JP6721012B2

JP6721012B2 - Motor control system

Info

Publication number: JP6721012B2
Application number: JP2018151901A
Authority: JP
Inventors: 泰史吉浦
Original assignee: Yaskawa Electric Corp
Current assignee: Yaskawa Electric Corp
Priority date: 2018-08-10
Filing date: 2018-08-10
Publication date: 2020-07-08
Anticipated expiration: 2036-02-23
Also published as: JP2019024305A

Description

開示の実施形態は、モータ制御システムに関する。 The disclosed embodiments relate to a motor control system.

特許文献１及び特許文献２には、統計学的手法に基づくセンサデータの解析により機械設備の状態を予兆診断する技術が開示されている。 Patent Literature 1 and Patent Literature 2 disclose a technique for predictive diagnosis of the state of mechanical equipment by analyzing sensor data based on a statistical method.

特許第５８２７４２５号公報Japanese Patent No. 5827425 特許第５８２７４２６号公報Japanese Patent No. 5827426

しかし、機械システム全体を考慮した場合には、単純に統計学的な手法のみで機械システム全体の異常を判定することは適切でない。 However, when considering the entire mechanical system, it is not appropriate to simply determine the abnormality of the entire mechanical system using only a statistical method.

本発明はこのような問題点に鑑みてなされたものであり、機械システム全体での機械異常に関する適切な処理が可能なモータ制御システムを提供することを目的とする。 The present invention has been made in view of such problems, and an object of the present invention is to provide a motor control system capable of performing appropriate processing relating to a mechanical abnormality in the entire mechanical system.

上記課題を解決するため、本発明の一の観点によれば、モータ駆動機構を駆動するモータを駆動制御するモータ制御システムであって、所定のデータ異常判定しきい値と、モータ駆動時における時系列検出データに基づいて算出したマハラノビス距離と、の比較に基づいてデータ異常を判定するデータ異常判定部と、前記データ異常と判定された前記時系列検出データの取得態様に基づいて前記モータ駆動機構の機械正常を判定する機械正常判定部と、を有するモータ制御システムが適用される。
In order to solve the above problems, according to one aspect of the present invention, there is provided a motor control system for driving and controlling a motor that drives a motor drive mechanism, wherein a predetermined data abnormality determination threshold value and a time during motor driving are provided. A Mahalanobis distance calculated based on sequence detection data, and a data abnormality determining unit that determines data abnormality based on a comparison, and the motor drive mechanism based on an acquisition mode of the time-series detection data determined to be the data abnormality. A motor control system including a machine normality determination unit that determines the machine normality is applied.

本発明によれば、機械システム全体での機械異常に関する適切な処理が可能となる。 According to the present invention, it is possible to perform appropriate processing regarding a mechanical abnormality in the entire mechanical system.

