JP2021096639A - 制御方法、制御装置、機械設備、制御プログラム、記録媒体 - Google Patents

制御方法、制御装置、機械設備、制御プログラム、記録媒体 Download PDF

Info

Publication number
JP2021096639A
JP2021096639A JP2019227419A JP2019227419A JP2021096639A JP 2021096639 A JP2021096639 A JP 2021096639A JP 2019227419 A JP2019227419 A JP 2019227419A JP 2019227419 A JP2019227419 A JP 2019227419A JP 2021096639 A JP2021096639 A JP 2021096639A
Authority
JP
Japan
Prior art keywords
equipment
period
data
state
machine
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.)
Pending
Application number
JP2019227419A
Other languages
English (en)
Other versions
JP2021096639A5 (ja
Inventor
和久 定塚
Kazuhisa Sadatsuka
和久 定塚
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.)
Canon Inc
Original Assignee
Canon 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 Canon Inc filed Critical Canon Inc
Priority to JP2019227419A priority Critical patent/JP2021096639A/ja
Priority to US17/121,561 priority patent/US20210181732A1/en
Priority to CN202011473172.2A priority patent/CN112987682A/zh
Publication of JP2021096639A publication Critical patent/JP2021096639A/ja
Publication of JP2021096639A5 publication Critical patent/JP2021096639A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B23/0243Electric 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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254Electric 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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • 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
    • G05B23/0243Electric 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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0221Preprocessing 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manipulator (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】生産ラインに配置されたロボットのように、同一動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、正常状態の動作時の特徴を機械学習させるための学習データを適切に抽出する方法が求められていた。【解決手段】正常な状態の機械設備に係る計測値を第1の期間において取得し、前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第1の期間の内で前記機械設備が稼働状態であった期間を特定し、前記第1の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、前記機械学習用データを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する。【選択図】図1

