JP2022071927A - Robot arm state determination method, robot system, and computer program - Google Patents
Robot arm state determination method, robot system, and computer program Download PDFInfo
- Publication number
- JP2022071927A JP2022071927A JP2020181064A JP2020181064A JP2022071927A JP 2022071927 A JP2022071927 A JP 2022071927A JP 2020181064 A JP2020181064 A JP 2020181064A JP 2020181064 A JP2020181064 A JP 2020181064A JP 2022071927 A JP2022071927 A JP 2022071927A
- Authority
- JP
- Japan
- Prior art keywords
- robot arm
- state
- normal
- joints
- degree
- 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
Links
Images
Landscapes
- Manipulator (AREA)
Abstract
Description
本開示は、ロボットアームの状態判断方法、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。 The present disclosure relates to a robot arm state determination method, a robot system, and a computer program.
特許文献１には、ロボットの動作診断方法が開示されている。このロボット動作診断方法では、ロボットの初期状態において、設定したロボットの診断動作パターンで動作させて、センサーを制御するための入出力信号と、駆動軸を制御するための入出力信号と、を判定データとし、ロボットの動作診断のために新たに計測した判定データを診断データとする。そして、統計的パターン認識方法により診断データが判定データに含まれるかを判別することにより、ロボット動作が正常か判定する。
従来技術のロボットの動作診断方法では、駆動軸（関節に対応）毎にその動作が正常か判断しているので、ロボット全体の動作が正常か判断するには、全ての関節について、順に、それぞれの動作が正常か調べる必要がある。このため、ロボット全体の動作の診断には、備える関節の数に応じた時間を要することになる。この結果、このようなロボットを利用した生産現場では、ロボットを稼働できない診断時間が長くなることによる生産性の低下を招く可能性がある。 In the conventional robot motion diagnosis method, it is judged whether the motion is normal for each drive axis (corresponding to the joint). Therefore, in order to judge whether the motion of the entire robot is normal, all the joints are sequentially checked. It is necessary to check whether the operation of is normal. Therefore, it takes time to diagnose the movement of the entire robot according to the number of joints provided. As a result, at a production site using such a robot, there is a possibility that productivity may decrease due to a long diagnosis time during which the robot cannot be operated.
本開示の第１の形態によれば、ロボットアームの状態判断方法が提供される。この状態判断方法は、（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる工程と、（ｂ）前記工程（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する工程と、（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、工程と、を含む。 According to the first aspect of the present disclosure, a method for determining a state of a robot arm is provided. This state determination method includes (a) a step of operating the robot arm so that all of the plurality of joints are operating at the same time, and (b) all of the plurality of joints by the step (a). A step of acquiring a sensor signal output from a sensor provided at any position on the tip side of the robot arm in a state of simultaneous operation and capable of detecting the vibration of the robot arm, and (c) acquisition. The degree of discrepancy between the waveform represented by the sensor signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and if the calculated degree of discrepancy is less than a predetermined threshold value, It includes a step of determining that the state of the robot arm is normal.
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、複数の関節を有するロボットアームと、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーと、前記ロボットアームを制御する制御部と、を備え、前記制御部は、（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる処理と、（ｂ）前記処理（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する処理と、（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、処理と、を実行する。 According to the second aspect of the present disclosure, a robot system is provided. This robot system includes a robot arm having a plurality of joints, a sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm, and a control unit for controlling the robot arm. , And the control unit is (a) operated so that all of the plurality of joints of the robot arm are operating at the same time, and (b) the plurality of joints by the process (a). In a state where all of the above are operating at the same time, a process of acquiring a sensor signal output from a sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm, and (c). ) When the degree of discrepancy between the waveform represented by the acquired sensor signal and the waveform represented by the acquired sensor signal when the state of the robot arm is normal is calculated and the calculated degree of discrepancy is less than a predetermined threshold value. The process of determining that the state of the robot arm is normal is executed.
本開示の第３の形態によれば、ロボットアームの状態判断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）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる処理と、（ｂ）前記処理（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する処理と、（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、処理と、を前記プロセッサーに実行させる。 According to the third aspect of the present disclosure, a computer program for causing a processor to execute a state determination of a robot arm is provided. This computer program includes (a) a process of operating all of the plurality of joints of the robot arm so as to be in a state of operating at the same time, and (b) the process of (a) causing all of the plurality of joints to operate at the same time. In the operating state, a process of acquiring a sensor signal output from a sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm, and (c) the acquired sensor. The degree of discrepancy between the waveform represented by the signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and if the calculated degree of discrepancy is less than a predetermined threshold value, the above-mentioned The processor is made to execute the process of determining that the state of the robot arm is normal.
Ａ．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、ロボットアーム１００と、ロボットアーム１００を制御する制御装置２００と、情報処理装置３００と、を備える。
A. Embodiment:
FIG. 1 is an explanatory diagram showing an example of a robot system according to an embodiment. This robot system includes a
ロボットアーム１００は、基台１１０と、アーム１２０とを備えている。アーム１２０の先端であるアームエンド１２２には、エンドエフェクター１３０が装着されている。また、アームエンド１２２には、アーム１２０の振動を検出可能なセンサー４００が設置されている。なお、エンドエフェクター１３０にセンサー４００を設置してもよい。
The
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軸のロボットアームを例示しているが、２個以上の複数の関節を有する任意のアーム機構を有するロボットアームを用いることが可能である。また、本実施形態のロボットアーム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。なお、以下では関節を「軸」とも呼ぶ。
The
センサー４００は、ロボットアーム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４００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）、力覚センサーなど、センサー設置位置における振動を検出可能な種々のセンサーを使用することができる。なお、本実施形態では、センサー４００として慣性計測装置を使用している。慣性計装置は、直交３軸方向の並進運動として加速度センサーによる加速度を検出するとともに、回転運動としてジャイロセンサーによる角速度を検出するものである。
The
情報処理装置３００は、プロセッサー３１０と、記憶部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、を有するコンピューターである。情報処理装置３００としては、パーソナコンピューターや専用のコンピューター等が利用される。
The
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４００が接続されている。本実施形態では、センサー４００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。
The
プロセッサー３１０は、ロボットアーム１００の状態を検査する異常診断部３１２として機能する。異常診断部３１２は、記憶部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、異常診断部３１２をハードウェア回路で実現してもよい。プロセッサー３１０は、本開示の「制御部」に相当する。
The
異常診断部３１２は、後述するように、記憶部３２０の記憶領域３２４には格納された学習モデルを用いてロボットアーム１００の異常診断を実行し、その診断結果を記憶部３２０の記憶領域３２６に蓄積する。
As will be described later, the
図２は、ロボットアーム１００の関節の軸Ｊｎを構成する軸構成部品５００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５００は、モーター５１０と、ブレーキ５２０と、減速機５３０とを含む。軸構成部品５００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５００の異常が、ロボットアーム１００の異常の典型例である。なお、軸構成部品５００のうち、ブレーキ５２０及び減速機５３０は省略可能である。また、軸構成部品５００としては、図２に示したもの以外の部品を含むものとしてもよい。
FIG. 2 is an explanatory diagram of a
なお、各軸Ｊｎの軸構成部品５００のモーター５１０、ブレーキ５２０、及び、減速機５３０は、制御装置２００によって制御されて、制御内容に従って動作する。
The
図３は、ロボットアーム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、異常診断部３１２によって実行される。なお、この処理の実行タイミングは、例えば、ロボットシステムの稼働開始前や、稼働終了時、一定時間経過の稼働終了時等、あらかじめ定めたタイミングに設定される。
FIG. 3 is a flowchart showing a processing procedure for abnormality diagnosis of the
まず、異常診断部３１２は、ステップＳ１１０において、制御装置２００に対して、第１段階の異常診断のための動作として予め定めた複合動作の実行を指示し、ロボットアーム１００に指示した複合動作を実行させる。
First, in step S110, the
図４及び図５は、ロボットアーム１００の複合動作の一例を示す説明図である。複合動作は、図４に示すように、ｘ，ｙ，ｚの直交する３軸に対して、複数の軸の全てを動かして、予め定めた一定の姿勢から、異なった姿勢に変化させる動作である。なお、図４の例は一例であって、これに限定されるものではない。図５に示すように、全ての軸が同時に動作している状態の計測期間ｔｐを有するように、複数の軸の全てを動かして、予め定めた一定の姿勢から、異なった姿勢に変化させる動作であればよい。なお、この計測期間ｔｐの長さは、センサー４００から出力されるセンサー信号から、後述する異常度の算出のために用いられる複数の信号データを、一定のサンプリング周期で取得可能な長さや、複合動作周期以上の長さに設定される。
4 and 5 are explanatory views showing an example of the combined operation of the
図３のステップＳ１２０では、異常診断部３１２は、複合動作中の計測期間ｔｐにおいて、センサー４００の計測によりセンサー４００から出力され、制御装置２００を介して供給されるセンサー信号の信号データを一定のサンプリング周期で取得する。
In step S120 of FIG. 3, the
図６は、複合動作中の計測期間ｔｐにセンサー４００により取得された角速度ωの一例を示す説明図である。横軸は時間［ｓｅｃ］、縦軸はｘ軸，ｙ軸，ｚ軸を回転の中心とする角速度ωｘ，ωｙ，ωｚ［ｒａｄ／ｓｅｃ］の時間変化を示している。図６に示すように、センサー４００の設置位置では、複合動作中において直交３軸ｘ，ｙ，ｚの角速度ωｘ，ωｙ，ωｚに変動、すなわち、複合動作による姿勢変化に応じた振動が発生する。そして、複合動作による姿勢変化に応じた振動は、各軸の動作状態の変化が反映されて、振動の大きさや、振動の周波数、振動の時間等が変化した状態となる。従って、複合動作による姿勢変化に応じた振動の状態を、正常な動作状態の場合の振動の状態と比較すれば、いずれかの軸すなわち関節の異常を検知することが可能である、と考えられる。
FIG. 6 is an explanatory diagram showing an example of the angular velocity ω acquired by the
そこで、異常診断部３１２は、以下で説明するように、図３のステップＳ１３０において、取得した信号データを用いて異常度Ｓａｔを算出し、ステップＳ１４０において、異常度Ｓａｔと閾値Ｓｔｔｈとの大小関係により、ロボットアーム１００の軸の動作状態が正常であるか否か判断する。そして、異常診断部３１２は、ステップＳ１５０において、ステップＳ１３０で算出した異常度Ｓａｔを、記憶部３２０の診断結果用の記憶領域３２６に時系列順に格納して、異常度Ｓａｔの時系列データ及びそのグラフを更新する。
Therefore, as described below, the
ステップＳ１３０における異常度Ｓａｔの算出は、以下で説明するように、ニューラルネットワークの一つであるオートエンコーダーを利用することによって実行される。 The calculation of the degree of abnormality Sat in step S130 is executed by using an autoencoder which is one of the neural networks, as described below.