モータ制御システムの概略的なブロック構成を表す図である。It is a figure showing the schematic block structure of a motor control system. トルク指令と出力速度を時系列データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。It is a figure showing the control block of the servo amplifier which acquires a torque command and output speed as time series data in a transfer function form. 自由度＝４の場合の時系列データの一例を表す図である。It is a figure showing an example of the time series data in case of the degree of freedom =4. カイ２乗分布とデータ異常判定しきい値とマハラノビス距離の関係を説明する図である。It is a figure explaining the relationship of a chi-square distribution, a data abnormality determination threshold value, and a Mahalanobis distance. セットアップＰＣのＣＰＵが実行する準備処理の制御手順を表すフローチャートである。It is a flow chart showing a control procedure of preparation processing which CPU of setup PC performs. 上位制御装置のＣＰＵが実行する経年劣化判定処理の制御手順を表すフローチャートである。7 is a flowchart showing a control procedure of aged deterioration determination processing executed by a CPU of a host control device. 自由度Ｍ＝１で可動スライド位置違いの場合の出力速度の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。It is the graph which plotted the time series sample data of an output speed at the time of a movable slide position difference with the degree of freedom M=1, time series observation data, and the determination result of data abnormality. 自由度Ｍ＝１で可動スライド位置違いの場合のトルク指令の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。It is the graph which plotted the time-series sample data of a torque instruction at the time of a movable slide position difference with the degree of freedom M=1, the time-series observation data, and the data abnormality determination result. 図７中の時刻Ａ１における出力速度の時系列標本データの正規分布と時系列観測データを表すグラフである。8 is a graph showing a normal distribution of time series sample data of output speed at time A1 in FIG. 7 and time series observation data. 図７中の時刻Ａ２における出力速度の時系列標本データの正規分布と時系列観測データを表すグラフである。8 is a graph showing a normal distribution of time series sample data of output speed at time A2 in FIG. 7 and time series observation data. 図８中の時刻Ｂ１におけるトルク指令の時系列標本データの正規分布と時系列観測データを表すグラフである。9 is a graph showing a normal distribution and time-series observation data of time-series sample data of a torque command at time B1 in FIG. 8. 図８中の時刻Ｂ２におけるトルク指令の時系列標本データの正規分布と時系列観測データを表すグラフである。9 is a graph showing a normal distribution and time-series observation data of time-series sample data of a torque command at time B2 in FIG. 8. 出力速度のマハラノビス距離とデータ異常判定しきい値を比較して示すグラフである。It is a graph which compares and shows the Mahalanobis distance of an output speed, and a data abnormality determination threshold value. トルク指令のマハラノビス距離とデータ異常判定しきい値を比較して示すグラフである。It is a graph which compares and shows the Mahalanobis distance of a torque command, and a data abnormality determination threshold value. 発振させた場合の出力速度の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。It is the graph which plotted the time series sample data of the output speed at the time of making it oscillate, the time series observation data, and the determination result of a data abnormality. 発振させた場合のトルク指令の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。It is the graph which plotted the time series sample data of the torque command at the time of making it oscillate, the time series observation data, and the determination result of data abnormality. 自由度Ｍ＝２の場合のマハラノビス距離とデータ異常判定しきい値を比較したグラフである。6 is a graph comparing the Mahalanobis distance and the data abnormality determination threshold value when the degree of freedom M=2. 自由度Ｍ＝１で可動スライド位置違いの場合の時系列標本データと時系列観測データをゲイン特性でプロットしたグラフである。It is the graph which plotted the time series sample data and the time series observation data at the time of a movable slide position difference with the degree of freedom M=1 by the gain characteristic. 自由度Ｍ＝１で可動スライド位置違いの場合の時系列標本データと時系列観測データを位相特性でプロットしたグラフである。It is the graph which plotted the time series sample data and the time series observation data at the time of a movable slide position difference with the degree of freedom M=1 by the phase characteristic. 自由度Ｍ＝１で可動スライド同じ位置の場合の時系列標本データと時系列観測データをゲイン特性でプロットしたグラフである。It is the graph which plotted the time series sample data and the time series observation data at the same position of the movable slide with the degree of freedom M=1 by the gain characteristic. 自由度Ｍ＝１で可動スライド同じ位置の場合の時系列標本データと時系列観測データを位相特性でプロットしたグラフである。7 is a graph in which time-series sample data and time-series observation data when the movable slide is at the same position with a degree of freedom M=1 is plotted as phase characteristics. トルク指令と出力位置のデータ正常、データ異常の組み合わせによる機械異常の種類を表す図である。It is a figure showing the kind of machine abnormality by the combination of the data of a torque command and output position normality, and data abnormality. 外乱オブザーバの出力を時系列データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。It is a figure showing the control block of the servo amplifier which acquires the output of a disturbance observer as time series data by a transfer function form. 速度偏差を時系列データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。It is a figure showing the control block of the servo amplifier which acquires velocity deviation as time series data in transfer function form.

以下、一実施の形態について図面を参照しつつ説明する。 An embodiment will be described below with reference to the drawings.

＜１：モータ制御システムの全体構成＞
図１を参照しつつ、本実施形態に係るモータ制御システムの全体構成の一例について説明する。 <1: Overall configuration of motor control system>
An example of the overall configuration of the motor control system according to the present embodiment will be described with reference to FIG.

