JP2022038127A - ロボットの異常推定方法、ロボットシステム、及び、コンピュータープログラム - Google Patents

Abstract

【課題】ロボットの異常を正しく推定できる技術を提供する。【解決手段】異常推定方法は、（ａ）Ｍ個の診断用動作をロボットに実行させて振動を検出可能なセンサーの計測結果を取得する工程と、（ｂ）その計測結果から、各診断用動作に関するＮ個の特徴量を算出して第１特徴量群を求める工程と、（ｃ）第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する工程と、（ｄ）その類似度に応じて、１組以上の第２特徴量群を選択し、選択された第２特徴量群に関連づけられた異常状態をロボットの異常状態として推定する工程と、を含む。【選択図】図７

Description

本開示は、ロボットの異常推定方法、ロボットシステム、及び、コンピュータープログラムに関する。

特許文献１には、センサーによって検出された振動に基づいて、機器の異常診断を行う方法が記載されている。

特開２００５－２４１０８９号公報

しかしながら、ロボットが行う作業および使用環境はユーザーにより異なるため、ロボトの異常を正しく推定することは困難であった。

本開示の第１の形態によれば、振動を検出可能なセンサーが設置されたロボットの異常推定方法が提供される。この異常推定方法は、（ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する工程と、（ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める工程と、（ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する工程であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、工程と、（ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する工程と、を含む。

本開示の第２の形態によれば、ロボットシステムが提供される。このロボットシステムは、ロボットと、前記ロボットに設置され、前記ロボットの振動を検出可能なセンサーと、前記ロボットを制御する制御部と、を備える。前記制御部は、（ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する処理と、（ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める処理と、（ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する処理であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、処理と、（ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する処理と、を実行する。

本開示の第３の形態によれば、振動を検出可能なセンサーが設置されたロボットの異常推定をプロセッサーに実行させるコンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する処理と、（ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める処理と、（ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する処理であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、処理と、（ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する処理と、を前記プロセッサーに実行させる。

実施形態におけるロボットシステムの構成例の説明図。 情報処理装置の機能ブロック図。 軸を構成する部品の説明図。 異常状態データセットの内容を示す説明図。 オートエンコーダーで得られる特徴量の説明図。 異常診断の手順を示すフローチャート。 第１特徴量群と第２特徴量群の類似度の算出方法を示す説明図。 第２実施形態における類似度の算出方法を示す説明図。 第２実施形態における異常状態の推定方法を示す説明図。

Ａ．第１実施形態
図１は、一実施形態におけるロボットシステムの一例を示す説明図である。このロボットシステムは、ロボット１００と、ロボット１００を制御する制御装置２００と、情報処理装置３００と、を備える。情報処理装置３００は、例えばパーソナルコンピューターである。

ロボット１００は、基台１１０と、アーム１２０と、を備えている。アーム１２０は、６つの関節で順次接続されている。アーム１２０の先端部であるアームエンド１２２には、エンドエフェクター１５０が装着されている。また、ロボット１００の手先には、振動を検出可能なセンサー１４０が設置されている。本開示において、「ロボット１００の手先」とは、アームエンド１２２からエンドエフェクター１５０までの部分を意味する。なお、ロボット１００の手先以外の位置にセンサー１４０を設置してもよい。

アーム１２０は、６つの関節Ｊ１～Ｊ６で順次接続されている。これらの関節Ｊ１～Ｊ６のうち、３つの関節Ｊ２，Ｊ３，Ｊ５は曲げ関節であり、他の３つの関節Ｊ１，Ｊ４，Ｊ６はねじり関節である。本実施形態では６軸ロボットを例示しているが、１個以上の関節を有する任意のアーム機構を有するロボットを用いることが可能である。また、本実施形態のロボット１００は、垂直多関節ロボットであるが、水平多関節ロボットを使用してもよい。

センサー１４０は、ロボット１００の振動を検出可能なセンサーである。一般に、振動は、位置と速度と加速度のいずれかの時系列的な変化を測定することによって検出することができる。センサー１４０としては、例えば、位置センサーや、ジャイロセンサー、加速度センサー、慣性計測装置（Inertial Measurement Unit）などを使用することができる。