図７は、オートエンコーダーを利用した異常度算出の手順を示す説明図である。まず、ステップＳ１３２では、異常診断部３１２は、センサー信号から取得した信号データＸ＝［ｘ（１），ｘ（２），・・・，ｘ（ｉ），・・・，ｘ（ｎ）］（ｉはデータの番号であり、ｉ＝１，２，・・・ｎ）を入力データとして、オートエンコーダーを用いて出力データＸｄ＝［ｘｄ（１），ｘｄ（２），・・・，ｘｄ（ｉ），・・・，ｘｄ（ｎ）］を生成する。そして、ステップＳ１３４では、入力データＸ及び出力データＸｄから出力データＸｄの再構成誤差ｅを算出し、ステップＳ１３６では、算出した再構成誤差ｅから、入力データＸと出力データＸｄとの不一致度を示す異常度Ｓａを算出する。
FIG. 7 is an explanatory diagram showing a procedure for calculating an abnormality degree using an autoencoder. First, in step S132, the
ここで、オートエンコーダーは、入力層と中間層と出力層の三層構造を有しており、入力層から中間層の過程はエンコーダーに相当し、時系列の入力データＸの次元削減及び特徴抽出を行なう。また、中間層から出力層の過程はデコーダーに相当し、エンコーダーで生成された低次元の情報をソースとして、時系列の出力データＸｄの生成を行なう。なお、入力データＸ及び出力データＸｄは、それぞれ、ベクトルである。 Here, the autoencoder has a three-layer structure of an input layer, an intermediate layer, and an output layer, and the process from the input layer to the intermediate layer corresponds to an encoder, and the dimension reduction and feature extraction of the time-series input data X are performed. To do. Further, the process from the intermediate layer to the output layer corresponds to the decoder, and the time-series output data Xd is generated by using the low-dimensional information generated by the encoder as a source. The input data X and the output data Xd are vectors, respectively.
そして、オートエンコーダーは、出力層において入力層のデータを再構成するように、正常な入力データを用いて機械学習させた学習モデルによって構成されるものとした場合、正常な入力データに対する出力データは正しく再構成され、異常な入力データに対する出力データは再構成されないことになる。このため、入力データＸと、出力データＸｄとの差分を表す再構成誤差ｅが大きいほど、入力データＸの異常の度合いは大きくなる。 Then, when the auto encoder is configured by a learning model machine-learned using normal input data so as to reconstruct the data in the input layer in the output layer, the output data for the normal input data is It will be reconstructed correctly and the output data for the abnormal input data will not be reconstructed. Therefore, the larger the reconstruction error e representing the difference between the input data X and the output data Xd, the greater the degree of abnormality of the input data X.
そこで、ステップＳ１３２でオートエンコーダーにより、入力データＸに対応する出力データＸｄを生成する。そして、ステップＳ１３４で再構成誤差ｅを算出し、ステップＳ１３６で異常度Ｓａを算出する。このようにすれば、算出した異常度Ｓａの大きさから入力データＸの異常を検知することができる。 Therefore, in step S132, the output data Xd corresponding to the input data X is generated by the autoencoder. Then, the reconstruction error e is calculated in step S134, and the abnormality degree Sa is calculated in step S136. By doing so, it is possible to detect the abnormality of the input data X from the calculated magnitude of the abnormality degree Sa.
なお、再構成誤差ｅは、例えば、下式（１）に示すように、入力データＸと出力データＸｄとの差分の絶対値を求める式を用いて算出することができる。但し、これに限定されるものではなく、入力データＸと出力データＸｄとの差分のノルムの２乗を求める式を用いて、再構成誤差ｅを算出するようにしてもよい。
ｅ＝｜Ｘ―Ｘｄ｜ ・・・（１）
The reconstruction error e can be calculated, for example, by using an equation for obtaining the absolute value of the difference between the input data X and the output data Xd, as shown in the following equation (1). However, the present invention is not limited to this, and the reconstruction error e may be calculated by using an equation for obtaining the square of the norm of the difference between the input data X and the output data Xd.
e = | X-Xd | ... (1)
異常度Ｓａは、例えば、下式（２）に示すように、算出した再構成誤差ｅのマハラノビス距離を用いて算出することができる。
Ｓａ＝（ｅ―μ）ＴΣ－１（ｅ－μ） ・・・（２）
ここで、μは、再構成誤差を正規分布とみなした場合の平均値ベクトルであり、Σは再構成誤差を正規分布とみなした場合の分散共分散行列であり、μ，Σは最尤法を用いて推定することができる。
The anomaly degree Sa can be calculated using, for example, the Mahalanobis distance of the reconstructed error e calculated as shown in the following equation (2).
Sa = (e-μ) T Σ -1 (e-μ) ... (2)
Here, μ is an average value vector when the reconstruction error is regarded as a normal distribution, Σ is a variance-covariance matrix when the reconstruction error is regarded as a normal distribution, and μ and Σ are maximum likelihood methods. Can be estimated using.
図８は、オートエンコーダーを用いて算出される異常度の例を示す説明図である。図８の例は、入力データが異常の場合と、軽度異常の場合と、重度異常の場合との比較を容易に示すため、１つのモーターのシャフトに配置されたベアリングにセンサーを設置して、シャフトに発生する振動の状態を示す角速度のデータを取得し、上記の手順に従って異常度を算出した結果を、比較して示している。図８では、説明の便宜上、ｘ，ｙ，ｚの直交３軸のうちの１つの軸、例えば、ｘ軸を回転の中心とする角速度のデータについてのみを示しており、他の軸については省略しているが、他の軸の角速度のデータについても、大きさや同様である。なお、入力データＸ及び出力データＸｄのグラフは、横軸がデータの時系列の番号で縦軸が加速度の値を示しており、異常度Ｓａのグラフは横軸がデータの時系列の番号で縦軸が異常度の値を示している。 FIG. 8 is an explanatory diagram showing an example of the degree of abnormality calculated by using the autoencoder. In the example of FIG. 8, a sensor is installed on a bearing arranged on the shaft of one motor in order to easily show a comparison between the case where the input data is abnormal, the case where the input data is minor, and the case where the input data is severe. The results of acquiring the angular velocity data indicating the state of vibration generated in the shaft and calculating the degree of abnormality according to the above procedure are shown in comparison. In FIG. 8, for convenience of explanation, only the data of the angular velocity with one of the three orthogonal axes of x, y, and z, for example, the x-axis as the center of rotation, is shown, and the other axes are omitted. However, the magnitude and the same are true for the angular velocity data of other axes. In the graphs of input data X and output data Xd, the horizontal axis shows the time series number of the data and the vertical axis shows the acceleration value, and in the graph of the degree of abnormality Sa, the horizontal axis shows the time series number of the data. The vertical axis shows the value of the degree of abnormality.
図８からわかるように、算出された異常度Ｓａは、異常の度合いが大きいほど大きくなっており、上記したオートエンコーダーによる異常度算出の手順を用いて算出した異常度の大きさから、入力データの異常を検知することが可能であることを確認した。 As can be seen from FIG. 8, the calculated abnormality degree Sa becomes larger as the degree of abnormality increases, and the input data is obtained from the magnitude of the abnormality degree calculated by using the procedure for calculating the abnormality degree by the autoencoder described above. It was confirmed that it is possible to detect the abnormality of.
なお、上記した異常度Ｓａを算出する手順は、時系列の入力データＸのそれぞれについて算出されるものとして説明したが、時系列の入力データＸのうちの複数の入力データ毎に算出されるようにしてもよい。 Although the procedure for calculating the abnormality degree Sa described above has been described as being calculated for each of the time-series input data X, it is calculated for each of a plurality of input data in the time-series input data X. You may do it.