図１は、モータ制御システムの概略的なブロック構成を表している。図１に示すように、モータ制御システム１００は、モータ駆動機構１と、サーボアンプ２と、上位制御装置３と、オペレータ４と、セットアップＰＣ５とを有する。 FIG. 1 shows a schematic block configuration of a motor control system. As shown in FIG. 1, the motor control system 100 includes a motor drive mechanism 1, a servo amplifier 2, a host controller 3, an operator 4, and a setup PC 5.

モータ駆動機構１は、当該モータ制御システム１００によってその駆動が制御されるとともに、その駆動に関する各種の異常が判定される対象の機械システムである。このモータ駆動機構１は、エンコーダ１１を備えたモータ１２と、このモータ１２により駆動される駆動機械１３とを有している。本実施形態の例では、モータ１２は回転型の電動モータであり、エンコーダ１１はモータの回転位置を光学的に検出し出力するセンサである。 The motor drive mechanism 1 is a mechanical system of which drive is controlled by the motor control system 100 and various abnormalities related to the drive are determined. The motor drive mechanism 1 includes a motor 12 having an encoder 11 and a drive machine 13 driven by the motor 12. In the example of this embodiment, the motor 12 is a rotary electric motor, and the encoder 11 is a sensor that optically detects and outputs the rotational position of the motor.

サーボアンプ２は、後述の上位制御装置３から入力される位置指令に上記モータ１２の出力位置を追従させるよう駆動電流をモータ１２に給電し駆動制御する機能（モータ駆動制御機能）を有している。また本実施形態においてサーボアンプ２は、駆動電流を給電する過程で生成されるトルク指令と、エンコーダ１１から出力されたモータ１２の出力位置に基づいて生成される出力速度の２つのデータを時系列データとして逐次取得し、上位制御装置３に出力する機能も有している（後述の図２参照）。 The servo amplifier 2 has a function (motor drive control function) of supplying drive current to the motor 12 to drive and control it so that the output position of the motor 12 follows the position command input from the host controller 3 described later. There is. Further, in the present embodiment, the servo amplifier 2 time-series two data of a torque command generated in the process of supplying the drive current and an output speed generated based on the output position of the motor 12 output from the encoder 11. It also has a function of sequentially acquiring it as data and outputting it to the higher-level control device 3 (see FIG. 2 described later).

上位制御装置３は、駆動機械１３に所望の経時的な駆動動作を行わせるためにモータ１２の位置指令を逐次出力する機能（モーション制御機能）を有している。また本実施形態において上位制御装置３は、サーボアンプ２から入力された時系列データを記憶し、後述する観測駆動時には、それら時系列データに基づいたデータ異常判定と、データ異常判定の判定態様に基づいた機械異常判定を行う機能も有している。また後述する正常駆動時には、サーボアンプ２から入力された時系列データをそのまま後述のセットアップＰＣ５に出力する。 The host controller 3 has a function (motion control function) of sequentially outputting a position command of the motor 12 in order to cause the drive machine 13 to perform a desired time-dependent drive operation. In addition, in the present embodiment, the host controller 3 stores the time series data input from the servo amplifier 2, and performs the data abnormality determination based on the time series data and the determination mode of the data abnormality determination during the observation drive described later. It also has the function of making mechanical abnormality determinations based on the above. Further, at the time of normal driving described later, the time-series data input from the servo amplifier 2 is directly output to the setup PC 5 described later.

オペレータ４は、特に図示しない表示部や操作部を備え、上位制御装置３との間で送受する各種情報の表示や各種の指令及びパラメータの入力を行うユーザインターフェースとしての機能を有する。なお後述する観測駆動時には、上位制御装置３から入力された機械異常判定の結果を表示する。 The operator 4 includes a display unit and an operation unit (not shown), and has a function as a user interface for displaying various kinds of information transmitted and received to and from the host control device 3 and for inputting various commands and parameters. It should be noted that at the time of observation drive described later, the result of the mechanical abnormality determination input from the host controller 3 is displayed.