Description

本発明は、センサ等からのデータに基づき、機械設備の故障の予兆を検出する際に用いる制御方法、制御装置、制御装置を備えた機械設備、制御プログラム、コンピュータ読み取り可能な記録媒体に関する。特に、機械学習により機械設備の故障予知モデルを生成する際に用いる学習用データの作成に関する。
機械設備は、構成部品の状態変化等により動作状態が時々刻々と変化し得る。その機械設備の使用目的に照らして動作状態が許容範囲内の場合を正常状態、許容範囲外の場合を故障状態(異常状態)と呼ぶものとする。例えば生産機械であれば、故障状態(異常状態)になると不良品を製造したり生産ラインを停止させるなどの不具合を発生させてしまうことになる。
生産機械等では、故障状態をなるべく発生させないようにするため、同一の作業を反復継続して行う場合であっても、定期あるいは不定期に保守作業を実施するのが一般的である。予防安全性を高くするには、保守作業の実施インターバルを短くするのが有効だが、保守作業中は生産機械等を停止させるため、保守作業の頻度を過度に高めると生産機械等の稼働率が低下してしまう。そこで、機械等がまだ正常状態ではあるが故障状態の発生が近くなった時にこれを検知できるのが望ましい。故障状態の発生が近づいたことを検知(故障の発生を予測)できれば、その時点で機械等の保守作業を実施すればよいので、稼働率が必要以上に低下するのを抑制することができるからである。
故障の発生を予測するための手法として、機械設備の状態を機械学習した学習済モデルを予め作成しておき、学習済モデルを用いて評価時の機械設備の状態を評価する手法が知られている。例えば、機械設備の正常状態の特徴を機械学習した学習済モデルを生成し、評価時の状態と機械学習した正常状態との乖離度を学習済モデルを用いて算出し、算出した乖離度に基づいて故障の発生を予測する方法が知られている。予測精度を高めるには、故障の予測に適した学習済モデルを構築することが重要であるが、そのためには機械学習の際に用いる学習用データの適否が問題となる。
例えば、特許文献1には、機械設備の状態を示すセンサ信号に基づきベクトルを抽出し、特徴ベクトルのデータチェックに基づき使用する特徴を選択することが記載されている。さらに、選択された学習データに基づき機械設備の正常モデルを作成することが記載されている。
また、特許文献2には、季節変動などに応じて季節ごとに準備した複数の学習データの選択に関して、多変量解析の結果である異常測度や各センサ信号の影響度の評価結果から、異常に応じて着目し選択すべきセンサ信号を選ぶことが記載されている。
特開2011−70635号公報 特開2011−59790号公報
機械設備においては、その運転状態を管理するため、様々なパラメータについて計測データが取得されている。機械設備の正常状態をモデル化するために機械学習用データを作成する場合には、機械設備が正常状態である時の動作中の計測データを適切に抽出することが重要である。
しかし、例えば生産ラインに設置されている工業用ロボットのような機械設備の場合には、正常状態である時の動作中のデータを適切に抽出することが困難であった。
生産ラインに配置されたロボットは、同一製品を繰り返し生産するため同一動作を繰り返し行うのが一般的であるが、ロボット自体は正常状態であったとしても、当該ロボットの前後の工程を担当する機械の状況により、動作が影響を受ける場合がある。例えば、ロボットが、前工程を担当する機械からワークを受け取り、担当する工程の作業(例えば部品の組付け)を行い、後工程を担当する機械にワークを渡す事例を考える。当該ロボットが正常状態であるとしても、前工程を担当する機械のサイクルタイムよりも当該ロボットのサイクルタイムの方が短いとすれば、当該ロボットには待ち時間が生じ、常に動作しているわけではなくなる。同様に、後工程を担当する機械のサイクルタイムよりも当該ロボットのサイクルタイムの方が短いとすれば、当該ロボットには待ち時間が生じ、常に動作しているわけではなくなる。
また、前後の工程のサイクルタイムと当該ロボットの動作のサイクルタイムが等しく設定されている場合でも、前後の工程で異常が発生すればワークの授受に支障が生じ、当該ロボット自身は正常状態であるとしても停止せざるを得ない場合がある。例えば、前工程を担当する機械からワークが送られて来るまで待機したり、後工程を担当する機械が受け取り可能になるまで動作を停止させたりするからである。
このように、当該ロボットが正常状態であるとしても、連続した計測データの中には待機中あるいは停止中の計測データも含まれており、正常状態の動作時の特徴を機械学習するための学習データとしてはノイズを含んだものとなってしまう。
また、待機中あるいは停止中のノイズとは別に、作業動作を繰り返し行う際の各種計測データの中には、正常状態の動作時の特徴を表さない計測データも含まれている。例えば、ロボットが6軸制御で動作する場合、プログラムされた作業動作の内容により、頻繁に動作する軸もあれば、動作の頻度が少ない軸や、全く動作しない軸も存在する。このため、各軸の駆動状態を計測するデータの中には、正常状態の動作時の特徴を反映しない計測データも含まれている。したがって、各種計測データの全てを用いるとすれば、正常状態の動作時の特徴を機械学習するための学習データとしては冗長であったり、ノイズを含んだものになってしまう。
特許文献1や特許文献2においては、学習用データを選択することについては認識されているものの、生産機械等の繰り返し動作をする機械設備において学習用データを選択して取得する具体的な方法については、十分な検討がなされていなかった。このため、従来の方法では、予測精度の高い学習済モデルを作成するのは困難であった。
そこで、例えば生産ラインに配置されたロボットのように、同一動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、正常状態の動作時の特徴を機械学習させるための学習データを適切に抽出する方法が求められていた。
本発明は、正常な状態の機械設備に係る計測値を第1の期間において取得し、前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第1の期間の内で前記機械設備が稼働状態であった期間を特定し、前記第1の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、前記機械学習用データを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、ことを特徴とする制御方法である。
また、本発明は、正常な状態の機械設備に係る計測値を第1の期間において取得し、前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第1の期間の内で前記機械設備が稼働状態であった期間を特定し、前記第1の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、前記機械学習用データを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、制御部を備える、ことを特徴とする制御装置である。
本発明によれば、例えば生産ラインに配置されたロボットのように、同一動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、正常状態の動作時の特徴を機械学習させるための学習用データを適切に抽出することができる。このため、予測精度の高い故障予知モデルを作成することができる。
実施形態の故障予知システムが備える機能ブロックを説明するための模式的な機能ブロック図。 実施形態のハードウェア構成を説明するための模式図。 実施形態における特徴量の抽出方法を説明するための模式図。 (a)1サイクル動作の計測データの例。(b)連続的に稼働している場合の単位記録データ(単位レコード)の例。(c)非動作状態であった期間が含まれている場合の単位記録データ(単位レコード)の例。 (a)稼働プロファイルを説明するための図。(b)稼働中と判定される場合を示す図。(c)非稼働を含むと判定される場合を示す例。 実施形態における機械学習方法を説明するための模式図。 実施形態における判定用閾値の決定方法を説明するための模式図。 実施形態における故障予知方法について説明するための模式図。 実施形態における故障予知モデルの生成の処理手順を示すフローチャート。 実施形態における故障予知の処理手順を示すフローチャート。 機械設備の一例である6軸ロボットを示す斜視図。 6軸ロボットの各回転関節の動作を示す図。 実施形態における稼働プロファイルの決定方法を説明するための模式図。
図面を参照して、本発明の実施形態として、機械設備の故障を予測する際に用いる故障予知システム、制御方法、制御装置、制御装置を備えた機械設備、制御プログラム、コンピュータ読み取り可能な記録媒体、等について説明する。
[機能ブロックの構成]
図1は、実施形態の故障予知システムが備える機能ブロックの構成を説明するための模式的な機能ブロック図である。尚、図1では本実施形態の特徴を説明するために必要な機能要素を機能ブロックで表しているが、本発明の課題解決原理とは直接関係のない一般的な機能要素については記載を省略している。また、図1に図示された各機能要素は機能概念的なものであり、必ずしも物理的に図示のごとく構成されていることを要しない。例えば、各機能ブロックの分散や統合の具体的形態は図示の例に限らず、その全部または一部を、使用状況等に応じて任意の単位で機能的または物理的に分散・統合して構成することが可能である。
図1に示すように、実施形態の故障予知システムは、診断対象である機械設備10と、故障予知装置100を備えている。