以上説明したように、図２のステップＳ１３０では、異常診断部３１２は、上記したオードエンコーダーによる異常度算出の手法を用いて、複合動作中に取得した信号データ（本例では、角速度ωのデータ）を入力データとして、複合動作による異常度Ｓａｔを算出する。そして、ステップＳ１４０では、異常診断部３１２は、算出した異常度Ｓａｔが予め設定した閾値Ｓｔｔｈ未満である場合には、ロボットアーム１００の全ての軸、すなわち、全ての関節の動作状態が正常であると判断し、異常度Ｓａｔが閾値Ｓｔｔｈ以上の場合には、少なくとも一つの関節の動作状態が正常でなく、故障の前兆が現れたものと判断し、故障の発生を予測する。なお、少なくとも一つの関節の動作状態が正常でない場合には、既に故障が発生している場合も含まれる。なお、ステップＳ１３０における異常度Ｓａｔの算出、及び、ステップＳ１４０における正常か否かの判断は、具体的には、ステップＳ１２０で取得した直交３軸ｘ，ｙ，ｚの角速度ωｘ，ωｙ，ωｚのデータに対して実行される。
As described above, in step S130 of FIG. 2, the
図９は、複合動作により算出された異常度の変化の一例を示すグラフである。横軸は複合動作の回数を示しており、縦軸は複合動作ごとに算出した異常度Ｓａｔの値を示している。なお、この異常度Ｓａｔには、１回の複合動作中の計測期間において取得された角速度［ωｘ，ωｙ，ωｚ］の時系列の信号データで算出した異常度の平均値が用いられている。これは、１回の複合動作中の計測期間に取得されるいずれの信号データも、関節の動作状態の異常の度合いに応じた変化が反映されているので、取得した時系列の信号データのそれぞれで算出した異常度の値を平均することにより、より安定に高精度に異常度を算出することを目的としたものである。 FIG. 9 is a graph showing an example of the change in the degree of abnormality calculated by the combined operation. The horizontal axis shows the number of times of the combined operation, and the vertical axis shows the value of the abnormality degree Sat calculated for each combined operation. For this abnormality degree Sat, the average value of the abnormality degree calculated from the time-series signal data of the angular velocity [ωx, ωy, ωz] acquired in the measurement period during one combined operation is used. This is because each of the signal data acquired during the measurement period during one combined operation reflects the change according to the degree of abnormality in the joint operation state, so that each of the acquired time-series signal data. The purpose is to calculate the degree of abnormality more stably and with high accuracy by averaging the values of the degree of abnormality calculated in.
図９には、２３回の複合動作による計測が行なわれ、２３回目に故障が発生した場合の異常度Ｓａｔの変化の様子が示されている。１９回目以降に異常度Ｓａｔの上昇がみられ、その後２３回目で故障が発生している。このことから、１９回目の異常度Ｓａｔの上昇は、ロボットアーム１００の少なくとも一つの関節の軸の動作状態が正常ではなくなり、故障の前兆が現れたものと考えることができる。そこで、異常度Ｓａｔの正常か否かの判断に用いる閾値Ｓｔｔｈは、この異常度Ｓａｔの上昇を検知するように設定すればよい。例えば、閾値Ｓｔｔｈは、ロボットアーム１００の全ての関節の軸の動作状態が正常な場合の異常度Ｓａｔを求め、その平均値μと、再構成誤差ｅを正規分布とみなしたときの標準偏差σと、から設定することができる。例えば、正常と考えられる異常度Ｓａｔの分布の範囲を±３σの範囲とすると、閾値Ｓｔｔｈは、Ｓｔｔｈ＝（μ＋３σ）のように設定することができる。図９の例では、Ｓｔｔｈ＝０．０１とされている。
FIG. 9 shows the state of change in the degree of abnormality Sat when the measurement is performed by the combined
図３のステップＳ１６０では、第２段階の異常診断として、単軸診断を実施するか否か判断する。ここで、ステップＳ１４０で正常と判断された場合には、異常診断部３１２は、単軸診断を実行しないと判断し（ステップＳ１６０：ＮＯ）、ステップＳ１７０において、診断結果として、例えば、ロボットアーム１００は正常である旨のメッセージや、異常度Ｓａｔのグラフ（図９参照）を表示して、異常診断の処理を終了する。ユーザーは、表示された異常度Ｓａｔのグラフにより、故障の前兆が発生するまでの変化を視覚的に捉えることができる。なお、ステップＳ１７０の処理は省略可能である。これに対して、ステップＳ１４０で正常でないと判断された場合、すなわち、故障の発生が予測された場合には、異常診断部３１２は、異常診断の処理を終了せず、ステップＳ２１０の処理を実行する。
In step S160 of FIG. 3, it is determined whether or not to carry out the uniaxial diagnosis as the second stage abnormality diagnosis. Here, if it is determined to be normal in step S140, the
ステップＳ２１０において、異常診断部３１２は、制御装置２００に対して、第２段階の異常診断のための動作として、複数の軸のなかから一つの軸を選択し、予め設定した複数の姿勢のなかから一つの姿勢を選択し、単一姿勢で単一軸の単一動作の実行を指示し、ロボットアーム１００に指示した単一動作を実行させる。
In step S210, the
軸の選択は予め設定した順に実行される。例えば、第１軸Ｊ１、第２軸Ｊ２、第３軸Ｊ３、第４軸Ｊ４、第５軸Ｊ５、第６軸Ｊ６の順に選択される。 The axes are selected in a preset order. For example, the first axis J1, the second axis J2, the third axis J3, the fourth axis J4, the fifth axis J5, and the sixth axis J6 are selected in this order.
図１０は、ロボットアームの単一動作の一例を示す説明図である。単一動作は、図１０に示すように、予め定めた単一姿勢の状態で、予め定めた単一軸についてのみ実行させる予め定めた一定の動作を意味している。図１０では、軸Ｊ１，Ｊ２，Ｊ５，Ｊ６を一定の状態とした単一姿勢の状態で、ｘ軸に沿った単一の軸Ｊ３についてのみ動作させる例を示している。一定の動作としては、例えば、加振動作や等速運動等が用いられる。本例では、加振動作が用いられるものとする。なお、加振動作は、対象軸を、その軸を中心として時計回りあるいは反時計回りに微少に回転させることで、対象物、本例では、ロボットアーム１００に振動を発生させる動作である。センサー４００は、加振動作によってセンサー４００の設置位置に発生する加振応答の残留振動を計測する。この残留振動は、ロボットアーム１００の固有振動に起因するものであり、この振動特性の変化を検出することで、対象の軸の異常を検知することが可能である。
FIG. 10 is an explanatory diagram showing an example of a single operation of the robot arm. As shown in FIG. 10, the single motion means a predetermined constant motion to be executed only for a predetermined single axis in a predetermined single posture state. FIG. 10 shows an example in which the axes J1, J2, J5, and J6 are operated in a single posture in a constant state, and only the single axis J3 along the x-axis is operated. As the constant motion, for example, a vibration motion, a constant velocity motion, or the like is used. In this example, it is assumed that the vibration operation is used. The vibration vibration operation is an operation of generating vibration in the object, in this example, the
図３のステップＳ２２０では、異常診断部３１２は、加振動作の計測期間ｔｐにおいて、センサー４００の計測によりセンサー４００から出力され、制御装置２００を介して供給されるセンサー信号の信号データを一定のサンプリング周期で取得する。
In step S220 of FIG. 3, the
図１１は、加振動作中の計測期間ｔｐにセンサー４００により取得された角速度ωの一例を示す説明図である。横軸は時間［×１０３ｓｅｃ］、縦軸は角速度ω［ｒａｄ／ｓｅｃ］、具体的には、ｘ軸，ｙ軸，ｚ軸を回転の中心とする角速度ωｘ，ωｙ，ωｚ［ｒａｄ／ｓｅｃ］を示している。図１１に示すように、センサー４００の設置位置では、直交３軸ｘ，ｙ，ｚの角速度ωｘ，ωｙ，ωｚについて、加振動作に応じた残留振動が発生する。上記したように、この残留振動の振動特性の変化を検出することで、対象の軸の異常を検知することが可能である。
FIG. 11 is an explanatory diagram showing an example of the angular velocity ω acquired by the
そこで、図３のステップＳ２３０では、異常診断部３１２は、取得した信号データ（本例では、角速度ωのデータ）を用いて異常度Ｓａｓを算出し、ステップＳ２４０において、異常度Ｓａｓが閾値Ｓｓｔｈ未満の場合、対象軸の動作状態は正常であり、異常度Ｓａｓが閾値Ｓｓｔｈ以上の場合、対象の軸の動作状態は正常でなく、故障の前兆が現れたものと判断する。なお、対象の軸の動作状態は正常でない場合には、既に故障が発生している場合も含まれる。そして、異常診断部３１２は、ステップＳ２５０において、ステップＳ２３０で算出した異常度Ｓａｓを、記憶部３２０の診断結果用の記憶領域３２６に時系列順に格納して、異常度Ｓａｓの時系列データ及びそのグラフを更新する。なお、異常度Ｓａｓの算出は、ステップＳ１３０における異常度Ｓａｔの算出と同様に、オートエンコーダーを利用した異常度算出の手法（図７参照）を用いて実行される。また、異常度Ｓａｓおよび閾値Ｓｓｔｈとしては、具体的には、ステップＳ２２０で取得した直交３軸ｘ，ｙ，ｚの角速度ωｘ，ωｙ，ωｚに対して、異常度Ｓａｓが算出され、閾値Ｓｓｔｈが利用される。
Therefore, in step S230 of FIG. 3, the
図１２は、軸の動作状態が正常な場合に加振動作により算出された異常度の一例を示すグラフである。また、図１３は、軸の動作状態が正常でない場合に加振動作により算出された異常度の一例を示すグラフである。これらは、１秒間の加振動作の間に、サンプリン周波数５０Ｈｚで５０サンプルのデータを取得した場合の例を示しており、横軸は時系列に取得されたデータの番号であり、縦軸は取得したデータごとに算出した異常度Ｓａｓを示している。 FIG. 12 is a graph showing an example of the degree of abnormality calculated by the vibration operation when the operating state of the shaft is normal. Further, FIG. 13 is a graph showing an example of the degree of abnormality calculated by the vibration operation when the operating state of the shaft is not normal. These show an example of the case where 50 samples of data are acquired at a sampling frequency of 50 Hz during the vibration operation for 1 second, the horizontal axis is the number of the acquired data in time series, and the vertical axis is the number of the acquired data. The abnormality degree Sas calculated for each acquired data is shown.