図２は、情報処理装置３００の機能を示すブロック図である。情報処理装置３００は、プロセッサー３１０と、メモリー３２０と、インターフェイス回路３３０と、インターフェイス回路３３０に接続された入力デバイス３４０及び表示部３５０と、を有している。インターフェイス回路３３０は、制御装置２００と接続されている。制御装置２００には、センサー１４０が接続されている。本実施形態では、センサー１４０の計測結果は、制御装置２００を介して情報処理装置３００に供給される。

プロセッサー３１０は、ロボット１００の異常を推定する異常推定部３１２として機能する。異常推定部３１２は、メモリー３２０に格納されたコンピュータープログラムをプロセッサー３１０が実行することによって実現される。但し、異常推定部３１２をハードウェア回路で実現してもよい。メモリー３２０には、異常状態データセットＡＤＳが格納されている。異常状態データセットＡＤＳには、ロボット１００の各種の異常状態におけるデータが登録されている。異常状態データセットＡＤＳの内容については後述する。プロセッサー３１０は、本開示の「制御部」に相当する。

図３は、ロボット１００の軸Ｊｎを構成する軸構成部品４００の説明図である。ここで、ｎは軸を区別する序数であり、図１の例ではｎは１～６である。この例では、軸構成部品４００は、モーター４１０と、ブレーキ４２０と、減速機４３０とを含む。軸構成部品４００のいずれかに異常が発生すると、軸Ｊｎの動作に不具合が生じる。このような軸構成部品４００の異常が、ロボット１００の異常の典型例である。本実施形態で推定する異常状態は、いずれの軸Ｊｎが異常か、及び、複数の軸構成部品４００のいずれが異常か、を特定した状態とすることが好ましい。更に、異常状態は、軸構成部品４００のどのような異常かを特定した状態であることが更に好ましい。具体的には、例えば、減速機４３０の異常としては、摩耗異常と、割れ異常とが存在する。摩耗異常とは、減速機４３０を構成する特定の部品の摩耗による異常である。割れ異常とは、減速機４３０を構成する特定の部品の割れによる異常である。軸構成部品４００の異常状態を区別して推定するようにすれば、その軸構成部品のメンテナンスを的確に行うことができる。なお、軸構成部品４００のうち、ブレーキ４２０及び減速機４３０は省略可能である。また、軸構成部品４００としては、図３に示したもの以外の部品を含むものとしてもよい。

図４は、異常状態データセットＡＤＳの内容を示す説明図である。異常状態データセットＡＤＳは、Ｐ個の異常状態に関連付けられたＰ組の特徴量群ＶＧ_ｐを含む。ここで、Ｐは２以上の整数である。また、ｐは、Ｐ個の異常状態を区別する序数である。これらの特徴量群ＶＧ_ｐを、「異常状態の特徴量群ＶＧ_ｐ」又は「第２特徴量群ＶＧ_ｐ」と呼ぶ。

図４の例において、ｐ＝１の異常状態である「Ｊ１_減速機_摩耗異常」は、軸Ｊ１の減速機に摩耗異常が発生している状態を意味する。Ｐ個の異常状態としては、ロボット１００の複数の軸のいずれの軸が異常か、及び、複数の軸構成部品４００のいずれが異常か、を特定した状態とすることが好ましい。また、個々の異常状態は、単一の部品が異常した状態とすることが好ましい。更に、個々の異常状態は、いずれの部品のどのような異常かを特定した状態であることが更に好ましい。

本実施形態で推定する異常状態は、ロボット１００の使用を継続できる程度の軽度の異常を含むものとすることが好ましい。このような軽度の異常を推定できるようにすれば、ロボット１００のメンテナンスを早期に実行できるので、ロボット１００を利用した作業を円滑に行うことが可能となる。

図４に示したｐ＝１の異常状態に対する特徴量群ＶＧ_１は、Ｍ個の動作ｉのそれぞれに関連付けられたＮ個の特徴量Ｖ_１（ｉ，ｊ）を含む。ここで、Ｍは２以上の整数、Ｎは１以上の整数である。但し、Ｎは２以上とすることが好ましい。ｉは、Ｍ個の動作を区別する序数であり、ｊはＮ個の特徴量を区別する序数である。