機械設備10は、例えば多関節ロボットや、生産ラインに設置される生産装置など、各種の産業機器である。機械設備10には、機械設備の状態を計測するための各種のセンサー11が設置されている。例えば、機械設備10が多関節ロボットの場合には、関節を駆動するモータの電流値を計測するセンサー、関節の角度センサー、速度や振動や音を計測するセンサーなどが設置され得る。ただし、これは単なる例示であり、機械設備10の種類や作業用途等により、適宜の種類、数のセンサーが、適宜の位置にセンサー11として設置され得る。センサー11には、力センサー、トルクセンサー、振動センサー、音センサー、撮像センサー、距離センサー、温度センサー、湿度センサー、流量センサー、pHセンサー、圧力センサー、粘度センサー、ガスセンサー等の各種センサーが用いられ得る。尚、図1では、図示の便宜のためセンサー11を単数で示したが、通常は複数のセンサーが設置される。
機械設備10は、故障予知装置100と通信可能に有線あるいは無線で接続されており、故障予知装置100はセンサー11が計測したデータを通信により取得することができる。
故障予知装置100は、故障予知モデルを作成する段階においては、センサー11から収集したデータを用いて機械設備の故障発生に相関性が高い特徴量を選択し、選択した特徴量を用いて機械学習して学習済モデル(故障予知モデル)を生成して記憶する。また、評価段階(故障予知段階)においては、センサー11から収集した評価時のデータを学習済モデルに入力し、学習済モデルの入力と出力とを用いて乖離度を算出し、故障発生に近づいているか否かを判定する。以下、故障予知装置100が有する機能ブロックについて順に説明する。
故障予知装置100は、制御部110、記憶部120、表示部130、入力部140を備えている。
制御部110は複数の機能ブロックを含んでいるが、これらの機能ブロックは、例えば記憶装置に記憶された制御プログラムを、故障予知装置100のCPUが読み出して実行することにより構成される。あるいは、故障予知装置100が備えるASIC等のハードウェアにより、機能ブロックの一部または全部を構成してもよい。
記憶部120は、センサーデータ記憶手段121、特徴量記憶手段122、稼働プロファイル記憶手段123、稼働状態判定記憶手段124、故障予知モデル条件記憶手段125、故障予知モデル記憶手段126を含んでいる。記憶部120が有するこれらの手段は、ハードディスクドライブ、RAM、ROMといった記憶装置の記憶領域に適宜割り当てられて構成される。記憶部120は、故障予知を実行するための処理に必要な各種のデータを取得して記憶するデータ取得部である。
表示部130および入力部140は、故障予知装置100が備えるユーザインターフェースである。表示部130には、例えば液晶ディスプレイや有機ELディスプレイなどの表示デバイスが用いられ、入力部140には、例えばキーボード、ジョグダイアル、マウス、ポインティングデバイス、音声入力機などの入力デバイスが用いられる。
制御部110のセンサーデータ収集手段111は、機械設備10のセンサー11から計測データを取得し、センサーデータ記憶手段121に格納する。すなわち、例えば機械設備10において計測された電流、速度、圧力や、振動、音、各部の温度、等の機械設備の状態に係る計測データを収集してセンサーデータ記憶手段121に格納する。
特徴量抽出手段112は、センサーデータ記憶手段121に格納された計測データに基づいて、機械設備10の状態の特徴を示す特徴量を抽出して、特徴量記憶手段122に格納する。例えば、特徴量データとして、機械設備の1動作サイクルの中で収集されたセンサーの計測値の最大値および/または最小値を抽出したり、あるいは平均値を算出しても良い。あるいは、例えば所定の期間分のセンサーの計測値を時系列の周波数領域へ積分変換したものでも良い。また、時系列に並べた計測値の時間に対する微分値や二次微分値でも良い。また、センサーの計測値(生データ)そのものが、故障の発生に近づいたか否かを検知する際の判断材料として有用である場合は、計測値そのものを特徴量データとして扱っても良い。本実施形態では、特徴量抽出手段112は、センサーの計測データに基づき特徴量を抽出あるいは算出し、時系列の特徴量データを作成して特徴量記憶手段122に格納する。尚、特徴量の抽出については、後に図3を参照して具体的に説明する。
状態判定手段113は、センサーデータ記憶手段121からセンサーデータを、特徴量記憶手段122から特徴量を、稼働プロファイル記憶手段123から稼働状態を判定するための稼働プロファイルの定義を、取得する。稼働プロファイルの定義とは、機械設備10が動作中(稼働中)であるか停止中(非稼働中)であるかを判定するための判断基準にかかる情報である。状態判定手段113は、取得した情報に基づき機械設備10が動作中(稼働中)であった期間を特定する。そして、動作中(稼働中)であると判定された期間に関する情報を稼働状態判定記憶手段124に格納する。尚、状態判定手段113は、センサーデータと特徴量を必ず両方とも取得しなければならないわけではなく、例えばセンサーデータのみにより機械設備10の稼働状態を判定できるのであれば、それだけを取得してもよい。
データ抽出手段114は、学習済モデルを生成する時には、稼働状態判定記憶手段124に記憶された機械設備の稼働中期間に関する情報と、故障予知モデル条件記憶手段125に記憶された情報に基づき、特徴量記憶手段122から特徴量を抽出する。抽出された特徴量は、機械学習用データとして故障予知モデル生成手段115に出力される。故障予知モデル条件記憶手段125には、種々の特徴量のうち機械設備が正常な状態の特徴を表すものを特定する情報が予め記憶されている。このため、機械学習用データとして、機械設備が正常な状態の特徴を表す特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される。
また、データ抽出手段114は、評価時には、稼働状態判定記憶手段124に記憶された機械設備10の稼働中期間に関する情報と、故障予知モデル条件記憶手段125に記憶された情報に基づき、特徴量記憶手段122から特徴量を抽出する。抽出された特徴量は、評価用特徴量データとして、故障判定手段116に出力される。このため、評価用特徴量データとして、機械学習時に用いたのと同種の特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される。
故障予知モデル生成手段115は、学習済モデルを生成する時にデータ抽出手段114から入力される機械学習用データを用いて学習済モデル(故障予知モデル)を生成し、故障予知モデル記憶手段126に格納する。
故障判定手段116は、評価時にデータ抽出手段114から入力される評価用の特徴量データを、故障予知モデル記憶手段126に格納された学習済モデル(故障予知モデル)に入力し、入力と出力の乖離度を算出する。そして、乖離度と判定用閾値とを比較して故障の予兆の有無を判定する。
故障通知手段117は、故障判定手段116の判定結果を、外部装置に通知したり、表示部130に表示したりする。
[ハードウェア構成]
図2に、実施形態の故障予知システムのハードウェア構成の一例を模式的に示す。故障予知システムは、図2に示すように、主制御手段としてのCPU1601、記憶装置としてのROM1602、およびRAM1603を備えたPCハードウェアを含むことができる。ROM1602には、後述する故障予知方法を実現するための処理プログラムや推論アルゴリズムなどの情報を格納しておくことができる。また、RAM1603は、その制御手順を実行する時にCPU1601のワークエリアなどとして使用される。また、制御系には、外部記憶装置1606が接続されている。外部記憶装置1606は、HDDやSSD、ネットワークマウントされた他のシステムの外部記憶装置などから構成される。
後述する本実施形態の故障予知方法を実現するためのCPU1601の処理プログラムは、HDDやSSDなどから成る外部記憶装置1606や、ROM1602(例えばEEPROM領域)のような記憶部に格納しておくことができる。その場合、故障予知方法を実現するためのCPU1601の処理プログラムは、ネットワークインターフェース(NIF)1607を介して、上記の各記憶部に供給し、また新しい(別の)プログラムに更新することができる。あるいは、故障予知方法を実現するためのCPU1601の処理プログラムは、各種の磁気ディスクや光ディスク、フラッシュメモリなどの記憶手段と、そのためのドライブ装置を経由して、上記の各記憶部に供給し、またその内容を更新することができる。故障予知方法を実現するためのCPU1601の処理を実行可能なプログラムを格納した状態における各種の記憶手段、記憶部、ないし記憶デバイスは、本発明の故障予知手順を格納したコンピュータ読み取り可能な記録媒体を構成する。
CPU1601には、図1に示したセンサー11が接続される。図2では、図示を簡略化するため、センサー11はCPU1601に直接接続されているように示されているが、例えばIEEE488(いわゆるGPIB)などを介して接続されていてもよい。また、センサー11は、ネットワークインターフェース1607、ネットワーク1608を介してCPU1601に接続される構成であってもよい。
ネットワークインターフェース1607は、例えばIEEE 802.3のような有線通信、IEEE 802.11、802.15のような無線通信による通信規格を用いて構成することができる。CPU1601は、ネットワークインターフェース1607を介して、他の装置1104、1121と通信することができる。例えば故障予知の対象となる機械設備がロボットであるなら、装置1104、1121は、当該ロボットの制御、管理のために配置されたPLCやシーケンサのような統轄制御装置や、管理サーバなどであってもよい。