複合動作の場合の異常度Ｓａｔは、１回の複合動作中に取得したデータごとに算出した異常度の平均値としている（図９参照）のに対して、図１２および図１３に示した異常度Ｓａｓは、平均値ではなく、取得したデータごとに算出した異常度で示している。これは、複合動作と比べて計測した回数および取得したデータの数が少ないために、わかりやすく表示するためである。なお、等速運動のように計測期間中に亘って、軸の動作状態に応じた異常度を算出可能な場合には、複合動作の場合と同様に平均値を用いてもよい。 The abnormality degree S in the case of the combined operation is the average value of the abnormality degree calculated for each data acquired during one combined operation (see FIG. 9), whereas the abnormality shown in FIGS. 12 and 13 is shown. The degree Sa is not an average value but an abnormality degree calculated for each acquired data. This is because the number of measurements and the number of acquired data are smaller than those of the combined operation, so that the display is easy to understand. If it is possible to calculate the degree of abnormality according to the operating state of the shaft over the measurement period as in the case of constant velocity motion, the average value may be used as in the case of combined motion.
単一動作を行なった対象軸の動作状態が正常な場合、図１２に示すように、異常度Ｓａｓは小さな値となる。これに対して、対象軸の動作状態が正常でない場合、すなわち、故障につながる前兆の動作状態の場合には、図１３に示すように、異常度Ｓａｓは大きな値となる。そこで、異常度Ｓａｓの正常か否かの判断に用いる閾値Ｓｓｔｈは、複合動作において用いられる閾値Ｓｔｔｈと同様に、この異常度Ｓａｓの上昇を検知するように設定すればよい。例えば、閾値Ｓｓｔｈは、対象軸が正常な場合の異常度Ｓａｓを求めて、その平均値μｓと、再構成誤差ｅを正規分布とみなしたときの標準偏差σｓと、から設定することができる。例えば、正常と考えられる異常度Ｓａｓの分布の範囲を±３σｓの範囲とすると、閾値Ｓｓｔｈは、Ｓｓｔｈ＝（μｓ＋３σｓ）のように設定することができる。図１３の例では、Ｓｓｔｈ＝７とされている。 When the operating state of the target axis in which a single operation is performed is normal, the abnormality degree Sa becomes a small value as shown in FIG. On the other hand, when the operating state of the target axis is not normal, that is, when the operating state is a precursor to failure, the abnormality degree Sa becomes a large value as shown in FIG. Therefore, the threshold value Ssth used for determining whether or not the abnormality degree Sas is normal may be set so as to detect an increase in the abnormality degree Sas, similarly to the threshold value Stth used in the combined operation. For example, the threshold value Ssth can be set from the average value μs of the anomaly degree Sas when the target axis is normal and the standard deviation σs when the reconstruction error e is regarded as a normal distribution. For example, assuming that the range of the distribution of the degree of abnormality Sa considered to be normal is in the range of ± 3σs, the threshold value Ssth can be set as Ssth = (μs + 3σs). In the example of FIG. 13, Ssth = 7.
図１４は、単一動作により算出された異常度の変化の一例を示すグラフである。横軸は単一動作ごとの時系列データの番号を連番で示しており、縦軸は時系列データごとに算出した異常度Ｓａｓの値を示している。 FIG. 14 is a graph showing an example of the change in the degree of abnormality calculated by a single operation. The horizontal axis shows the number of the time series data for each single operation as a serial number, and the vertical axis shows the value of the abnormality degree Sas calculated for each time series data.
図１４の例では、５回の単一動作による計測が行なわれ場合の異常度Ｓａｓの変化の様子が示されている。５回目の単一動作において、閾値Ｓｓｔｈを超えるような急激な異常度Ｓａｓの上昇がみられ、その軸の動作状態が正常ではなくなり、故障の前兆が現れた状態が示されている。 In the example of FIG. 14, the state of change in the degree of abnormality Sas when the measurement is performed by a single operation five times is shown. In the fifth single operation, a sudden increase in the degree of abnormality Sas exceeding the threshold value Ssth was observed, the operating state of the axis became abnormal, and a state in which a sign of failure appeared was shown.
図３のステップＳ２６０では、異常診断部３１２は、現在選択している軸に対して、予め設定されている複数の姿勢の全ての姿勢での単一動作による診断が完了したか否かの判断を行なう。ここで、異常診断部３１２は、全ての姿勢での単一動作が完了していない場合（ステップＳ２６０：ＮＯ）、未実行の姿勢を予め設定された順に選択してステップＳ２１０～Ｓ２５０の処理を実行し、全ての姿勢での単一動作が完了した場合には（ステップＳ２６０：ＹＥＳ）、ステップＳ２７０の判断を実行する。
In step S260 of FIG. 3, the
ステップＳ２７０では、異常診断部３１２は、全ての軸について単一動作による診断が検量したか否かの判断を行なう。ここで、異常診断部３１２は、全ての軸での単一動作が完了していない場合（ステップＳ２７０：ＮＯ）、未実行の軸を選択してステップＳ２１０～Ｓ２６０の処理を実行し、全ての軸での単一動作が完了した場合には（ステップＳ２７０：ＹＥＳ）、ステップＳ２８０の処理を実行する。
In step S270, the
ステップＳ２８０では、ステップＳ１７０と同様に、診断結果として、例えば、故障の可能性がある軸を示すメッセージや、各軸についての異常度Ｓａｓのグラフ（図１４参照）を表示して、異常診断の処理を終了する。ユーザーは、表示された異常度Ｓａｓのグラフにより、故障の前兆が発生するまでの変化を視覚的に捉えることができる。表示される異常度Ｓａｓのグラフとしては、過去から現在までの異常度の変化を示すグラフ（図１４参照）ではなく、今回の診断による異常度のグラフ（図１２，図１３参照）を表示するようにしてもよい。なお、ステップＳ２８０の処理は省略可能である。 In step S280, as in step S170, as a diagnosis result, for example, a message indicating an axis that may have a failure and a graph of the degree of abnormality Sas for each axis (see FIG. 14) are displayed to diagnose the abnormality. End the process. The user can visually grasp the change until the precursor of the failure occurs by the graph of the displayed abnormality degree Sas. As the graph of the degree of abnormality Sas to be displayed, not the graph showing the change of the degree of abnormality from the past to the present (see FIG. 14), but the graph of the degree of abnormality by this diagnosis (see FIGS. 12 and 13) is displayed. You may do so. The process of step S280 can be omitted.