セットアップＰＣ５は、例えばノート型の汎用パーソナルコンピュータで構成され、上位制御装置３に対し通常運用を行う前の各種の初期設定を行う機能を有する。また本実施形態においてセットアップＰＣ５は、上記の設定機能の１つとして、後述する正常駆動時に上位制御装置３から入力された時系列データに基づいて、上位制御装置３が上記データ異常判定を行う際に必要となる標本平均、標本共分散行列、及びデータ異常判定しきい値を算出して上位制御装置３に出力する準備処理を行う（後述の図５参照）。なお、通常運用時（つまり後述する観測駆動時）には、当該セットアップＰＣ５は何ら処理を行わず不要となるため、上位制御装置３から接続を取り外せるようになっている。 The setup PC 5 is composed of, for example, a laptop general-purpose personal computer, and has a function of performing various initial settings for the host control device 3 before normal operation. In addition, in the present embodiment, the setup PC 5 performs one of the setting functions described above when the higher-level control device 3 makes the above-described data abnormality determination based on time-series data input from the higher-level control device 3 during normal driving, which will be described later. A preparatory process for calculating the sample mean, the sample covariance matrix, and the data abnormality determination threshold required for output to the higher-level control device 3 is performed (see FIG. 5 described later). It should be noted that during normal operation (that is, during observation drive described later), the setup PC 5 does not perform any processing and becomes unnecessary, so that the connection can be removed from the host control device 3.

なお以上において、サーボアンプ２、上位制御装置３、オペレータ４、及びセットアップＰＣ５が、各請求項記載のモータ制御システムに相当する。 In the above description, the servo amplifier 2, the host controller 3, the operator 4, and the setup PC 5 correspond to the motor control system described in each claim.

＜２：サーボアンプの制御ブロック＞
図２は、本実施形態におけるサーボアンプ２の制御ブロックを伝達関数形式で表している。なお本実施形態の例では、この図２に示す制御ブロックは、サーボアンプ２が備えるＣＰＵ（特に図示せず）により実行されるソフトウェアで実現される。 <2: Servo amplifier control block>
FIG. 2 shows the control block of the servo amplifier 2 in this embodiment in a transfer function format. In the example of the present embodiment, the control block shown in FIG. 2 is realized by software executed by a CPU (not shown) included in the servo amplifier 2.

この図２において、サーボアンプ２は、減算器２１と、位置制御部２２と、減算器２３と、速度制御部２４と、電流制御部２５と、速度変換部２６を有している。減算器２１は、上位制御装置３から入力された位置指令から後述する出力位置（フィードバック位置）を減算して位置偏差を出力する。位置制御部２２は、この位置偏差に基づいていわゆるＰＩＤ制御などにより速度指令を出力する。減算器２３は、この速度指令から後述する出力速度（フィードバック速度）を減算して速度偏差を出力する。速度制御部２４は、この速度偏差に基づいていわゆるＰＩＤ制御などによりトルク指令を出力する。電流制御部２５は、このトルク指令に基づく電力変換により駆動電流を出力し、モータ１２に給電する。そしてこのモータ１２が駆動機械１３を駆動した際の出力位置をエンコーダ１１が検出し、サーボアンプ２にフィードバックする。この出力位置は、上記減算器２１において位置指令から減算されるとともに、速度変換部２６に入力される。速度変換部２６は、この出力位置に基づいてモータ１２の駆動速度である出力速度を出力する。なお、この速度変換部２６は、出力位置を時間微分する微分器等で構成すればよい。 In FIG. 2, the servo amplifier 2 has a subtractor 21, a position controller 22, a subtractor 23, a speed controller 24, a current controller 25, and a speed converter 26. The subtractor 21 subtracts an output position (feedback position) described below from the position command input from the host controller 3, and outputs the position deviation. The position control unit 22 outputs a speed command by so-called PID control based on this position deviation. The subtractor 23 subtracts an output speed (feedback speed) described later from this speed command and outputs a speed deviation. The speed control unit 24 outputs a torque command by so-called PID control based on this speed deviation. The current control unit 25 outputs a drive current by power conversion based on this torque command, and supplies power to the motor 12. The encoder 11 detects the output position when the motor 12 drives the drive machine 13, and feeds it back to the servo amplifier 2. This output position is subtracted from the position command by the subtracter 21 and is input to the speed conversion unit 26. The speed conversion unit 26 outputs the output speed, which is the drive speed of the motor 12, based on this output position. The speed conversion unit 26 may be configured by a differentiator that differentiates the output position with respect to time.