図2に示す例では、UI装置(ユーザインターフェース装置)として、図1に示す入力部140および表示部130に関係する操作部1604および表示装置1605が接続されている。操作部1604は、ハンディターミナルのような端末、あるいはキーボード、ジョグダイアル、マウス、ポインティングデバイス、音声入力機などのデバイス(あるいはそれらを備える制御端末)によって構成することができる。表示装置1605は、状態判定手段113、故障予知モデル生成手段115、故障判定手段116等が実行する処理に係る情報を表示画面に表示できるものであればよく、例えば液晶ディスプレイ装置を用いることができる。
[故障予知方法について]
本実施形態において、故障予知装置100の故障予知モデル生成手段115は、いわゆる教師無し学習により学習済モデル(故障予知モデル)を構築する。いわゆる教師なし学習によって機械設備の故障の特徴を学習するには、故障無しの状態、すなわち機械設備が正常に動作しているときの稼働データのみを利用して機械学習する。教師なし学習とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているかを学習させる。すなわち、入力データに対して圧縮・分類・整形などの処理を行う装置に、入力データに対応した教師出力データを与えずに、処理を学習させる手法である。
教師なし学習の手法を用いた故障予知方法について、具体的に説明する。機械設備の使用目的に照らして動作状態が許容範囲内の場合を正常状態として、正常状態での機械設備の稼働データのみを用いて機械学習を行う。本実施形態では、教師なし学習モデルとして、オートエンコーダを用いる。
本実施形態は、機械学習に用いるデータの抽出方法に特徴がある。すなわち、機械設備が正常状態である場合のふるまいを表す特徴量を選び、選んだ特徴量の連続データのうち機械設備が稼働中の期間のデータのみを抽出して学習用データとして用いる。
まず、図3を参照して特徴量の抽出について説明する。故障予知の対象となる機械設備10が備えるセンサー11は、図3に例示するように、電流センサーであるセンサー1、速度センサーであるセンサー2、圧力センサーであるセンサー3を含むものとする。本実施形態に係る故障予知方法では、まずセンサー11に含まれる各センサーの計測データに基づき、機械設備10の運転状態を示す特徴量を抽出する。特徴量は、センサーの時系列の計測データに関して、周波数領域へ積分変換したり、時間に対する一次微分や二次微分を演算したり、フィルタリング処理をしたり、周期動作の最大値や最小値を抽出する等の処理を行うことにより抽出する。尚、前述したセンサーおよび計測データ処理は例示に過ぎず、機械設備の状態を把握するのに適したデータを取得できるのであれば、どのようなセンサーや計測データ処理であってもよい。また、センサーの計測データそのものにより機械設備の状態を容易に解析可能であるならば、特段の処理を行わずに計測データそのものを特徴量としてもよい。
図3は、センサー1、センサー2、センサー3の計測データ各々について三種の処理を行い、右側に示す合計9種の特徴量の時系列データが抽出された状態を模式的に示している。
次に、機械設備10が動作中(稼働中)であるか停止中(非稼働中)であるかを判定し、動作中(稼働中)の期間を特定する方法について説明する。
ここでは、機械設備10の一例として、生産ライン中に設置され、製造工程中の一工程を担当する多関節ロボットを挙げる。多関節ロボットは、前工程を担当する機械からワークを受け取り、担当する工程の作業(例えば部品の組付け)を行い、後工程を担当する機械にワークを渡すが、同一製品を繰り返し生産するため同一動作を繰り返し行う。
図11に、機械設備10の一例である6軸多関節ロボットの外観図を示す。
リンク200〜リンク206は、6つの回転関節J1〜J6により直列に接続されている。各回転関節には、モータの回転速度を計測するセンサー、関節の回転角度を計測するセンサー、トルクセンサーなどが設けられている。先端のリンクには、ロボットハンド210が取付け可能である。ロボットの動作を制御する制御装置101にはティーチングペンダント102が接続されており、操作者が動作を教示することができる。
生産ラインに設置されたロボットは、サイクル動作、すなわち決まった動作を繰り返し行うが、6軸多関節ロボットの場合には、サイクル動作の内容によって、頻繁に動作する軸もあれば、一切動作しない軸も存在し得る。例えば、一定の位置でワークの回転をする工程では、先端部の回転関節であるJ6のみが稼働すればよく、他の回転関節J1〜J5は動作しない。一方で、ワークを水平に移動させるような工程では、主に回転関節J1が稼働し、先端に近いJ5やJ6は稼働しないこともある。
図12に、6軸多関節ロボットの各回転関節の動作方向を示すが、各回転関節が駆動しているか否かは、例えば回転関節を駆動するモータの回転速度をセンサーで計測していればわかる。しかし、上述したように、サイクル動作の内容次第で各回転軸の動作は異なるため、当該ロボットが稼働中であるかどうかを判別するには、そのロボットが実施するサイクル動作において、最も頻繁に駆動される回転関節の回転速度を計測するのが良い。
ここでは、ロボットがサイクル動作をしている間に最も頻繁に駆動される回転関節を選択する方法を説明する。図13に示すのは、あるサイクル動作(例えば組立作業)をロボットが安定的に継続している場合の、回転関節J1〜J6の回転速度センサーの計測結果である。サイクル動作の1周期を10秒とし、6周期分のセンサー出力波形が示されている。図示のように、このサイクル動作(例えば組立作業)では、回転関節J5が全期間にわたり最も頻繁に駆動され、逆に回転関節J1やJ6は駆動されないことが判る。したがって、このサイクル動作を実行するロボットが稼働中であるか否かを判定するには、回転関節J5の回転速度をモニターするのが最も適していると言える。
最も頻繁に動作している回転関節を自動的に選択するには、故障予知装置100がセンサー11から安定稼働中の各回転関節の回転速度データを取得し、回転速度がゼロになる回数(グラフがゼロと交差する回数)を計測する。制御部110は、ゼロになる回数を各回転関節について比較し、最も回数の多い回転関節(図13の例ではJ5)を、稼働プロファイルに使用する回転関節に決定する。最も回数が多ければ、最も速度の切り替えが多いので稼働の判断をするのに適した回転関節だからである。すなわち、複数のセンサーにより計測された計測値のうち、機械設備が所定の繰り返し動作をする際の変化度が大きな計測値に基づいて、後述するプロファイル情報を設定する。
図4(a)に示すのは、このようにして決定された回転関節J5を駆動するモータの回転速度の計測データの例であり、担当する一工程を実行する期間(1サイクルの動作)の波形を示している。ここでは、1サイクル動作を10秒で行う場合を例にしている。
ところで、センサーデータ収集手段111は、センサー11から時系列に出力される計測データを収集してセンサーデータ記憶手段121に格納する。その際に、取り扱いの便宜のため、時間的に連続する計測データを所定時間(例えば60秒)毎に分割し、所定時間分の計測データを1つの単位記録データ(単位レコード)として扱う。各々の単位記録データ(単位レコード)に対応する期間を単位記録期間と呼ぶ。
図4(b)は、正常状態のロボットが連続的に動作(稼働)している場合の単位記録データ(単位レコード)を例示するグラフである。一方、すでに説明したように、生産ライン中に設置されたロボットでは、前後の工程を担当する機械の状況等により、一時的に動作を停止する(非動作状態になる)場合がある。その場合には、図4(c)に示すように、単位記録データ(単位レコード)には、非動作状態の計測データが含まれてしまうことになる。
図4(b)に例示した単位記録期間は、ロボットが連続的に稼働しているので、この単位記録期間に対応する特徴量を学習用データとして用いても問題はない。しかし、図4(c)に例示した単位記録期間には、たとえロボットが正常状態であったとしても非動作状態であった期間が含まれているので、この単位記録期間に対応する特徴量は、学習用データとしてはノイズを含んだものになっている。
そこで、本実施形態では、状態判定手段113は、センサーデータ記憶手段121に格納された各々の単位記録データ(単位レコード)に対応する単位記録期間について、機械設備(ロボット)が非動作状態になったか否かを調べる。
具体的には、繰り返し稼働される1サイクルの特徴に関するプロファイル情報を、予め稼働プロファイル記憶手段123に記憶しておく。この事例では、図5(a)に示すように、加減速を繰り返すモータの速度は、1サイクル(10秒)内で8回ゼロになる特徴を有するので、速度のゼロ交差回数が0.8回/秒であることを、稼働状態を示すプロファイル情報として予め記憶しておく。すなわち、プロファイル情報は、単位時間内に速度センサーの計測値がゼロになる回数に基づいて設定される。
状態判定手段113は、稼働プロファイル記憶手段123から稼働状態を示すプロファイル情報(速度のゼロ交差回数が0.8回/秒)を取得する。そして、センサーデータ記憶手段121に格納されたモータ速度の単位記録データ(単位レコード)の各々について、稼働状態であるか(非動作状態が含まれるか)を判定する。
例えば図5(b)に示すように、ロボットが停止することなく連続稼働していた場合には、60秒の単位記録データ(単位レコード)には48回のゼロ交差回数が計数され、0.8回/秒と算出され、プロファイルと一致するため、稼働中であると判定する。
一方、例えば図5(c)に示すように、単位記録データ(単位レコード)内にロボットが停止した期間が含まれていた場合には、ゼロ交差回数が24回しか計数されず、0.4回/秒と算出され、プロファイルと一致しないため、非稼働を含むと判定する。