図４の例では、ｉ＝１の「Ｊ１_等速動作」は軸Ｊ１の等速動作を意味し、ｉ＝２の「Ｊ１_加振動作」は軸Ｊ１の加振動作、ｉ＝Ｍの「Ｊ６_加振動作」は軸Ｊ６の加振動作を意味する。「等速動作」とは、１つの軸について一方向に一定の速度でロボット１００を動作させる動作を意味する。「加振動作」とは、１つの軸について一方向にロボット１００を動作させた後に１つの軸の関節トルクを調節して動作を停止させることによって、ロボット１００に振動を加える動作を意味する。等速動作と加振動作は、いずれも１つの軸のみを動作させる単一軸動作である。Ｍ個の動作は、ロボット１００の少なくとも一部の軸に関して、このような単一軸動作を含むことが好ましい。この理由は、単一軸動作では、その軸の異常がセンサー１４０の計測結果に反映され易いからである。なお、Ｍ個の動作には、単一軸動作以外の動作、すなわち、２つ以上の軸が動く動作を含むようにしてもよい。

個々の動作ｉには、Ｎ個の特徴量Ｖ_１（ｉ，ｊ）、すなわち、Ｖ_１（ｉ，１）～Ｖ_１（ｉ，Ｎ）が関連付けられている。前述したように、Ｎは１以上の整数であるが、２以上とすることが好ましい。これらの特徴量Ｖ_１（ｉ，ｊ）は、ロボット１００が動作ｉを実行している間にセンサー１４０で得られた計測結果から演算される。個々の特徴量Ｖ_１（ｉ，ｊ）は、０～１の範囲の値を取るように正規化されている好ましい。

特徴量Ｖ_１（ｉ，ｊ）としては、ハンドクラフト特徴量や、オートエンコーダーで得られる特徴量を用いることが可能である。ハンドクラフト特徴量とは、予め定められた式に従って算出される特徴量であり、時系列的なセンサー出力の平均値、分散、ピーク周波数などの様々な特徴量を採用可能である。また、オートエンコーダーで得られる特徴量は、学習済みのニューラルネットワークにおいて、中間層のノードから出力される値である。

図５は、オートエンコーダーで得られる特徴量の説明図である。ニューラルネットワーク５００は、入力層５１０と、中間層５２０と、出力層５３０とを含んでいる。入力層５１０には、センサー１４０の計測結果ＳＳが入力される。中間層５２０は、入力層５１０や出力層５３０よりもノード数が少ない。従って、入力層５１０から中間層５２０への過程はエンコーダーの処理に相当し、オートエンコーダーと呼ばれている。中間層５２０から出力層５３０への過程はデコーダーの処理に相当する。このとき、中間層５２０の複数のノードの出力Ｖは、計測結果ＳＳの特徴量として利用可能である。

ｐ＝１以外の他の異常状態に対しても、ｐ＝１の異常状態と同様に、Ｍ×Ｎ個の特徴量Ｖ_ｐ（ｉ，ｊ）を含んでいる。Ｍ個の動作ｉの種類は、Ｐ個の異常状態で共通している。また、個々の動作ｉに関連づけられているＮ個の特徴量の種類も、Ｐ個の異常状態で共通している。

なお、Ｐ個の異常状態としては、ロボット１００に異常のない正常な状態を含むことが好ましい。こうすれば、ロボット１００の異常診断において、ロボット１００が正常であるか異常があるかをより正しく推定できるという利点がある。

図６は、ロボット１００の異常診断の処理手順を示すフローチャートである。この処理は、異常推定部３１２によって実行される。この異常診断時におけるロボット１００の状態を「診断状態」と呼ぶ。

ステップＳ１０では、異常推定部３１２が、ロボット１００に対して異常診断用動作を実行させる。この異常診断用動作は、図４に示したＭ個の動作ｉのうちの１つである。ステップＳ２０では、異常診断用動作ｉの実行中に、センサー１４０による計測が行われ、その計測結果が異常推定部３１２に供給される。ステップＳ３０では、Ｍ個の異常診断用動作ｉがすべて終了したか否かが判定される。終了していなければ、ステップＳ１０に戻り、次の異常診断用動作ｉが選択されて実行される。一方、Ｍ個の異常診断用動作ｉがすべて終了した場合には、次のステップＳ４０に進む。