以上説明したように、本実施形態の異常診断では、まず、第１段階の異常診断として、ロボットアーム１００の全ての関節を同時に動かすように複合動作させる診断を行なっている。具体的には、複合動作させて、全ての関節すなわち軸が同時に動作している期間中に、センサー４００の計測により取得されたセンサー信号の信号データについて異常度Ｓａｔを算出している。そして、算出した異常度Ｓａｔが閾値Ｓｔｔｈ未満の場合には、ロボットアーム１００の全ての関節の動作状態は正常であると判断している。これにより、関節ごとの単一動作により診断を行なう場合に比べて、少ない取得データで短時間にロボットアーム１００の関節の動作状態が正常であるか、いずれかの関節の動作状態が正常でなく異常の可能性があるか、の判断を行なうことができる。
As described above, in the abnormality diagnosis of the present embodiment, first, as the first stage abnormality diagnosis, a diagnosis is performed in which all the joints of the
また、全ての関節の動作状態が正常な場合の信号データを用いて予め学習させた学習モデルで構成されるオートエンコーダーを用いて、オードエンコーダーに入力された信号データと、オードエンコーダーから出力された信号データとの不一致度を表す再構成誤差から、異常度Ｓａｔを算出している。これにより、ロボットアーム１００の関節の動作状態が正常であるか、いずれかの関節の動作状態が正常でなく異常の可能性があるかの判断を、高速かつ高精度に行なうことができる。
In addition, the signal data input to the ode encoder and the signal data output from the ode encoder were output using an auto encoder composed of a learning model that was trained in advance using signal data when the operating states of all joints were normal. The degree of abnormality Sat is calculated from the reconstruction error representing the degree of inconsistency with the signal data. As a result, it is possible to determine whether the operating state of the joints of the
そして、第１段階の異常診断で、いずれかの関節の動作状態が正常でなく異常の可能性があると判断した場合、第２段階の異常診断で、軸毎に単一動作させる診断を行なっている。具体的には、選択した軸毎に、設定した姿勢で単一動作を実行させている期間中に、センサー４００の計測により取得されたセンサー信号の信号データの異常度Ｓａｓを算出している。そして、算出した異常度Ｓａｓが閾値Ｓｓｔｈ未満の場合、対象軸すなわち対象関節の動作状態は正常であると判断し、異常度Ｓａｓが閾値Ｓｓｔｈ以上の場合、対象関節の動作状態は正常でなく、故障の前兆が表されたものと判断している。これにより、いずれの関節の動作状態が正常で、いずれの関節の動作状態が正常でなく異常の可能性があるかを、関節毎に個別に判断することができる。
Then, when it is determined in the first stage abnormality diagnosis that the operating state of one of the joints is not normal and there is a possibility of abnormality, in the second stage abnormality diagnosis, a single operation is performed for each axis. ing. Specifically, the abnormality degree Sas of the signal data of the sensor signal acquired by the measurement of the
また、単一動作による診断においても、複合動作の場合と同様に、予め学習された学習モデルによって構成されたオードエンコーダーに入力された信号データと、オードエンコーダーから出力された信号データとの不一致度を表す再構成誤差ｅから、異常度Ｓａｓを算出している。これにより、いずれの関節の動作状態が正常で、いずれの関節の動作状態が正常でなく異常の可能性があるかを、関節毎に個別に高精度に判断することができる。 Further, even in the diagnosis by a single operation, the degree of discrepancy between the signal data input to the ode encoder configured by the learning model learned in advance and the signal data output from the ode encoder is the same as in the case of the combined operation. The degree of abnormality Sas is calculated from the reconstruction error e representing. As a result, it is possible to individually and accurately determine which joint's operating state is normal and which joint's operating state is not normal and may be abnormal.
従って、第１段階の複合動作による診断により、少ない取得データで短時間にロボットアーム１００の関節の動作状態が正常であるか、関節のいずれかの動作状態が正常でなく異常の可能性があるか、の判断を行なうことができる。そして、第２段階の単一動作による診断により、いずれの関節の動作状態が正常で、いずれの関節の動作状態が正常でなく異常の可能性があるかを、関節毎に個別に高精度に判断することができる。これにより、ロボットアーム１００を利用した生産現場において、ロボットアーム１００の診断により稼働できなくなる診断時間を可能な限り短くして、生産性の低下の抑制することが可能である。
Therefore, there is a possibility that the motion state of the joint of the
Ｂ．他の実施形態：
（Ｂ１）上記実施形態では、第２段階の単一動作による異常診断において、第１軸Ｊ１、第２軸Ｊ２、第３軸Ｊ３、第４軸Ｊ４、第５軸Ｊ５、第６軸Ｊ６の関節の順に選択するものとして説明した。しかしながら、関節の選択の順番に特に限定はなく、予め設定した順に選択されればよい。
B. Other embodiments:
(B1) In the above embodiment, in the abnormality diagnosis by the single operation of the second stage, the first axis J1, the second axis J2, the third axis J3, the fourth axis J4, the fifth axis J5, and the sixth axis J6. It was explained as selecting in the order of joints. However, the order of joint selection is not particularly limited, and the joints may be selected in a preset order.
また、例えば、６軸のロボットアームの場合、第３軸Ｊ３や第４軸Ｊ４の関節が故障しやすいので、これらの関節を優先して選択するようにしてもよい。 Further, for example, in the case of a 6-axis robot arm, the joints of the 3rd axis J3 and the 4th axis J4 are likely to break down, so that these joints may be preferentially selected.
（Ｂ２）上記実施形態では、第２段階の単一動作による異常診断において、全ての関節で単一動作による診断を実行するものとして説明したが、異常の可能性があると判断した時点で、異常診断を終了するようにしてもよい。この場合に、（Ｂ１）に記載のように、故障の可能性が高い軸に関して優先的に単一動作による診断動作を実行させるようにしておけば、異常の発生の可能性が複数の軸ではなく１つの軸で発生する可能性が高い場合に、比較的短時間で異常の検出及び修復を行なうことができる。 (B2) In the above embodiment, in the abnormality diagnosis by the single movement in the second stage, the diagnosis by the single movement is performed in all the joints, but when it is determined that there is a possibility of the abnormality, the diagnosis is performed. The abnormality diagnosis may be terminated. In this case, as described in (B1), if the diagnostic operation by a single operation is preferentially executed for the axis having a high possibility of failure, the possibility of abnormality is likely to occur in a plurality of axes. Abnormalities can be detected and repaired in a relatively short time when there is a high possibility that they will occur on one axis.
（Ｂ３）上記実施形態では、第２段階の単一動作による異常診断において、選択した軸で実行する単一動作を、予め設定した複数の姿勢のうちの一つを予め設定した順に選択して実行する場合を例に説明したが、あらかじめ設定した１つの姿勢のみとして、図３のステップ２６０の判断を省略してもよい。この場合、複数の姿勢のうち最も効果的に診断可能な姿勢を用いて、短時間で選択した軸の状態が正常か否か判断することができる。 (B3) In the above embodiment, in the abnormality diagnosis by the single motion of the second stage, the single motion to be executed on the selected axis is selected in the order in which one of the plurality of preset postures is preset. Although the case of execution has been described as an example, the determination in step 260 of FIG. 3 may be omitted by assuming only one posture set in advance. In this case, it is possible to determine in a short time whether or not the state of the selected axis is normal by using the posture that can be diagnosed most effectively among the plurality of postures.
（Ｂ４）上記実施形態で、第１段階の複合動作による診断のために、オートエンコーダーの学習に用いられる、ロボットアームの状態が正常であった場合のセンサー信号のデータには、例えば、ロボットアームの製造工程において予め取得して、記憶部に格納されているデータを用いるようにすればよい。また、例えば、メンテナンスにおいて、修理等によってロボットアームの関節の全てが正常な状態にリセットされた場合に、ユーザーの指示によって複合動作を実行させて取得したセンサー信号のデータを記憶部に格納し、格納したデータをオートエンコーダーの学習に用いるようにしてもよい。 (B4) In the above embodiment, for the diagnosis by the combined operation of the first stage, the data of the sensor signal when the state of the robot arm is normal, which is used for learning the auto encoder, is, for example, the robot arm. The data acquired in advance in the manufacturing process of the above and stored in the storage unit may be used. Further, for example, in maintenance, when all the joints of the robot arm are reset to the normal state due to repair or the like, the sensor signal data acquired by executing the combined operation according to the user's instruction is stored in the storage unit. The stored data may be used for learning of the auto encoder.
また、第２段階の単一動作の診断のために、オートエンコーダーの学習に用いられる、対象関節の状態が正常であった場合のセンサー信号のデータも、ロボットアームの製造工程において予め取得して、記憶部に格納されているデータを用いるようにすればよい。また、例えば、メンテナンスにおいて、修理等によってロボットアームの対象関節が正常な状態にリセットされた場合に、ユーザーの指示によって、その対象関節を単一動作させて取得したセンサー信号のデータを記憶部に格納し、格納したデータをオートエンコーダーの学習に用いるようにしてもよい。 In addition, for the diagnosis of a single motion in the second stage, the sensor signal data when the state of the target joint is normal, which is used for learning the autoencoder, is also acquired in advance in the robot arm manufacturing process. , The data stored in the storage unit may be used. Further, for example, in maintenance, when the target joint of the robot arm is reset to a normal state due to repair or the like, the sensor signal data acquired by operating the target joint in a single operation according to the user's instruction is stored in the storage unit. It may be stored and the stored data may be used for learning of the auto encoder.
（Ｂ５）上記実施形態では、第１段階の異常診断において、オートエンコーダーのように機械学習によって設定された学習モデルによって、取得したセンサー信号の表す波形と、ロボットアームの状態が正常であった場合のセンサー信号の表す波形との不一致度を示す異常度を算出している。しかしながら、これに限定されるものではなく、取得した信号データの表す波形の特徴点と、予め用意されたロボットアームの状態が正常であった場合のセンサー信号の波形の特徴点とを比較することにより、不一致度を示す異常度を算出するようにしてもよい。第２段階の異常診断においても同様である。 (B5) In the above embodiment, in the first stage abnormality diagnosis, when the waveform represented by the sensor signal acquired by the learning model set by machine learning like an auto encoder and the state of the robot arm are normal. The degree of abnormality indicating the degree of inconsistency with the waveform represented by the sensor signal of is calculated. However, the present invention is not limited to this, and it is necessary to compare the characteristic points of the waveform represented by the acquired signal data with the characteristic points of the waveform of the sensor signal when the state of the robot arm prepared in advance is normal. Therefore, the degree of abnormality indicating the degree of inconsistency may be calculated. The same applies to the second stage abnormality diagnosis.