尚、「稼働中」と判断するためのプロファイル情報は、必ずしも固定値(0.8回/秒)に設定しなくともよい。生産ラインにおけるロボット動作速度の揺らぎ(タクトタイムの揺らぎ)等を考慮して、例えば、0.8回/秒を中心とした±20%の範囲のように、所定の幅をもって設定してもよい。あるいは、例えば0.7回/秒を閾値として設定し、それ以上を「稼働中」、それ未満を「非稼働を含む」と判定してもよい。
以上のようにして、各単位記録データ(単位レコード)に対応する単位記録期間において、ロボットが「稼働中」であったか「非稼働を含む」であったかが判定される。このようにして、状態判定手段113は、ロボットが稼働状態にあった単位記録期間を特定し、その情報を稼働状態判定記憶手段124に格納する。例えば、時間軸にかかる情報(カレンダー情報)のうち、稼働中と判定された単位記録期間に「稼働」のラベルを付与し、非稼働を含んでいた単位記録期間に「ノイズ」のラベルを付与し、稼働状態判定記憶手段124に記憶させる。
機械学習を実施する際には、データ抽出手段は、「稼働」のラベルが付された単位記録期間の情報を稼働状態判定記憶手段124から読み出し、その単位記録期間に対応する特徴量を特徴量記憶手段122から抽出する。データ抽出手段は、抽出した特徴量を学習用データとして故障予知モデル生成手段115に向けて出力する。
このように、本実施形態によれば、時系列の特徴量データの中から、ロボットが稼働中(動作中)であった単位記録期間に対応する特徴量データのみを選択的に抽出することにより、ノイズの少ない機械学習用のデータを作成することができる。
次に、図6の模式図を参照して、上述のようにして抽出した学習用データを用いてオートエンコーダに機械学習させる方法について説明する。オートエンコーダは、入力された学習用データを、少ない情報量に圧縮(符号化)した後に復元(復号化)するニューラルネットワークの一種である。機械学習により「入力データをうまく圧縮し、復元するためのパラメータ」すなわち、入力データの特徴を学習する。
オートエンコーダは、入力値xをエンコードして中間層zに圧縮する。その後、中間層zをデコードして出力値yとして復元する。その際、入力値と出力値の復元誤差Jが少なくなるように機械学習する。
すなわち、オートエンコーダは、下記に示す数式3において復元誤差Jが少なくなるように、数式1のW、b、および数式2のW’、b’を定める。尚、sは活性化関数である。
Figure 2021096639
Figure 2021096639
Figure 2021096639
学習済のオートエンコーダ(学習済モデル、あるいは故障予知モデルと記す場合がある)に、学習用データと特徴が類似したデータを入力すれば、学習時に獲得したパラメータによる符号化・復号化により復元誤差が小さい出力値が出力される。一方、学習用データとは特徴が異なるデータを学習済モデルに入力すると、学習時に獲得したパラメータではうまく圧縮・復号ができないため、復元誤差が大きくなる。
この特性を故障状態(異常状態)の予知に利用するため、本実施形態では、ロボットが正常状態であって、かつ稼働中(動作中)であった期間に対応する特徴量を入力値xとしてオートエンコーダに与えて機械学習させる。
また、故障予知を行う際には、評価時に抽出された特徴量の中から、学習時に選択されたのと同種であって、かつ稼働中(動作中)であった期間に対応する特徴量を抽出し、入力値xとして学習済モデルに入力し、出力値yを出力させる。そして、入力値xに対する出力値yの復元誤差を算出し、復元誤差すなわち入力と出力の乖離度を機械設備が正常状態から乖離している程度を示す指標として扱う。
また、本実施形態では、乖離度を用いて機械設備の故障発生が近いか否かを判定する際に用いる判定用閾値を、予め設定しておく。判定用閾値を設定するには、まず、学習済モデルに、正常状態から故障発生に至るまでの実際の機械設備のセンサーデータに基づく特徴量を抽出して入力し、故障が発生するまでの乖離度の経時的変化を調べる。
本実施形態では、この場合の特徴量データとして、学習時に選択されたのと同種の特徴量(同じセンサーの計測データに同じ処理をして得られた特徴量)であって、かつ稼働中(動作中)であった期間に対応する特徴量を抽出したものを用いる。稼働中(動作中)であった期間の特定は、学習用データの作成において述べたのと同様に、稼働プロファイルを用いた判定により行う。乖離度の経時的変化に基づき、故障の発生が近づいたことを判定するための判定用閾値を設定する。乖離度が判定用閾値以上であれば、機械設備の故障発生が近い、すなわち故障の予兆ありと判定する。
図7は、判定用閾値の決定方法を具体的に説明するための図である。図7のグラフの横軸は時間(時刻)、縦軸は故障の発生に近づいた度合いを示す指標値(学習済モデルの入力と出力の乖離度)であり、正常状態の初期から故障の発生に至るまでの指標値の経時変化を示している。尚、図示の便宜上、稼働中(動作中)であった期間に対応する特徴量に基づいて求めた乖離度を、時間的に連続したグラフとして示している。
故障の発生が近づいたことを故障予知装置が予知・通知してから故障が発生するまでに、稼働時間として所定期間tを確保したい場合、すなわち故障の発生よりも所定期間tだけ前に故障予知装置に予知させたい場合を想定する。この場合には、図示のように故障発生から所定期間tだけ遡った時点の指標値(学習済モデルの入力と出力の乖離度)の数値を、故障予知の判定用閾値Tとして設定する(判定用閾値設定工程)。
次に、上述した学習済モデルと判定用閾値を用いた故障予知方法について説明する。図8に示すのは、オートエンコーダを用いた故障予知方法を説明するための模式図である。
学習済モデルに、評価時の機械設備の稼働状態を示す評価データを入力し、入力値と出力値を用いて、学習した正常状態に対して機械設備がどの程度離れた状態であるのかを示す乖離度を算出する。評価データとしては、学習時に選択されたのと同種の特徴量(同じセンサーの計測データに同じ処理をして得られた特徴量)についての評価時のデータであって、かつ稼働中(動作中)であった期間に対応する特徴量を抽出したものを用いる。稼働中(動作中)であった期間の特定は、学習用データの作成において述べたのと同様に、稼働プロファイルを用いた判定により行う。
具体的には、図8に示すように故障予知モデルに評価データを入力し、その結果得られる故障予知モデルの出力値yと入力値xの復元誤差Jを算出し、正常状態からの乖離度として扱う。本実施形態では、この乖離度を、故障の発生に近づいた度合いを示す指標値として扱う。乖離度(復元誤差J)が判定用閾値T以上である場合には、故障の発生までの期間が所定期間t以下である、すなわち故障の予兆ありと判定する。逆に、乖離度(復元誤差J)が判定用閾値T未満である場合には、故障の発生までの期間が所定期間tよりも長い、すなわち故障の予兆なしと判定する。
[処理手順について]
次に、故障予知装置100が実行する処理の手順を、図9及び図10のフローチャートを参照して説明する。
[モデルの生成]
図9は、故障予知モデルの生成についての処理手順を示すフローチャートである。
まず、ステップS101において、故障予知装置100のセンサーデータ収集手段111が、機械設備10の状態を計測するためのセンサー11から計測データを取得し、センサーデータ記憶手段121に格納する。すなわち、正常な状態の機械設備に係る計測値を第1の期間において取得する(計測データ取得工程)。
次に、ステップS102において、特徴量抽出手段112は、センサーデータ記憶手段121に格納されたセンサーデータに基づいて、機械設備10の運転状態の特徴を示す特徴量を抽出して、特徴量記憶手段122に格納する(特徴量抽出工程)。
次にステップS103において、状態判定手段113は、センサーデータ記憶手段121から、単位記録データ(単位レコード)を読み出す。
次にステップS104において、状態判定手段113は、読み出した単位記録データ(単位レコード)を、稼働プロファイル記憶手段123に記憶されたプロファイルと比較し、その単位記録期間においてロボットが稼働中であったかを判定する。稼働中であると判定した場合(ステップS104:yes)には、ステップS105に進み、状態判定手段113は、カレンダー情報のその単位記録期間に「稼働中」のラベルを付し、稼働状態判定記憶手段124に格納する。非稼働を含むと判定した場合(ステップS104:no)には、ステップS106に進み、状態判定手段113は、カレンダー情報のその単位記録期間に「ノイズ」のラベルを付し、稼働状態判定記憶手段124に格納する。
次にステップS107において、「稼働中」のラベルを付した単位記録期間が所定数に達したかを判定する。ここで、所定数とは、高精度な故障予測モデルを生成するのに十分な量の機械学習用データを確保するために予め定められた数である。「稼働中」のラベルを付した単位記録期間が所定数に達していない場合(ステップS107:no)には、所定数に達するまでステップS103以下を繰り返し行う。「稼働中」のラベルを付した単位記録期間が所定数に達した場合(ステップS107:yes)には、ステップS108に進む。
ステップS108において、データ抽出手段114は、稼働状態判定記憶手段124に記憶された機械設備が稼働中の期間に関する情報と、故障予知モデル条件記憶手段125に記憶された情報に基づき、特徴量記憶手段122から特徴量を抽出する。故障予知モデル条件記憶手段125には、種々の特徴量のうち機械設備が正常な状態の特徴を表すものを特定する情報(例えば、図3右に示した9種の特徴量の中から選択したもの)が予め記憶されている。また、稼働状態判定記憶手段124には、機械設備が稼働中の期間を特定する情報が記憶されている。このため、機械学習用データとして、機械設備が正常な状態の特徴を表す特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される(学習用データ抽出工程)。抽出された特徴量は、機械学習用データとして故障予知モデル生成手段115に出力される。