以上における減算器２１、位置制御部２２、減算器２３、速度制御部２４、電流制御部２５、及び速度変換部２６は、外部のモータ１２及びエンコーダ１１とともに、いわゆる位置制御フィードバックループと速度制御フィードバックループの２重フィードバックループを構成する。なお、電流制御部２５の内部にも電流制御フィードバックループを備えているが、図中では省略している。これらのフィードバックループにおいて、減算器２１による位置偏差の出力は位置指令の時間微分処理と同等であり、減算器２３による速度偏差の出力は速度指令の時間微分処理と同等である。したがって、サーボアンプ２が備える上記の２重フィードバックループにおいては、

（ｋ：ばね係数、μ：摩擦係数、ｍ：可動部分の慣性モーメント）
の運動方程式に基づくフィードバック制御が行われているとみなせる。 The subtractor 21, the position control unit 22, the subtractor 23, the speed control unit 24, the current control unit 25, and the speed conversion unit 26 described above together with the external motor 12 and the encoder 11 are so-called position control feedback loops and speed control feedbacks. Construct a dual feedback loop of the loop. Although a current control feedback loop is also provided inside the current control unit 25, it is omitted in the figure. In these feedback loops, the output of the position deviation by the subtractor 21 is equivalent to the time differentiation processing of the position command, and the output of the speed deviation by the subtractor 23 is equivalent to the time differentiation processing of the speed command. Therefore, in the double feedback loop provided in the servo amplifier 2,

(K: spring coefficient, μ: friction coefficient, m: moment of inertia of moving part)
It can be considered that feedback control based on the equation of motion of is performed.

そして本実施形態では、サーボアンプ２がトルク指令と出力速度を時系列データとしてシステムサイクル等の短い周期で逐次検出し、上位制御装置３へ出力する。 Then, in the present embodiment, the servo amplifier 2 sequentially detects the torque command and the output speed as time-series data in a short cycle such as a system cycle, and outputs them to the host controller 3.

＜３：本実施形態の特徴＞
近年では、機械システムに対する付加価値向上の一環として予防保全がキーワードになりつつある。これまでにも寿命モニタや設置環境モニタ等により予防保全の一助となる情報を上位制御装置３に提示する構成が取られていたが、これらとは別にモータ駆動機構１の経年変化や発振などの機械異常を検出することが要望されている。本実施形態のモータ制御システム１００は、この要望を受けてモータ駆動機構１の機械異常を検出するためのものである。 <3: Features of this embodiment>
In recent years, preventive maintenance has become a key word as part of increasing the added value of mechanical systems. Up to now, a configuration has been adopted in which information that helps preventive maintenance is presented to the host control device 3 by a life monitor, an installation environment monitor, or the like. It is desired to detect a mechanical abnormality. In response to this request, the motor control system 100 of the present embodiment is for detecting a mechanical abnormality of the motor drive mechanism 1.

サーボアンプ２で検出可能な状態量は、モータ１２に入力するトルク、及びモータ１２が出力する速度や位置である。特にトルクは、位置／速度制御の場合、駆動機械１３側の反力の影響も反映されるため、継続して観測することで経年変化などの機械異常を捉えることが可能と考えられる。本実施形態では、観測した波形から変化を検出する手法として、統計学的手法に基づく機械学習を利用する。 The state quantities that can be detected by the servo amplifier 2 are the torque input to the motor 12 and the speed and position output by the motor 12. In particular, in the case of position/speed control, the torque also reflects the influence of the reaction force on the drive machine 13 side, so it is considered possible to catch mechanical abnormality such as secular change by continuously observing. In this embodiment, machine learning based on a statistical method is used as a method of detecting a change from an observed waveform.