（Ｂ６）上記実施形態では、第１段階の複合動作による異常診断の後、第２段階の単一動作による異常診断を実行するものとして説明したが、第２段階の異常診断の前に、あるいは、第２段階の異常診断に替えて、以下の診断を行なうようにしてもよい。 (B6) In the above embodiment, it has been described that the abnormality diagnosis by the combined operation of the first stage is followed by the abnormality diagnosis by the single operation of the second stage, but before the abnormality diagnosis of the second stage or , The following diagnosis may be performed instead of the second stage abnormality diagnosis.
第１段階の異常診断で、ロボットアームの動作状態は正常でないと判断した場合に、複数の関節を、２以上の関節を１つの群として複数の群に区分し、複数の群のうち１つを選択して、選択した対象群に含まれる関節の全てが同時に動作している状態となるように動作させる。そして、第１段階の複合動作による診断と同様に、対象群に含まれる関節の状態が正常であるか否か判断するようにしてもよい。このようにすれば、群ごとに複合動作による診断を実行することにより、異常の可能性のある関節を含む群を絞り込むことができる。そして、絞り込んだ群に含まれる関節について順に単一動作による診断を実行すれば、全ての関節を順に診断する場合に比べて短時間で異常の可能性のある関節を特定することが可能である。 When it is determined in the first stage abnormality diagnosis that the operating state of the robot arm is not normal, multiple joints are divided into multiple groups with two or more joints as one group, and one of the multiple groups. Is selected so that all the joints included in the selected target group are operating at the same time. Then, as in the case of the diagnosis by the combined motion of the first stage, it may be determined whether or not the state of the joint included in the target group is normal. By doing so, it is possible to narrow down the group including the joints that may be abnormal by performing the diagnosis by the combined movement for each group. Then, if the joints included in the narrowed-down group are sequentially diagnosed by a single movement, it is possible to identify the joints that may be abnormal in a shorter time than when all the joints are diagnosed in order. ..
（Ｂ７）上記実施形態では、第２段階の単一動作による異常診断によって、いずれの関節に異常の可能性があるか判断している。このようにして異常の可能性があると判断した関節について、取得した信号データの表す波形パターンと、予め用意された既知の故障パターンの波形と、を比較することにより、故障内容を特定するようにしてもよい。このようにすれば、比較的短時間で修復を行なうことができる。なお、取得した信号データの表す波形パターンと、予め用意された既知の故障パターンの波形との比較による故障パターンの特定には、予め用意された既知の故障パターンを用いて予め機械学習させた学習モデルを利用する手法や、取得した信号データの表す波形パターンの特徴点と、予め用意された既知の故障パターンの波形の特徴点とを比較する手法等の種々の手法を利用することができる。 (B7) In the above embodiment, it is determined which joint has the possibility of abnormality by the abnormality diagnosis by the single movement of the second stage. For the joint determined to have the possibility of abnormality in this way, the failure content should be specified by comparing the waveform pattern represented by the acquired signal data with the waveform of the known failure pattern prepared in advance. You may do it. By doing so, the repair can be performed in a relatively short time. In order to identify the failure pattern by comparing the waveform pattern represented by the acquired signal data with the waveform of the known failure pattern prepared in advance, learning performed by machine learning in advance using the known failure pattern prepared in advance. Various methods such as a method using a model and a method of comparing the feature points of the waveform pattern represented by the acquired signal data with the feature points of the waveform of a known failure pattern prepared in advance can be used.
（Ｂ８）上記実施形態では、センサー４００をアーム１２０のアームエンド１２２に設定していたが、これに限定されるものではない。アームエンド１２２よりも手元側にセンサー４００を設置してもよい。センサー４００は、アーム１２０の手元側よりも手先側、すなわち、アーム１２０の先端側のいずれかの位置に設置されていればよい。但し、より先端側にセンサー４００を設置する方が、複合動作における各関節の状態に応じた振動の変化をより顕著に検出することが可能である。
(B8) In the above embodiment, the
（Ｂ９）上記実施形態では、複合動作による診断の場合と、単一動作による診断の場合とで、同じ角速度を検出するセンサーから出力されるセンサー信号を用いて診断を行なっている。これに対して、複合動作による診断の場合と、単一動作による診断の場合とで、異なるセンサーから出力されるセンサー信号を用いて診断を行なうようにしてもよい。このようにすれば、それぞれの診断に適したセンサーから出力されるセンサー信号を用いて、より適切な診断を行なうことが可能である。 (B9) In the above embodiment, the diagnosis is performed using the sensor signal output from the sensor that detects the same angular velocity in the case of the diagnosis by the combined motion and the case of the diagnosis by the single motion. On the other hand, the diagnosis may be performed using the sensor signals output from different sensors in the case of the diagnosis by the combined operation and the case of the diagnosis by the single operation. By doing so, it is possible to perform a more appropriate diagnosis by using the sensor signals output from the sensors suitable for each diagnosis.
（Ｂ１０）上記実施形態では、情報処理装置３００を、制御装置２００とは別の構成として説明したが、制御装置２００に情報処理装置３００の機能が組み込まれた構成としてもよい。
(B10) In the above embodiment, the
（Ｂ１１）上記実施形態えは、６軸のロボットアーム１００を例に説明したが、これに限定されるものではなく、２以上の複数の軸を有する多関節ロボットアームに適用可能である。
(B11) Although the above embodiment has been described by taking a 6-
Ｃ．他の形態：
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。
C. Other forms:
The present disclosure is not limited to the above-described embodiment, and can be realized in various forms without departing from the spirit thereof. For example, the present disclosure can also be realized by the following aspect. The technical features in each of the embodiments described below correspond to the technical features in the above embodiments in order to solve some or all of the problems of the present disclosure, or some or all of the effects of the present disclosure. It is possible to replace or combine as appropriate to achieve the above. Further, if the technical feature is not described as essential in the present specification, it can be appropriately deleted.
（１）本開示の第１の形態によれば、ロボットアームの状態判断方法が提供される。この状態判断方法は、（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる工程と、（ｂ）前記工程（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する工程と、（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、工程と、を含む。
ロボットアームの全ての関節を同時に動作させている状態におけるセンサー信号の波形には、各関節の動作状態の変化に応じた変化が重ね合わされた状態で含まれる。そこで、このロボットアームの状態判断方法では、複数の関節の全てが同時に動作している状態において、ロボットアームの先端側のいずれかの位置に設けられたセンサーから出力されるセンサー信号の波形と、ロボットアームの状態が正常であった場合のセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、ロボットアームの状態は正常であると判断する。これにより、関節毎にその状態を判断する場合に比べて、短時間でロボットアームの状態が正常か否かを判断することができる。
(1) According to the first aspect of the present disclosure, a method for determining a state of a robot arm is provided. This state determination method includes (a) a step of operating the robot arm so that all of the plurality of joints are operating at the same time, and (b) all of the plurality of joints by the step (a). A step of acquiring a sensor signal output from a sensor provided at any position on the tip side of the robot arm in a state of simultaneous operation and capable of detecting the vibration of the robot arm, and (c) acquisition. The degree of discrepancy between the waveform represented by the sensor signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and if the calculated degree of discrepancy is less than a predetermined threshold value, It includes a step of determining that the state of the robot arm is normal.
The waveform of the sensor signal in the state where all the joints of the robot arm are operated at the same time includes the state in which the changes corresponding to the changes in the operating state of each joint are superimposed. Therefore, in this robot arm state determination method, when all of the plurality of joints are operating at the same time, the waveform of the sensor signal output from the sensor provided at any position on the tip side of the robot arm and the waveform of the sensor signal are used. The degree of inconsistency with the waveform represented by the sensor signal when the state of the robot arm is normal is calculated, and if the calculated degree of inconsistency is less than a predetermined threshold, the state of the robot arm is judged to be normal. do. As a result, it is possible to determine whether or not the state of the robot arm is normal in a short time as compared with the case where the state is determined for each joint.
（２）上記ロボットアームの状態判断方法において、前記工程（ｃ）において前記ロボットアームの状態は正常でないと判断した場合、（ｄ）前記複数の関節を、２以上の関節を１つの群として複数の群に区分し、前記複数の群のうち１つを選択し、選択した対象群に含まれる関節の全てが同時に動作している状態となるように動作させる工程と、（ｅ）前記工程（ｄ）によって前記対象群に含まれる関節の全てが同時に動作している状態において、前記センサーから出力されるセンサー信号を取得する工程と、（ｆ）取得したセンサー信号の表す波形と、前記対象群に含まれる関節の状態が全て正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた前記対象群用の閾値未満である場合には、前記対象群に含まれる関節の状態は正常であると判断する、工程と、を含むものとしてもよい。
この状態判断方法によれば、関節毎に状態を判断する場合に比べて、異常な関節の絞り込みを短時間で行なうことが可能である。
(2) In the method for determining the state of the robot arm, when it is determined in the step (c) that the state of the robot arm is not normal, (d) a plurality of the plurality of joints are grouped with two or more joints. A step of dividing into the groups of, selecting one of the plurality of groups, and operating the joints included in the selected target group so that all the joints are operating at the same time, and (e) the step (e). In a state where all the joints included in the target group are operating at the same time by d), the step of acquiring the sensor signal output from the sensor, (f) the waveform represented by the acquired sensor signal, and the target group. The degree of inconsistency with the waveform represented by the sensor signal acquired when all the joint conditions included in the above are normal is calculated, and if the calculated degree of inconsistency is less than the predetermined threshold value for the target group, It may include a step of determining that the state of the joint included in the target group is normal.