次にステップS109において、故障予知モデル生成手段115は、データ抽出手段114から入力される機械学習用データを用いて学習済モデル(故障予知モデル)を生成し、故障予知モデル記憶手段126に格納する(学習済モデル生成工程)。
以上の一連の処理を実行することにより、学習済モデル(故障予知モデル)を生成することができる。
[故障予知]
次に、機械設備10が故障の発生に近づいているか否かを判定する際に、生成した学習済モデル(故障予知モデル)を用いて故障予知装置100が実行する処理の手順を説明する。
図10は、処理手順を示すフローチャートである。機械設備10が故障の発生に近づいているか否かを判定する処理は、例えばユーザが故障予知装置100の入力部140を用いて処理の開始を指示することによりスタートする。あるいは、機械設備10の運転時間に応じて自動的に処理が開始されるように、故障予知装置100の制御プログラムを構成しておいてもよい。
処理が開始されると、ステップS201において、機械設備10の状態を計測するためのセンサー11から、故障予知装置100のセンサーデータ収集手段111が計測データを取得し、センサーデータ記憶手段121に格納する。すなわち、評価期間における機械設備に係る計測値を取得する。
次に、ステップS202において、特徴量抽出手段112は、センサーデータ記憶手段121に格納されたセンサーデータに基づいて、機械設備10の運転状態の特徴を示す特徴量を抽出して、特徴量記憶手段122に格納する。
次に、ステップS203においては、状態判定手段113がセンサーデータ記憶手段121から単位記録データ(単位レコード)を読み出し、稼働プロファイル記憶手段123に記憶されたプロファイルと比較する。そして、その単位記録期間においてロボットが稼働中であったかを判定する。稼働中であると判定した場合には、状態判定手段113は、カレンダー情報のその単位記録期間に「稼働中」のラベルを付し、稼働状態判定記憶手段124に格納する。非稼働を含むと判定した場合には、状態判定手段113は、カレンダー情報のその単位記録期間に「ノイズ」のラベルを付し、稼働状態判定記憶手段124に格納する。高精度な故障予知を行うのに十分なサンプル数の「稼働中」ラベルが確保されるまで、ステップS201からステップS203を繰り返すのが望ましい。カレンダー情報に、高精度な評価を行うのに十分な数の「稼働中」のラベリングが成されたら、ステップS204に進む。
ステップS204において、データ抽出手段114は、稼働状態判定記憶手段124に記憶された機械設備が稼働中の期間に関する情報と、故障予知モデル条件記憶手段125に記憶された情報に基づき、特徴量記憶手段122から特徴量を抽出する。故障予知モデル条件記憶手段125には、種々の特徴量のうち機械設備が正常な状態の特徴を表すものを特定する情報(例えば、図3右に示した9種の特徴量の中から選択したもの)が予め記憶されている。また、稼働状態判定記憶手段124には、機械設備が稼働中の期間を特定する情報が記憶されている。このため、評価用データとして、学習用データを作成した時に用いたのと同じ種類の特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される(評価用データ抽出工程)。抽出された特徴量は、評価用データとして故障判定手段116に出力される。
次に、ステップS205において、故障判定手段116は、データ抽出手段114から入力される評価用の特徴量データを、故障予知モデル記憶手段126に格納された学習済モデル(故障予知モデル)に入力し、入力と出力の乖離度を算出する。
次に、ステップS206において、故障判定手段116は、算出した乖離度と判定用閾値とを比較し、機械設備10が故障の発生に近づいているか否か、すなわち故障の予兆の有無を判定する。
乖離度が判定用閾値以上(ステップS206:yes)であれば、機械設備10の故障発生が近いと判定し、ステップS207に移行する。
ステップS207において、故障判定手段116は故障通知手段117に対して通知指令を発する。通知指令を受けた故障通知手段117は、故障判定手段116の判定結果をユーザに通知する。通知を行う際には、ユーザインターフェースを介してユーザに通知するとともに、判定に係る情報を記憶部120に記憶したり、外部インターフェースを通じて外部装置に提供してもよい。ユーザに通知するには、故障予知装置100の表示部130に表示したり、音声メッセージを発したり、紙等の媒体に印刷して出力する等の処理を行なってもよい。ユーザへの通知が完了すると、処理を終了(END)する。
乖離度が判定用閾値未満(ステップS206:no)であれば、機械設備10の故障発生が遠い、すなわち故障の予兆なしと判定し、処理を終了(END)する。尚、故障の予兆なしと判定した場合であっても、その結果をユーザに通知したり、判定に係る情報を記憶装置に記憶したり、外部インターフェースを通じて外部装置に提供してもよい。
以上のように、本実施形態では、例えば生産ラインに配置されたロボットのように、同一の動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、センサーの計測データに基づき各種の特徴量を抽出する。それらの特徴量の中から、ロボットの正常状態の動作を機械学習させるのに適した特徴量を選択する。
また、センサーの計測データの中から、ロボットがその動作を行う時に変化が著しい計測データを選択し、稼働状態である(動作を行っている)ことを特定するためのプロファイル情報を設定する。そして、任意の期間の計測データと、プロファイル情報を比較することにより、その期間にロボットが稼働状態であったかどうかを判定する。これにより、時系列の特徴量データの中から稼働状態であった期間の特徴量のみを抽出して機械学習用データを作成することができる。ノイズの少ない機械学習用データを作成することにより、従来と比較して予測精度の高い学習済モデル(故障予知モデル)を作成することができる。また、判定用閾値を設定する際、および評価用データを作成する際にも、稼働状態であった期間の特徴量のみを抽出することができるため、学習済モデル(故障予知モデル)を用いた故障予知の精度を高めることができる。
[他の実施形態]
本発明の実施は、以上説明した実施形態に限定されるものではなく、本発明の技術的思想の範囲内で多くの変形が可能である。
例えば、上述した実施形態では、いわゆる教師無し学習の手法により、オートエンコーダを用いて故障予知モデルを作成したが、本発明はいわゆる教師有り学習の手法を用いて故障予知モデルを作成して実施することも可能である。教師あり学習とは、ある入力と結果(ラベル)のデータの組を大量に学習装置に与えて、それらデータセットにある特徴を学習させ、入力から結果を推定するモデル、すなわち入出力の関係性を帰納的に獲得する学習済モデルを構築する手法である。
また、上述した実施形態では、機械学習の例としてニューラルネットワークを利用する方法を説明したが、機械学習の方法はこれに限られるものではなく、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどを用いてもよい。機械学習を行う装置としては、汎用の計算機もしくはプロセッサを用いることもできるが、GPGPU機能を備えたグラフィックス・プロセッシング・ユニットや、大規模PCクラスタ等を利用すると、高速処理が可能になる。
また、機械学習は1回に限られるわけではなく、追加学習を行ってもよい。その場合には、機械設備が稼働状態であった期間の特徴量のみを抽出して追加学習を行う。
また、稼働プロファイルには、その機械設備がその動作を行う時に最も頻繁に変化するパラメータを選ぶのが良いが、回転関節の回転速度はその一例にすぎず、機械設備の種類や動作内容により稼働状態を判定するためのパラメータは適宜選択され得る。
また、稼働中か、非稼働期間があるかを判断するのに、実施形態では単位時間あたりのゼロ交差点の回数を指標として用いたが、これに限られるものではない。例えば、単位時間あたりの変曲点の数や極値の数を指標としてもよい。
また、上述した実施形態では、故障予知装置は、取得したセンサーデータについて特徴量を抽出してから、稼働状態にある期間を特定し、全ての特徴量の中からその期間の特徴量を抽出したが、処理方法はこの例に限られるものではない。例えば、先にセンサーデータに基づいて稼働状態にある期間を特定し、その期間に相当するセンサーデータのみから特徴量を抽出してもよい。
本発明の故障予知装置は、例えば産業用ロボット、サービス用ロボット、コンピュータによる数値制御で動作する加工機械、等の様々な機械や設備の故障予知に適用することが可能である。機械設備と故障予知装置を一体化して故障予知システムを構成したり、機械設備の一部として故障予知装置を設けてもよい。
本発明は、実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
10・・・機械設備/11・・・センサー/100・・・故障予知装置/110・・・制御部/111・・・センサーデータ収集手段/112・・・特徴量抽出手段/113・・・状態判定手段/114・・・データ抽出手段/115・・・故障予知モデル生成手段/116・・・故障判定手段/117・・・故障通知手段/120・・・記憶部/121・・・センサーデータ記憶手段/122・・・特徴量記憶手段/123・・・稼働プロファイル記憶手段/124・・・稼働状態判定記憶手段/125・・・故障予知モデル条件記憶手段/126・・・故障予知モデル記憶手段/130・・・表示部/140・・・入力部

