A DE102019130208B4 (de) 2018-11-13 2019-11-08 Zustandsbeurteilungsvorrichtung und Zustandsbeurteilungsverfahren
US16/680,799 US11586949B2 (en) 2018-11-13 2019-11-12 State judgment device and state judgment method
CN201911102232.7A CN111175596B (zh) 2018-11-13 2019-11-12 状态判定装置以及状态判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018213071A JP6867358B2 (ja) 2018-11-13 2018-11-13 状態判定装置及び状態判定方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2020205218A Division JP2021057064A (ja) 2020-12-10 2020-12-10 状態判定装置及び状態判定方法

Publications (2)

Publication Number Publication Date
JP2020080054A true JP2020080054A (ja) 2020-05-28
JP6867358B2 JP6867358B2 (ja) 2021-04-28

Family

ID=70469426

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018213071A Active JP6867358B2 (ja) 2018-11-13 2018-11-13 状態判定装置及び状態判定方法

Country Status (4)

Country Link
US (1) US11586949B2 (ja)
JP (1) JP6867358B2 (ja)
CN (1) CN111175596B (ja)
DE (1) DE102019130208B4 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022094095A (ja) * 2020-12-14 2022-06-24 株式会社東芝 異常検出装置、異常検出方法、およびプログラム
WO2022158074A1 (ja) * 2021-01-25 2022-07-28 株式会社日本製鋼所 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム
WO2022158071A1 (ja) * 2021-01-25 2022-07-28 株式会社日本製鋼所 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム
WO2022176937A1 (ja) * 2021-02-22 2022-08-25 株式会社日本製鋼所 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
WO2024181240A1 (ja) * 2023-02-27 2024-09-06 パナソニックIpマネジメント株式会社 作業ユニット管理システム、作業ユニット管理装置、作業ユニット管理方法及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201910B (zh) * 2021-09-22 2024-09-24 湖南黑鲸数据科技有限公司 一种利用姿态传感仪精确核算工程机械工作工时的计时系统
DE102022211094A1 (de) 2022-10-20 2024-04-25 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Fehlererkennung in einem maschinellen System
CN117233602B (zh) * 2023-11-07 2024-01-30 迈为技术(珠海)有限公司 刺晶机老化检测方法和刺晶机

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06180269A (ja) * 1992-12-15 1994-06-28 Hitachi Ltd ポンプループ診断装置
JP2003251545A (ja) * 2002-02-28 2003-09-09 Denso Corp 刃具寿命診断システム
JP2015030240A (ja) * 2013-08-06 2015-02-16 東芝機械株式会社 電動機械および電動機械の電力監視方法
JP2016091312A (ja) * 2014-11-05 2016-05-23 株式会社東芝 異常診断装置及び異常診断方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2732956B2 (ja) * 1991-04-11 1998-03-30 東洋機械金属株式会社 表示装置を備えた射出成形機
JP2001282348A (ja) * 2000-03-31 2001-10-12 Mitsubishi Electric Corp 故障診断方法および故障診断装置
US7937168B2 (en) 2007-12-31 2011-05-03 United Microelectronics Corp. Automated abnormal machine tracking and notifying system and method
DE102015213026A1 (de) * 2015-07-13 2017-01-19 Siemens Aktiengesellschaft System zum Bereitstellen von kinetischer Energie für ein Antriebssystem eines Luftfahrzeugs
JP6346128B2 (ja) 2015-07-28 2018-06-20 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP6294268B2 (ja) 2015-07-31 2018-03-14 ファナック株式会社 射出成形機の異常診断装置
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6740247B2 (ja) * 2015-12-01 2020-08-12 株式会社Preferred Networks 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
JP6517728B2 (ja) 2016-05-12 2019-05-22 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
CN107016404A (zh) * 2017-02-24 2017-08-04 沈阳工业大学 基于d‑s证据融合的风力发电机组故障预测方法
US10969775B2 (en) * 2017-06-23 2021-04-06 Johnson Controls Technology Company Predictive diagnostics system with fault detector for preventative maintenance of connected equipment
DE112019000228T5 (de) * 2018-02-21 2020-09-10 Lantern Holdings, LLC Hochpräzise erkennung anormaler bewegungen für angetriebene werkzeuge

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06180269A (ja) * 1992-12-15 1994-06-28 Hitachi Ltd ポンプループ診断装置
JP2003251545A (ja) * 2002-02-28 2003-09-09 Denso Corp 刃具寿命診断システム
JP2015030240A (ja) * 2013-08-06 2015-02-16 東芝機械株式会社 電動機械および電動機械の電力監視方法
JP2016091312A (ja) * 2014-11-05 2016-05-23 株式会社東芝 異常診断装置及び異常診断方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022094095A (ja) * 2020-12-14 2022-06-24 株式会社東芝 異常検出装置、異常検出方法、およびプログラム
JP7414704B2 (ja) 2020-12-14 2024-01-16 株式会社東芝 異常検出装置、異常検出方法、およびプログラム
WO2022158074A1 (ja) * 2021-01-25 2022-07-28 株式会社日本製鋼所 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム
WO2022158071A1 (ja) * 2021-01-25 2022-07-28 株式会社日本製鋼所 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム
JP7553369B2 (ja) 2021-01-25 2024-09-18 株式会社日本製鋼所 異常検知システム、成形機システム及び異常検知装置
WO2022176937A1 (ja) * 2021-02-22 2022-08-25 株式会社日本製鋼所 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
JP7480080B2 (ja) 2021-02-22 2024-05-09 株式会社日本製鋼所 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
WO2024181240A1 (ja) * 2023-02-27 2024-09-06 パナソニックIpマネジメント株式会社 作業ユニット管理システム、作業ユニット管理装置、作業ユニット管理方法及びプログラム

Also Published As

Publication number Publication date
CN111175596A (zh) 2020-05-19
JP6867358B2 (ja) 2021-04-28
DE102019130208A1 (de) 2020-05-14
US11586949B2 (en) 2023-02-21
US20200151593A1 (en) 2020-05-14
DE102019130208B4 (de) 2024-06-13
CN111175596B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
JP6867358B2 (ja) 状態判定装置及び状態判定方法
JP6787971B2 (ja) 状態判定装置及び状態判定方法
JP6826086B2 (ja) 状態判定装置及び状態判定方法
JP6975188B2 (ja) 状態判定装置及び状態判定方法
JP6773738B2 (ja) 状態判定装置及び状態判定方法
JP7010861B2 (ja) 状態判定装置及び状態判定方法
JP2019146421A (ja) 故障予測装置及び機械学習装置
JP6708676B2 (ja) 異常要因特定装置
CN110962315B (zh) 状态判定装置以及状态判定方法
CN116034006B (zh) 状态判定装置以及状态判定方法
JP2021057064A (ja) 状態判定装置及び状態判定方法
JP7184997B2 (ja) 状態判定装置及び状態判定方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200410

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200714

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200722

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20201008

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201013

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201210

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: 20210309

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210408

R150 Certificate of patent or registration of utility model

Ref document number: 6867358

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150