ステップＳ４０では、異常推定部３１２が、センサー１４０の計測結果から、診断状態に対する特徴量群である第１特徴量群を算出する。

図７は、ステップＳ４０で得られる第１特徴量群ＶＧ_０と、図５に示したＰ組の第２特徴量群ＶＧ_ｐの例を示している。第１特徴量群ＶＧ_０は、診断状態について、Ｍ個の診断用動作ｉのそれぞれに関するＮ個の特徴量を含むＭ×Ｎ個の特徴量Ｖ_０（ｉ，ｊ）で構成されている。一方、Ｐ組の第２特徴量群ＶＧ_ｐは、ｐ＝１～Ｐの互いに異なるＰ個の異常状態に関連づけられていると共に、個々の第２特徴量群ＶＧ_ｐが第１特徴量群ＶＧ_０に対応するＭ×Ｎ個の特徴量Ｖ_ｐ（ｉ，ｊ）で構成されている。なお、図７において、診断状態の第１特徴量群ＶＧ_０についても異常状態を区別する序数ｐが使用されており、診断状態ではｐ＝０である。

図６のステップＳ５０では、異常推定部３１２が、診断状態の第１特徴量群ＶＧ_０と、Ｐ個の異常状態に関連づけられたＰ組の第２特徴量群ＶＧ_ｐのそれぞれとの間の類似度Ｍ_ｐを算出する。図７に示したように、この類似度Ｍ_ｐは、予め定められた関数ｆ１によって算出される。類似度Ｍ_ｐを算出する関数ｆ１としては、ユークリッド距離やマハラノビス距離などの距離を利用した関数や、コサイン類似度などの他の種々の類似度を算出する関数を利用できる。

距離を使用した関数ｆ１は、例えば以下の式（１）で与えられる。
Ｍ_ｐ＝１－（Ｄ／Ｄmax） …（１）
Ｄ＝［Σ｛Ｖ_０（ｉ，ｊ）－Ｖ_ｐ（ｉ，ｊ）｝^２］^１／２
ここで、Ｄは第１特徴量群ＶＧ_０と第２特徴量群ＶＧ_ｐのユークリッド距離、ＤｍａｘはＤが取りうる最大値である。式（１）で与えられる類似度Ｍ_ｐは、０～１の値を取る。

コサイン類似度を算出する関数ｆ１は、以下の式（２）で与えられる。
Ｍ_ｐ＝ｃｏｓθ
＝ＶＧ_０・ＶＧ_ｐ／｜ＶＧ_０｜｜ＶＧ_ｐ｜ …（２）
ここで、ＶＧ_０とＶＧ_ｐは、第１特徴量群ＶＧ_０と第２特徴量群ＶＧ_ｐをそれぞれＭ×Ｎ次元のベクトルと見なしたときの特徴量ベクトルであり、θはこれらの特徴量ベクトルＶＧ_０，ＶＧ_ｐが成す角度である。式（２）で与えられる類似度Ｍ_ｐも、０～１の値を取る。

ｐ＝１以外の他の異常状態に関連付けられた第２特徴量群ＶＧ_ｐについても、同様に、第１特徴量群ＶＧ_０との類似度Ｍ_ｐがそれぞれ算出される。

図６のステップＳ６０では、異常推定部３１２が、ステップＳ５０で得られた類似度Ｍ_ｐに応じて、ロボット１００の異常状態を推定する。具体的には、例えば、Ｐ個の異常状態のうちで、類似度Ｍ_ｐが最も高い異常状態をロボット１００の異常状態として推定する。或いは、類似度Ｍ_ｐが予め定められた閾値以上である異常状態を、ロボット１００の異常状態として推定するようにしてもよい。この場合には、１つ以上の異常状態が推定され得る。他の例では、Ｑを２以上の整数として、類似度Ｍ_ｐの高い順にＱ個の異常状態を、ロボット１００の異常状態として推定するようにしてもよい。

ステップＳ７０では、異常診断の診断結果がユーザーに通知される。具体的には、例えば、情報処理装置３００の表示部３５０に、異常の有無、及び、異常状態の内容が表示される。この診断結果を見たユーザーは、必要に応じてロボット１００のメンテナンスを実行することが可能である。

以上のように、第１実施形態では、Ｍ個の診断用動作ｉに対応するＭ×Ｎ個の特徴量Ｖ_ｐ（ｉ，ｊ）で構成される第１特徴量群ＶＧ_０と、Ｐ個の異常状態に関連づけられたＰ組の第２特徴量群ＶＧ_ｐのそれぞれとの間の類似度Ｍ_ｐに応じてロボット１００の異常状態を推定するので、ロボット１００が行う作業や使用環境に拘わらず、ロボット１００の異常状態を正しく推定できる。