Claims (12)

  1. 正常な状態の機械設備に係る計測値を第1の期間において取得し、
    前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第1の期間の内で前記機械設備が稼働状態であった期間を特定し、
    前記第1の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、
    前記機械学習用データを用いた機械学習により学習済モデルを生成し、
    前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、
    ことを特徴とする制御方法。
  2. 前記評価時における前記機械設備の状態の判定において、
    評価期間における前記機械設備に係る計測値を取得し、
    前記評価期間における前記機械設備に係る計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記評価期間の内で前記機械設備が稼働状態であった期間を特定し、
    前記評価期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を評価用特徴量として抽出し、
    前記評価用特徴量と前記学習済モデルとを用いて、前記機械設備が前記正常な状態から乖離した度合いを示す指標値を求め、前記評価期間における前記機械設備の状態を判定する、
    ことを特徴とする請求項1に記載の制御方法。
  3. 前記機械学習用データとして抽出した前記特徴量と同種の特徴量についての前記機械設備が正常状態から異常状態に至るまでのデータを前記学習済モデルに入力し、前記学習済モデルに入力した入力データと前記学習済モデルから出力される出力データとの乖離度を求め、前記機械設備が正常状態から異常状態に至るまでの期間における前記乖離度の経時変化に基づき判定用閾値を設定し、
    前記指標値と前記判定用閾値を用いて前記評価期間における前記機械設備の状態を判定する、
    ことを特徴とする請求項2に記載の制御方法。
  4. 前記判定用閾値の設定において、前記機械設備が正常状態から異常状態に至るまでのデータのうち、前記機械設備が稼働状態であった期間のデータを抽出して前記学習済モデルに入力する、
    ことを特徴とする請求項3に記載の制御方法。
  5. 前記計測値は複数のセンサーにより計測された複数の計測値を含み、
    前記プロファイル情報は、前記複数の計測値のうち、前記機械設備が所定の繰り返し動作をする際の変化度が大きな計測値に基づいて設定される、
    ことを特徴とする請求項1乃至4のいずれか1項に記載の制御方法。
  6. 前記プロファイル情報は、単位時間内に速度センサーの計測値がゼロになる回数に基づいて設定される、
    ことを特徴とする請求項1乃至5のいずれか1項に記載の制御方法。
  7. 前記学習済モデルの生成において、オートエンコーダを用いた機械学習により前記学習済モデルを生成する、
    ことを特徴とする請求項1乃至6のいずれか1項に記載の制御方法。
  8. 前記機械設備の状態の判定において判定された結果を、制御部が通知する、
    ことを特徴とする請求項1乃至7のいずれか1項に記載の制御方法。
  9. 正常な状態の機械設備に係る計測値を第1の期間において取得し、
    前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第1の期間の内で前記機械設備が稼働状態であった期間を特定し、
    前記第1の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、
    前記機械学習用データを用いた機械学習により学習済モデルを生成し、
    前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、制御部を備える、
    ことを特徴とする制御装置。
  10. 請求項9に記載の制御装置を備えた機械設備。
  11. 請求項1乃至8のいずれか1項に記載の制御方法をコンピュータが実行可能な制御プログラム。
  12. 請求項11に記載の制御プログラムを格納した、コンピュータで読み取り可能な記録媒体。
JP2019227419A 2019-12-17 2019-12-17 制御方法、制御装置、機械設備、制御プログラム、記録媒体 Pending JP2021096639A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019227419A JP2021096639A (ja) 2019-12-17 2019-12-17 制御方法、制御装置、機械設備、制御プログラム、記録媒体
US17/121,561 US20210181732A1 (en) 2019-12-17 2020-12-14 Control method, control apparatus, and mechanical equipment
CN202011473172.2A CN112987682A (zh) 2019-12-17 2020-12-15 控制方法、控制装置和机械设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019227419A JP2021096639A (ja) 2019-12-17 2019-12-17 制御方法、制御装置、機械設備、制御プログラム、記録媒体