しかし、以上のような機械学習で検出できる異常は、あくまで瞬時的に取得されたデータから直接的に判定できる異常状態でしかない。これに対し、モータ駆動機構１のような機械システムでは、非常に短い時間で機構の位置が変化し、条件によっては連続的な微小変位において機構が異常になっている箇所と正常な箇所が発生するため、すべての場所によって経年変化などの機械異常を判定する必要がある。また、機械システム全体を考慮した場合は、単純に統計学的な手法のみで機械システム全体の異常を判定することは適切ではない。 However, the abnormalities that can be detected by the above machine learning are only abnormal states that can be directly determined from the data that is instantaneously acquired. On the other hand, in a mechanical system such as the motor drive mechanism 1, the position of the mechanism changes in a very short time, and depending on the conditions, there are a place where the mechanism is abnormal and a place where the mechanism is abnormal during continuous minute displacement. Therefore, it is necessary to determine mechanical abnormality such as secular change at all locations. Further, when considering the entire mechanical system, it is not appropriate to simply determine the abnormality of the entire mechanical system using only a statistical method.

そこで本実施形態のモータ制御システム１００では、機械学習によってデータから直接的に判定した異常状態をデータ異常とし、また別に上述したようなモータ駆動機構１における経年劣化や発振の状態に相当する異常状態を機械異常として、これらデータ異常と機械異常を区別して扱う。そして、モータ制御システム１００は、モータ駆動機構１の駆動中においてモータ１２の入出力に関する時系列データを取得し、この時系列データからデータ異常を判定する。その上で、データ異常と判定された時系列データの取得態様（取得時刻、取得周波数、取得頻度、取得組み合わせ、等）に基づいて、モータ駆動機構１の機械異常を判定する。このデータ異常と機械異常のそれぞれの判定手法について、以下に順を追って説明する。 Therefore, in the motor control system 100 of the present embodiment, the abnormal state directly determined from the data by machine learning is regarded as the data abnormality, and the abnormal state corresponding to the aged deterioration or the oscillation state in the motor drive mechanism 1 as described above is also used. Is treated as a mechanical abnormality, and these data abnormality and mechanical abnormality are treated separately. Then, the motor control system 100 acquires time series data regarding the input/output of the motor 12 while the motor drive mechanism 1 is being driven, and determines a data abnormality from this time series data. Then, the mechanical abnormality of the motor drive mechanism 1 is determined based on the acquisition mode (acquisition time, acquisition frequency, acquisition frequency, acquisition combination, etc.) of the time-series data determined to be data abnormality. Each of the methods for determining the data abnormality and the mechanical abnormality will be described below in order.

＜４：データ異常判定について＞
＜４−１：機械学習によるデータ異常判定＞
一般に人間が波形を観測して正常／異常の判断を行うのは、主として経験によるところが大きい。この経験を数式として表現し、計算機上で行う手法が機械学習である。機械学習による変化検出手法の基本的な考え方は、基準とするデータ群（以下、標本データという）の正規分布を作成し、運用段階で取得したデータ（以下、観測データという）が正規分布から外れているか否かを確認するというものである。 <4: About data abnormality judgment>
<4-1: Data abnormality determination by machine learning>
Generally, human beings observe the waveform and judge normality/abnormality largely due to experience. Machine learning is a method of expressing this experience as a mathematical expression and performing it on a computer. The basic idea of the change detection method by machine learning is to create a normal distribution of a reference data group (hereinafter referred to as sample data), and the data acquired at the operation stage (hereinafter referred to as observation data) deviates from the normal distribution. It is to confirm whether or not

データ異常判定を行う上で、標本データは、データ的に全て正常であることを前提とする場合と、データ的に正常と異常にラベル付けされた標本データが混在している場合が考えられる。しかし、機構部品の経年変化に適用する場合は、事前に異常な標本データを準備することは難しいため、標本データは全て正常であるという前提をとることが現実的と考えられる。 In making a data abnormality determination, it is considered that the sample data is premised on that all the data are normal, and that the sample data labeled as normal and abnormal in data are mixed. However, when it is applied to the secular change of mechanical parts, it is difficult to prepare abnormal sample data in advance, so it is considered realistic to assume that all sample data are normal.