According to this state determination method, it is possible to narrow down abnormal joints in a short time as compared with the case of determining the state for each joint.
（３）上記ロボットアームの状態判断方法において、前記工程（ｃ）において前記ロボットアームの状態は正常でないと判断した場合、（ｇ）前記複数の関節から１つの関節を選択し、選択した対象関節を動作させる工程と、（ｈ）前記工程（ｇ）によって前記対象関節が動作している状態において、前記センサーから出力されるセンサー信号を取得する工程と、（ｉ）取得したセンサー信号の表す波形と、前記対象関節の状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた前記対象関節用の閾値未満である場合には、前記対象関節の状態は正常であると判断する、工程と、を含むものとしてもよい。
この状態判断方法によれば、異常な関節の特定を行なうことが可能である。
(3) In the method for determining the state of the robot arm, when it is determined in the step (c) that the state of the robot arm is not normal, (g) one joint is selected from the plurality of joints, and the selected target joint is selected. (H) A step of acquiring a sensor signal output from the sensor in a state where the target joint is operating by the step (g), and (i) a waveform represented by the acquired sensor signal. And, the degree of inconsistency with the waveform represented by the sensor signal acquired when the state of the target joint is normal is calculated, and when the calculated degree of inconsistency is less than the predetermined threshold value for the target joint, It may include a step of determining that the condition of the target joint is normal.
According to this state determination method, it is possible to identify an abnormal joint.
（４）上記ロボットアームの状態判断方法において、前記対象関節の動作は、前記ロボットアームを振動させる加振動作であるとしてもよい。
この状態判断方法によれば、対象関節の状態の変化を効果的に検出することができる。
(4) In the method for determining the state of the robot arm, the motion of the target joint may be a vibration motion that vibrates the robot arm.
According to this state determination method, changes in the state of the target joint can be effectively detected.
（５）上記ロボットアームの状態判断方法において、前記ロボットアームは、根元側から先端側に向かって６つの関節を有しており、前記根元側を基準として３軸目の関節および４軸目の関節が、前記対象関節として優先して選択されるものとしてもよい。
この状態判断方法によれば、異常が発生する可能性の高い関節から効率良く状態判断を行なうことができる。
(5) In the method for determining the state of the robot arm, the robot arm has six joints from the root side to the tip side, and the third-axis joint and the fourth-axis joint with the root side as a reference. The joint may be preferentially selected as the target joint.
According to this state determination method, the state can be efficiently determined from the joints at which an abnormality is likely to occur.
（６）上記ロボットアームの状態判断方法において、前記工程（ｃ）における不一致度の算出は、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形のデータを用いた機械学習によって設定された学習モデルに従って実行されるものとしてもよい。
この状態判断方法によれば、不一致度の算出を容易かつ高精度に行なうことができる。
(6) In the method for determining the state of the robot arm, the calculation of the degree of mismatch in the step (c) is machine learning using the waveform data represented by the sensor signal acquired when the state of the robot arm is normal. It may be executed according to the learning model set by.
According to this state determination method, the degree of inconsistency can be calculated easily and with high accuracy.
（７）上記ロボットアームの状態判断方法において、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形には、あらかじめ記憶部に格納されたデータの表す波形が用いられるものとしてもよい。
この状態判断方法によれば、予め記憶部に格納された、ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形のデータを基準として、不一致度の算出を実行することができる。
(7) In the method for determining the state of the robot arm, it is assumed that the waveform represented by the data stored in the storage unit in advance is used as the waveform represented by the sensor signal acquired when the state of the robot arm is normal. May be good.
According to this state determination method, it is possible to calculate the degree of mismatch based on the waveform data represented by the sensor signal acquired when the state of the robot arm is normal, which is stored in the storage unit in advance. ..
（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、複数の関節を有するロボットアームと、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーと、前記ロボットアームを制御する制御部と、を備え、前記制御部は、（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる処理と、（ｂ）前記処理（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する処理と、（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、処理と、を実行する。
このロボットシステムによれば、複数の関節の全てが同時に動作している状態において、ロボットアームの先端側のいずれかの位置に設けられたセンサーから出力されるセンサー信号の波形と、ロボットアームの状態が正常であった場合のセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、ロボットアームの状態は正常であると判断する。これにより、関節毎にその状態を判断する場合に比べて、短時間でロボットアームの状態が正常か否かを判断することができる。
(8) According to the second aspect of the present disclosure, a robot system is provided. This robot system includes a robot arm having a plurality of joints, a sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm, and a control unit for controlling the robot arm. , And the control unit is (a) operated so that all of the plurality of joints of the robot arm are operating at the same time, and (b) the plurality of joints by the process (a). In a state where all of the above are operating at the same time, a process of acquiring a sensor signal output from a sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm, and (c). ) When the degree of discrepancy between the waveform represented by the acquired sensor signal and the waveform represented by the acquired sensor signal when the state of the robot arm is normal is calculated and the calculated degree of discrepancy is less than a predetermined threshold value. The process of determining that the state of the robot arm is normal is executed.
According to this robot system, the waveform of the sensor signal output from the sensor provided at any position on the tip side of the robot arm and the state of the robot arm when all of the plurality of joints are operating at the same time. The degree of inconsistency with the waveform represented by the sensor signal when is normal is calculated, and if the calculated degree of inconsistency is less than a predetermined threshold value, it is determined that the state of the robot arm is normal. As a result, it is possible to determine whether or not the state of the robot arm is normal in a short time as compared with the case where the state is determined for each joint.
（９）本開示の第３の形態によれば、ロボットアームの状態判断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）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる処理と、（ｂ）前記処理（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する処理と、（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、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、複数の関節の全てが同時に動作している状態において、ロボットアームの先端側のいずれかの位置に設けられたセンサーから出力されるセンサー信号の波形と、ロボットアームの状態が正常であった場合のセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、ロボットアームの状態は正常であると判断する。これにより、関節毎にその状態を判断する場合に比べて、短時間でロボットアームの状態が正常か否かを判断することができる。
(9) According to the third aspect of the present disclosure, a computer program for causing a processor to execute a state determination of a robot arm is provided. This computer program includes (a) a process of operating all of the plurality of joints of the robot arm so as to be in a state of operating at the same time, and (b) the process of (a) causing all of the plurality of joints to operate at the same time. In the operating state, a process of acquiring a sensor signal output from a sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm, and (c) the acquired sensor. The degree of discrepancy between the waveform represented by the signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and if the calculated degree of discrepancy is less than a predetermined threshold value, the above-mentioned The processor is made to execute the process of determining that the state of the robot arm is normal.
According to this computer program, the waveform of the sensor signal output from the sensor provided at any position on the tip side of the robot arm and the state of the robot arm when all of the multiple joints are operating at the same time. The degree of inconsistency with the waveform represented by the sensor signal when is normal is calculated, and if the calculated degree of inconsistency is less than a predetermined threshold value, it is determined that the state of the robot arm is normal. As a result, it is possible to determine whether or not the state of the robot arm is normal in a short time as compared with the case where the state is determined for each joint.
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、ロボットアームとロボットアームの制御装置とを備えたロボットシステム、ロボットアームの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。 The present disclosure can also be realized in various forms other than the above. For example, a robot system equipped with a robot arm and a robot arm control device, a computer program for realizing the function of the robot arm control device, and a non-transitory storage medium in which the computer program is recorded. It can be realized in such a form.
１００…ロボットアーム、１１０…基台、１２０…アーム、１３０…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…異常診断部、３２０…記憶部、３２４…学習モデル用の記憶領域、３２６…診断結果用の記憶領域、３３０…インターフェイス回路、３４０…入力デバイス、３５０…表示部、５００…軸構成部品、５１０…モーター、５２０…ブレーキ、５３０…減速機 100 ... Robot arm, 110 ... Base, 120 ... Arm, 130 ... End effector, 200 ... Control device, 300 ... Information processing device, 310 ... Processor, 312 ... Abnormality diagnosis unit, 320 ... Storage unit, 324 ... For learning model Storage area, 326 ... Storage area for diagnostic results, 330 ... Interface circuit, 340 ... Input device, 350 ... Display unit, 500 ... Shaft components, 510 ... Motor, 520 ... Brake, 530 ... Reducer
Claims (9)
（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる工程と、
（ｂ）前記工程（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する工程と、
（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、工程と、
を含む、ロボットアームの状態判断方法。 It is a method of judging the state of the robot arm.
(A) A step of operating the robot arm so that all of the plurality of joints of the robot arm are operating at the same time.
(B) From a sensor provided at any position on the tip side of the robot arm and capable of detecting vibration of the robot arm in a state where all of the plurality of joints are operating at the same time by the step (a). The process of acquiring the output sensor signal and
(C) The degree of discrepancy between the waveform represented by the acquired sensor signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and the calculated degree of discrepancy is less than a predetermined threshold value. In some cases, the process of determining that the state of the robot arm is normal,
How to determine the state of the robot arm, including.