Publications (2)

Publication Number Publication Date
JP2021096639A true JP2021096639A (ja) 2021-06-24
JP2021096639A5 JP2021096639A5 (ja) 2023-02-02

Family

ID=76316823

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019227419A Pending JP2021096639A (ja) 2019-12-17 2019-12-17 制御方法、制御装置、機械設備、制御プログラム、記録媒体

Country Status (3)

Country Link
US (1) US20210181732A1 (ja)
JP (1) JP2021096639A (ja)
CN (1) CN112987682A (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7483341B2 (ja) * 2019-09-26 2024-05-15 キヤノン株式会社 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体
JP2023149013A (ja) * 2022-03-30 2023-10-13 横河電機株式会社 データ処理装置、データ処理方法、及びプログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
US9645575B2 (en) * 2013-11-27 2017-05-09 Adept Ai Systems Inc. Method and apparatus for artificially intelligent model-based control of dynamic processes using probabilistic agents
TWI615691B (zh) * 2016-11-24 2018-02-21 財團法人資訊工業策進會 防碰撞系統及防碰撞方法
JP6834446B2 (ja) * 2016-12-14 2021-02-24 オムロン株式会社 制御システム、制御プログラムおよび制御方法
JP6896432B2 (ja) * 2017-01-11 2021-06-30 株式会社Ye Digital 故障予知方法、故障予知装置および故障予知プログラム
US20180335018A1 (en) * 2017-05-16 2018-11-22 Frontier Wind, Llc Turbine Loads Determination and Condition Monitoring
JP6662830B2 (ja) * 2017-09-19 2020-03-11 ファナック株式会社 予測装置、機械学習装置、制御装置、及び生産システム
JP7031502B2 (ja) * 2018-06-07 2022-03-08 オムロン株式会社 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
CN110110905A (zh) * 2019-04-17 2019-08-09 华电国际电力股份有限公司十里泉发电厂 一种基于cnn的电力设备故障判断预警方法,终端及可读存储介质

Also Published As

Publication number Publication date
CN112987682A (zh) 2021-06-18
US20210181732A1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
JP6810097B2 (ja) 異常検出器
US7463945B2 (en) Electronic fingerprints for machine control and production machines
JP5530019B1 (ja) 異常予兆検知システム及び異常予兆検知方法
US6694286B2 (en) Method and system for monitoring the condition of an individual machine
JP7493930B2 (ja) 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
CN104049628A (zh) 基于实验测试的阀预测
JP2016033778A (ja) 異常予兆診断装置及び異常予兆診断方法
JP2008186472A (ja) 予測的状態監視のための診断システムおよび方法
JP2021096639A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体
WO2022030041A1 (ja) 予測システム、情報処理装置および情報処理プログラム
JP2021092971A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体
US11776177B2 (en) Methods for displaying recorded physical machine measured state data vs time
CN101646982A (zh) 用于监视系统健康的方法和装置
US20220088802A1 (en) Information processing method, information processing apparatus, display method, display apparatus, recording medium, method of manufacturing products, and method of acquiring learning data
US11216329B2 (en) Maintenance intervention predicting
US20210178615A1 (en) Abnormality diagnosis device and abnormality diagnosis method
CN114462663A (zh) 模块化工业车间中的事件分析
Greitzer et al. Development of a framework for predicting life of mechanical systems: Life Extension Analysis and Prognostics (LEAP)
KR20210030754A (ko) 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템 및 방법
WO2023053511A1 (ja) 制御システム、情報処理方法および情報処理装置
TWI843084B (zh) 控制系統、資訊處理方法以及資訊處理裝置
JP7413742B2 (ja) 予測システム、情報処理装置および情報処理プログラム
WO2022270056A1 (ja) 予測システム、情報処理装置および情報処理プログラム
JP2021086220A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20200206

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20200207

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221213

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230124

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230929

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231010

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231207

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240213

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240411