Ｂ．第２実施形態
図８は、第２実施形態における類似度ＭＭ_ｐｉの算出方法を示す説明図である。第２実施形態が第１実施形態と異なる点は、図６のステップＳ５０における類似度の算出方法と、ステップＳ６０における異常状態の推定方法と、の２点であり、他は第１実施形態とほぼ同じである。

図８に示した第１特徴量群ＶＧ_０と第２特徴量群ＶＧ_ｐの内容は第１実施形態と同じである。但し、第１特徴量群ＶＧ_０は、個々の単一軸動作ｉに対応するＮ個の特徴量Ｖ_０（ｉ，１）～Ｖ_０（ｉ，Ｎ）をそれぞれ含むＮ次元の第１特徴量ベクトルＶＡ_０１～ＶＡ_０Ｍで構成されているものと見なしている。なお、本実施形態では、Ｍ個の動作ｉがすべて単一軸動作であるものとしている。但し、Ｍ個の動作ｉに複数軸が動く動作が含まれている場合も想定すると、第１特徴量群ＶＧ_０は、ｍを１以上Ｍ以下の整数として、ｍ個の単一軸動作ｉに対応するｍ個の第１特徴量ベクトルＶＡ_０１～ＶＡ_０ｍを含むものと考えることができる。ｐ番目の異常状態に関連付けられた第２特徴量群ＶＧ_ｐも、同様に、個々の単一軸動作ｉに対応するＮ個の特徴量Ｖ_ｐ（ｉ，１）～Ｖ_ｐ（ｉ，Ｎ）をそれぞれ含むＮ次元の第２特徴量ベクトルＶＢ_ｐ１～ＶＢ_ｐｍを含むものと考えることができる。換言すれば、Ｐ組の第２特徴量群ＶＧ_ｐは、Ｐ個の異常状態のそれぞれにおけるｍ個の単一軸動作に対応するＰ×ｍ個の第２特徴量ベクトルＶＢ_ｐ１～ＶＢ_ｐｍを含んでいる。

第２実施形態において、図６のステップＳ５０における類似度の算出処理では、ｍ個の単一軸動作ｉに関するｍ個の第１特徴量ベクトルＶＡ_０１～ＶＡ_０ｍのそれぞれと、Ｐ×ｍ個の第２特徴量ベクトルＶＢ_ｐ１～ＶＢ_ｐｍのそれぞれと、の間の類似度ＭＭ_ｐｉが算出される。類似度ＭＭ_ｐｉを算出する関数ｆ２としては、第１実施形態で説明した関数ｆ１と同様の関数を利用可能である。これらの類似度ＭＭ_ｐｉは、診断状態の単一軸動作ｉ毎にソートされる。

図９は、第２実施形態においてステップＳ６０で実行される異常状態の推定方法を示す説明図である。ここでは、診断状態のＭ個の単一軸動作ｉのそれぞれについて、Ｐ組の異常状態のＭ個の単一軸動作ｉが、類似度ＭＭ_ｐｉの高い順に縦方向に並べられている。例えば、診断状態におけるｉ＝１のＪ１_等速動作に関しては、ｐ＝１０の異常状態であるＪ５_ブレーキ異常が最も類似度が高い。したがって、図９の下端の「評価」の欄に示すように、ｉ＝１のＪ１_等速動作に関しては、高類似度の軸Ｊ５と軸が不一致である。同様に、診断状態におけるｉ＝２のＪ１_加振動作に関しても、ｐ＝１３の異常状態である正常状態が最も類似度が高いので、図９の下端の「評価」の欄に示すように高類似度の軸とは不一致である。

一方、診断状態のｉ＝ＭのＪ６_加振動作に関しては、ｐ＝１１の異常状態であるＪ６_減速機_摩耗異常が最も類似度が高いので、図９の下端の「評価」の欄に示すように、高類似度の軸Ｊ６と軸が一致する。従って、第２実施形態では、ｐ＝１１の異常状態であるＪ６_減速機_摩耗異常がロボット１００の異常状態であると推定される。なお、ｉ＝ＭのＪ６_加振動作に関して２番目に類似度が高いのは、ｐ＝１２の異常状態であるＪ６_減速機_割れ異常であり、これは、ｉ＝ＭのＪ６_加振動作と軸Ｊ６が一致している。この場合には、このｐ＝１２の異常状態であるＪ６_減速機_割れ異常もロボット１００の異常状態として推定されるものとしてもよい。