前記工程（ｃ）において前記ロボットアームの状態は正常でないと判断した場合、
（ｄ）前記複数の関節を、２以上の関節を１つの群として複数の群に区分し、前記複数の群のうち１つを選択し、選択した対象群に含まれる関節の全てが同時に動作している状態となるように動作させる工程と、
（ｅ）前記工程（ｄ）によって前記対象群に含まれる関節の全てが同時に動作している状態において、前記センサーから出力されるセンサー信号を取得する工程と、
（ｆ）取得したセンサー信号の表す波形と、前記対象群に含まれる関節の状態が全て正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた前記対象群用の閾値未満である場合には、前記対象群に含まれる関節の状態は正常であると判断する、工程と、
を含む、ロボットアームの状態判断方法。 The method for determining the state of the robot arm according to claim 1.
When it is determined in the step (c) that the state of the robot arm is not normal,
(D) The plurality of joints are divided into a plurality of groups with two or more joints as one group, one of the plurality of groups is selected, and all the joints included in the selected target group operate simultaneously. The process of operating so that it is in the state of being
(E) A step of acquiring a sensor signal output from the sensor while all the joints included in the target group are operating at the same time by the step (d).
(F) The degree of discrepancy between the waveform represented by the acquired sensor signal and the waveform represented by the sensor signal acquired when all the joints included in the target group are in a normal state is calculated, and the calculated discrepancy is calculated in advance. If it is less than the threshold value for the target group, it is determined that the condition of the joints included in the target group is normal.
How to determine the state of the robot arm, including.
前記工程（ｃ）において前記ロボットアームの状態は正常でないと判断した場合、
（ｇ）前記複数の関節から１つの関節を選択し、選択した対象関節を動作させる工程と、
（ｈ）前記工程（ｇ）によって前記対象関節が動作している状態において、前記センサーから出力されるセンサー信号を取得する工程と、
（ｉ）取得したセンサー信号の表す波形と、前記対象関節の状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた前記対象関節用の閾値未満である場合には、前記対象関節の状態は正常であると判断する、工程と、
を含む、ロボットアームの状態判断方法。 The method for determining the state of the robot arm according to claim 1.
When it is determined in the step (c) that the state of the robot arm is not normal,
(G) A step of selecting one joint from the plurality of joints and operating the selected target joint.
(H) A step of acquiring a sensor signal output from the sensor while the target joint is operating according to the step (g).
(I) The degree of disagreement between the waveform represented by the acquired sensor signal and the waveform represented by the sensor signal acquired when the state of the target joint is normal is calculated, and the calculated disagreement is the predetermined target joint. If it is less than the threshold value, the condition of the target joint is determined to be normal.
How to determine the state of the robot arm, including.
前記対象関節の動作は、前記ロボットアームを振動させる加振動作である、
ロボットアームの状態判断方法。 The method for determining the state of the robot arm according to claim 3.
The movement of the target joint is a vibration movement that vibrates the robot arm.
How to judge the state of the robot arm.
前記ロボットアームは、根元側から先端側に向かって６つの関節を有しており、
前記根元側を基準として３軸目の関節および４軸目の関節が、前記対象関節として優先して選択される、
ロボットアームの状態判断方法。 The method for determining the state of the robot arm according to claim 3 or 4.
The robot arm has six joints from the root side to the tip side.
The third-axis joint and the fourth-axis joint are preferentially selected as the target joints with respect to the root side.
How to judge the state of the robot arm.
前記工程（ｃ）における不一致度の算出は、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形のデータを用いた機械学習によって設定された学習モデルに従って実行される、ロボットアームの状態判断方法。 The method for determining a state of a robot arm according to any one of claims 1 to 5.
The calculation of the degree of mismatch in the step (c) is executed according to a learning model set by machine learning using the waveform data represented by the sensor signal acquired when the state of the robot arm is normal. How to judge the state of the arm.
前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形には、あらかじめ記憶部に格納されたデータの表す波形が用いられる、ロボットアームの状態判断方法。 The method for determining a state of a robot arm according to any one of claims 1 to 6.
A method for determining the state of a robot arm, in which a waveform represented by data stored in a storage unit in advance is used as a waveform represented by a sensor signal acquired when the state of the robot arm is normal.
複数の関節を有するロボットアームと、
前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーと、
前記ロボットアームを制御する制御部と、
を備え、
前記制御部は、
（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる処理と、
（ｂ）前記処理（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する処理と、
（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、処理と、
を実行する、ロボットシステム。 It ’s a robot system,
A robot arm with multiple joints and
A sensor provided at any position on the tip side of the robot arm and capable of detecting the vibration of the robot arm,
A control unit that controls the robot arm and
Equipped with
The control unit
(A) A process of operating the robot arm so that all of the plurality of joints of the robot arm are operating at the same time.
(B) From a sensor provided at any position on the tip side of the robot arm and capable of detecting vibration of the robot arm in a state where all of the plurality of joints are operating at the same time by the process (a). The process of acquiring the output sensor signal and
(C) The degree of discrepancy between the waveform represented by the acquired sensor signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and the calculated degree of discrepancy is less than a predetermined threshold value. In some cases, the processing and processing to determine that the state of the robot arm is normal,
A robot system that runs.
（ａ）前記ロボットアームの複数の関節の全てが同時に動作している状態となるように動作させる処理と、
（ｂ）前記処理（ａ）によって前記複数の関節の全てが同時に動作している状態において、前記ロボットアームの先端側のいずれかの位置に設けられ、前記ロボットアームの振動を検出可能なセンサーから出力されるセンサー信号を取得する処理と、
（ｃ）取得したセンサー信号の表す波形と、前記ロボットアームの状態が正常であった場合に取得したセンサー信号の表す波形との不一致度を算出し、算出した不一致度が予め定めた閾値未満である場合には、前記ロボットアームの状態は正常であると判断する、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。 A computer program that causes the processor to determine the state of the robot arm.
(A) A process of operating the robot arm so that all of the plurality of joints of the robot arm are operating at the same time.
(B) From a sensor provided at any position on the tip side of the robot arm and capable of detecting vibration of the robot arm in a state where all of the plurality of joints are operating at the same time by the process (a). The process of acquiring the output sensor signal and
(C) The degree of discrepancy between the waveform represented by the acquired sensor signal and the waveform represented by the sensor signal acquired when the state of the robot arm is normal is calculated, and the calculated degree of discrepancy is less than a predetermined threshold value. In some cases, the processing and processing to determine that the state of the robot arm is normal,
A computer program that causes the processor to execute.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020181064A JP2022071927A (en) | 2020-10-29 | 2020-10-29 | Robot arm state determination method, robot system, and computer program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020181064A JP2022071927A (en) | 2020-10-29 | 2020-10-29 | Robot arm state determination method, robot system, and computer program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022071927A true JP2022071927A (en) | 2022-05-17 |
Family
ID=81605213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020181064A Pending JP2022071927A (en) | 2020-10-29 | 2020-10-29 | Robot arm state determination method, robot system, and computer program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022071927A (en) |
-
2020
- 2020-10-29 JP JP2020181064A patent/JP2022071927A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6711854B2 (en) | Failure prediction device and machine learning device | |
| US11931905B2 (en) | Failure prediction method and failure prediction apparatus | |
| US10571890B2 (en) | Diagnostic data acquisition system, diagnostic system, and computer readable medium | |
| US20090132085A1 (en) | Detection of condition changes in an industrial robot system | |
| CN113365788B (en) | Operation discriminating device and operation discriminating method | |
| WO2019167171A1 (en) | Abnormality detecting device and abnormality detecting method | |
| US20230367296A1 (en) | Industrial system, abnormality detection system, and abnormality detection method | |
| CN106493711A (en) | Control device, robot and robot system | |
| US20210132579A1 (en) | Diagnostic apparatus | |
| US11803178B2 (en) | Event estimation system and event estimation method | |
| JP7358049B2 (en) | Control methods, programs, recording media, robot systems, and article manufacturing methods | |
| JP2022071927A (en) | Robot arm state determination method, robot system, and computer program | |
| JP7353755B2 (en) | Robot system, method for controlling the robot system, method for manufacturing articles using the robot system, detection device, method for controlling the detection device, drive device, method for controlling the drive device, control program, and recording medium | |
| JPS63123105A (en) | Trouble forecasting and diagnosing method for teaching playback type robot | |
| US12103169B2 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
| JP6881673B2 (en) | Anomaly detection device and abnormality detection method | |
| JP7278803B2 (en) | Information processing method, information processing device, robot system, robot system control method, article manufacturing method using robot system, program, and recording medium | |
| US20220288773A1 (en) | Safe operation of a multi-axis kinematic system | |
| US11835420B2 (en) | Method and device for diagnosing a robot | |
| JP2022038127A (en) | Robot abnormality estimation method, robot system, and computer program | |
| JP7056733B2 (en) | Anomaly detection device and abnormality detection method | |
| JP7024661B2 (en) | Abnormality judgment method and abnormality judgment device | |
| WO2017109861A1 (en) | Measurement device, measurement system, and sensor information correction method | |
| JPH0719982A (en) | Inspection method for force sensor | |
| JP2023018765A (en) | Abnormality detection system for detecting abnormality of robot, method for detecting abnormality of robot, and computer program |