なお、図８で説明したように、図９における異常状態の推定処理は、ｍ個の単一軸動作ｉに関するｍ個の第１特徴量ベクトルＶＡ_０１～ＶＡ_０ｍのそれぞれと、Ｐ×ｍ個の第２特徴量ベクトルＶＢ_ｐ１～ＶＢ_ｐｍのそれぞれと、の間の類似度ＭＭ_ｐｉに応じて行われている。但し、図９の例ではｍ＝Ｍである。この推定処理では、診断状態におけるｍ個の第１特徴量ベクトルＶＡ_０１～ＶＡ_０ｍのそれぞれについて、Ｐ×ｍ個の第２特徴量ベクトルＶＢ_ｐ１～ＶＢ_ｐｍの中で、当該第１特徴量ベクトルとの類似度が最も高い特定の第２特徴量ベクトルが、当該第１特徴量ベクトルと同一の軸に関する同一軸動作に対応する場合に、その特定の第２特徴量ベクトルに関連づけられた異常状態をロボット１００の異常状態として推定するものと考えることができる。このような推定処理を実行すれば、ロボット１００の異常をより正しく推定することが可能である。

なお、第１実施形態又は第２実施形態で実行する異常状態の推定を、異なる複数の時間で実行してもよい。具体的には、異なる複数の日において上述した類似度を算出して、異常状態の推定を行ってもよい。この場合には、異常推定部３１２は、時間経過に応じた類似度の変化から、対策が必要な異常状態に達する時間を予測することも可能である。こうすれば、軽微な異常状態が深刻化する前に、その異常を解消する対策を実行することができる点で好ましい。

・他の実施形態：
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

（１）本開示の第１の形態によれば、振動を検出可能なセンサーが設置されたロボットの異常推定方法が提供される。この異常推定方法は、（ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する工程と、（ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める工程と、（ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する工程であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、工程と、（ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する工程と、を含む。
この異常推定方法によれば、Ｍ個の診断用動作に対応するＭ×Ｎ個の特徴量で構成される第１特徴量群と、Ｐ個の異常状態に関連づけられたＰ組の第２特徴量群のそれぞれとの間の類似度に応じてロボットの異常状態を推定するので、ロボットが行う作業や使用環境に拘わらず、ロボットの異常状態を正しく推定できる。

（２）上記異常推定方法において、前記Ｐ個の異常状態は、前記ロボットに異常のない正常な状態を含むものとしてもよい。
この異常推定方法によれば、Ｐ個の異常状態が異常の無い正常な状態を含むので、正常であるか異常があるかをより正しく推定できる。

（３）上記異常推定方法において、前記ロボットは複数の軸を有し、ｍを２以上Ｍ以下の整数としたとき、前記Ｍ個の診断用動作は、前記複数の軸のうちの１つの軸のみをそれぞれ動作させるｍ個の単一軸動作を含むものとしてもよい。
この異常推定方法によれば、単一軸動作中に得られるセンサーの計測結果から特徴量を算出するので、その軸における異常状態を推定できる。

（４）上記異常推定方法において、前記単一軸動作は、前記１つの軸について一方向に前記ロボットを動作させた後に前記１つの軸の関節トルクを調節して動作を停止させることによって、前記ロボットに振動を加える加振動作と、前記１つの軸について一方向に一定の速度で前記ロボットを動作させる等速動作と、を含むものとしてもよい。
この異常推定方法によれば、単一軸動作として加振動作と等速動作を実行するので、その軸で異常が発生しているか否かを推定できる。

（５）上記異常推定方法において、前記第１特徴量群は、前記ｍ個の単一軸動作に対応するｍ個の第１特徴量ベクトルを含み、前記Ｐ組の第２特徴量群は、前記Ｐ個の異常状態のそれぞれにおける前記ｍ個の単一軸動作に対応するＰ×ｍ個の第２特徴量ベクトルを含み、前記工程（ｃ）は、前記ｍ個の第１特徴量ベクトルのそれぞれと、前記Ｐ×ｍ個の第２特徴量ベクトルのそれぞれと、の間の類似度を算出する工程を含み、前記工程（ｄ）は、前記ｍ個の第１特徴量ベクトルのそれぞれについて、前記Ｐ×ｍ個の第２特徴量ベクトルの中で、当該第１特徴量ベクトルとの類似度が最も高い特定第２特徴量ベクトルが、当該第１特徴量ベクトルと同一の軸に関する同一軸動作に対応する場合に、前記特定第２特徴量ベクトルに関連づけられた異常状態を前記ロボットの異常状態として推定する工程を含むものとしてもよい。
この異常推定方法によれば、第２特徴量群のＰ×ｍ個の第２特徴量ベクトルのうちで、第１特徴量ベクトルとの類似度が最も高い特定第２特徴量ベクトルがその第１特徴量ベクトルと同一の軸に関する同一軸動作によるものである場合に、その軸の異常状態をロボットの異常状態として推定するので、ロボットの異常をより正しく推定できる。

（６）上記異常推定方法において、前記ロボットは複数の軸を有し、前記複数の軸のそれぞれは、複数の軸構成部品を含み、前記Ｐ個の異常状態のそれぞれは、前記複数の軸のいずれの軸が異常か、及び、前記複数の軸構成部品のいずれが異常か、を特定した状態であるものとしてもよい。
この異常推定方法によれば、異常が発生している軸と、異常が発生している軸構成部品を推定できる。

（７）上記異常推定方法において、前記複数の軸のうちの少なくとも一部の軸は、減速機とブレーキとを含み、前記少なくとも一部の軸に対する前記異常状態は、前記減速機の異常と、前記ブレーキの異常とを含むものとしてもよい。
この異常推定方法によれば、各軸の減速機の異常とブレーキの異常を区別して推定できる。

（８）本開示の第２の形態によれば、ロボットシステムが提供される。このロボットシステムは、ロボットと、前記ロボットに設置され、前記ロボットの振動を検出可能なセンサーと、前記ロボットを制御する制御部と、を備える。前記制御部は、（ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する処理と、（ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める処理と、（ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する処理であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、処理と、（ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する処理と、を実行する。
このロボットシステムによれば、Ｍ個の診断用動作に対応するＭ×Ｎ個の特徴量で構成される第１特徴量群と、Ｐ個の異常状態に関連づけられたＰ組の第２特徴量群のそれぞれとの間の類似度に応じてロボットの異常状態を推定するので、ロボットが行う作業や使用環境に拘わらず、ロボットの異常状態を正しく推定できる。

（９）本開示の第３の形態によれば、振動を検出可能なセンサーが設置されたロボットの異常推定をプロセッサーに実行させるコンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する処理と、（ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める処理と、（ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する処理であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、処理と、（ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する処理と、を前記プロセッサーに実行させる。
このコンピュータープログラムによれば、Ｍ個の診断用動作に対応するＭ×Ｎ個の特徴量で構成される第１特徴量群と、Ｐ個の異常状態に関連づけられたＰ組の第２特徴量群のそれぞれとの間の類似度に応じてロボットの異常状態を推定するので、ロボットが行う作業や使用環境に拘わらず、ロボットの異常状態を正しく推定できる。

本開示は、上記以外の種々の形態で実現することも可能である。例えば、ロボットとロボット制御装置とを備えたロボットシステム、ロボット制御装置の機能を実現するためのコンピュータープログラム、そのコンピュータープログラムを記録した一時的でない記録媒体（non-transitory storage medium）等の形態で実現することができる。

１００…ロボット、１１０…基台、１２０…アーム、１２２…アームエンド、１４０…センサー、１５０…エンドエフェクター、２００…制御装置、３００…情報処理装置、３１０…プロセッサー、３１２…異常推定部、３２０…メモリー、３３０…インターフェイス回路、３５０…表示部、４００…軸構成部品、４１０…モーター、４２０…ブレーキ、４３０…減速機、５００…ニューラルネットワーク、５１０…入力層、５２０…中間層、５３０…出力層

Claims (9)

1. 振動を検出可能なセンサーが設置されたロボットの異常推定方法であって、
   （ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する工程と、
   （ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める工程と、
   （ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する工程であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、工程と、
   （ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する工程と、
   を含む、異常推定方法。
2. 請求項１に記載の異常推定方法であって、
   前記Ｐ個の異常状態は、前記ロボットに異常のない正常な状態を含む、異常推定方法。
3. 請求項１又は２に記載の異常推定方法であって、
   前記ロボットは複数の軸を有し、
   ｍを２以上Ｍ以下の整数としたとき、前記Ｍ個の診断用動作は、前記複数の軸のうちの１つの軸のみをそれぞれ動作させるｍ個の単一軸動作を含む、異常推定方法。
4. 請求項３に記載の異常推定方法であって、
   前記単一軸動作は、
   前記１つの軸について一方向に前記ロボットを動作させた後に前記１つの軸の関節トルクを調節して動作を停止させることによって、前記ロボットに振動を加える加振動作と、
   前記１つの軸について一方向に一定の速度で前記ロボットを動作させる等速動作と、を含む、異常推定方法。
5. 請求項３又は４に記載の異常推定方法であって、
   前記第１特徴量群は、前記ｍ個の単一軸動作に対応するｍ個の第１特徴量ベクトルを含み、
   前記Ｐ組の第２特徴量群は、前記Ｐ個の異常状態のそれぞれにおける前記ｍ個の単一軸動作に対応するＰ×ｍ個の第２特徴量ベクトルを含み、
   前記工程（ｃ）は、前記ｍ個の第１特徴量ベクトルのそれぞれと、前記Ｐ×ｍ個の第２特徴量ベクトルのそれぞれと、の間の類似度を算出する工程を含み、
   前記工程（ｄ）は、前記ｍ個の第１特徴量ベクトルのそれぞれについて、前記Ｐ×ｍ個の第２特徴量ベクトルの中で、当該第１特徴量ベクトルとの類似度が最も高い特定第２特徴量ベクトルが、当該第１特徴量ベクトルと同一の軸に関する同一軸動作に対応する場合に、前記特定第２特徴量ベクトルに関連づけられた異常状態を前記ロボットの異常状態として推定する工程を含む、異常推定方法。
6. 請求項１～５のいずれか一項に記載の異常推定方法であって、
   前記ロボットは複数の軸を有し、
   前記複数の軸のそれぞれは、複数の軸構成部品を含み、
   前記Ｐ個の異常状態のそれぞれは、前記複数の軸のいずれの軸が異常か、及び、前記複数の軸構成部品のいずれが異常か、を特定した状態である、異常推定方法。
7. 請求項６に記載の異常推定方法であって、
   前記複数の軸のうちの少なくとも一部の軸は、減速機とブレーキとを含み、
   前記少なくとも一部の軸に対する前記異常状態は、前記減速機の異常と、前記ブレーキの異常とを含む、異常推定方法。
8. ロボットシステムであって、
   ロボットと、
   前記ロボットに設置され、前記ロボットの振動を検出可能なセンサーと、
   前記ロボットを制御する制御部と、
   を備え、
   前記制御部は、
   （ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する処理と、
   （ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める処理と、
   （ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する処理であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、処理と、
   （ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する処理と、
   を実行する、ロボットシステム。
9. 振動を検出可能なセンサーが設置されたロボットの異常推定をプロセッサーに実行させるコンピュータープログラムであって、
   （ａ）Ｍを２以上の整数としたとき、Ｍ個の診断用動作を前記ロボットに実行させて、各診断用動作中に前記センサーの計測結果を取得する処理と、
   （ｂ）Ｎを１以上の整数としたとき、前記計測結果から、各診断用動作に関するＮ個の特徴量を算出して、Ｍ×Ｎ個の特徴量で構成された第１特徴量群を求める処理と、
   （ｃ）Ｐを２以上の整数としたとき、前記第１特徴量群と、予め準備されたＰ組の第２特徴量群のそれぞれとの間の類似度を算出する処理であって、前記Ｐ組の第２特徴量群は、互いに異なるＰ個の異常状態に関連づけられていると共に、各第２特徴量群が前記第１特徴量群に対応するＭ×Ｎ個の特徴量で構成されている、処理と、
   （ｄ）前記類似度に応じて、前記Ｐ組の第２特徴量群の中から１組以上の第２特徴量群を選択し、選択された前記１組以上の第２特徴量群に関連づけられた異常状態を前記ロボットの異常状態として推定する処理と、
   を前記プロセッサーに実行させる、コンピュータープログラム。

Images