正規分布から外れていることを判断するためには、正規分布の端にデータ異常判定用のしきい値を設定し、観測データが正規分布中心に対してデータ異常判定しきい値よりも離れていることを確認すればよい。 In order to judge that it is out of the normal distribution, set the threshold for data anomaly judgment at the end of the normal distribution, and the observed data is far from the data anomaly judgment threshold with respect to the center of the normal distribution. You just have to confirm that

＜４−２：時系列データについて＞
本実施形態では、標本データや観測データを複数種類で取得する場合は、以下のように配列で定義した時系列データＤとして取得する。

例えば、同一の駆動機械１３を２つのモータ１２で駆動するモータ駆動機構（特に図示せず）で、図３に示すように各モータ１２それぞれのトルク指令と出力速度を時系列データとして取得した場合（つまり自由度Ｍ＝変数の種類数＝２）には、時系列データＤは以下のようになる。ただし、Ｄの添え字は時刻を示す。

<4-2: About time series data>
In the present embodiment, when a plurality of types of sample data and observation data are acquired, they are acquired as time series data D defined by an array as follows.

For example, in the case where a motor drive mechanism (not particularly shown) that drives the same drive machine 13 with two motors 12 acquires the torque command and output speed of each motor 12 as time series data as shown in FIG. (That is, the degree of freedom M=the number of types of variables=2), the time series data D is as follows. However, the subscript of D indicates the time.

＜４−３：ホテリングのＴ^２法について＞
本実施形態では、機械学習による変化検出手法としてホテリングのＴ^２法を適用する。ホテリングのＴ^２法は、複数種類のデータの変化波形を並列に観測する多変数解析の一手法であり、その処理は以下の（工程１）〜（工程６）で行う。 <4-3: About Hotelling's T ² Method>
In the present embodiment, the Hotelling's T ² method is applied as a change detection method by machine learning. The Hotelling's T ² method is a method of multivariate analysis in which change waveforms of a plurality of types of data are observed in parallel, and the processing is performed in the following (step 1) to (step 6).

（工程１）誤報率を決定する
データには正常データと異常データが存在するが、正規分布からどれくらい大きく外れた場合を異常データとするかの指標が誤報率αとなる。例えば、誤報率１％と考えるならα＝０．０１となる。なお、確率統計論の考え型では、誤報率を０とした場合には全てのデータが正常となってしまうため、原理的に誤報率αを０にはしない。 (Step 1) There is normal data and abnormal data in the data that determines the false alarm rate. The false alarm rate α is an index of how much deviation from the normal distribution is regarded as abnormal data. For example, assuming that the false alarm rate is 1%, α=0.01. In the idea of probability statistics theory, if the false alarm rate is set to 0, all data will be normal, so the false alarm rate α is not set to 0 in principle.

（工程２）カイ２乗分布を算出する
自由度Ｍ、スケール因子ｓ＝１として、カイ２乗分布を次式から計算する。なお、自由度Ｍは、独立した標本データの種類の数（上述した多変数解析における変数の種類の数）を指定するパラメータである。

ただし、Γはガンマ関数を表し、次式で定義される。

(Step 2) Calculate Chi-Square Distribution With the degree of freedom M and the scale factor s=1, the Chi-square distribution is calculated from the following equation. The degree of freedom M is a parameter that specifies the number of independent sample data types (the number of variable types in the above-described multivariate analysis).

However, Γ represents a gamma function and is defined by the following equation.

（工程３）データ異常判定しきい値を算出する
上記（工程１）で決定した誤報率αと、上記（工程２）で算出したカイ２乗分布から、

を満たすデータ異常判定しきい値ａ_ｔｈを算出する。 (Step 3) Calculate the data abnormality determination threshold value From the false alarm rate α determined in (Step 1) and the chi-square distribution calculated in (Step 2),

A data abnormality determination threshold value a _th that satisfies the above condition is calculated.

（工程４）標本平均と標本共分散行列を算出する
正常データである標本データから標本平均μ（文中の表記ではハットを省略、以下同様）と標本共分散行列Σ（文中の表記ではハットを省略、以下同様）を次式から算出する。

ただし、はｎ番目の種類の標本データである。 (Step 4) Calculate the sample mean and the sample covariance matrix From the sample data that is normal data, the sample mean μ (hat is omitted in the statement, the same applies hereinafter) and the sample covariance matrix Σ (hat is omitted in the statement. , And so on) is calculated from the following equation.

Here, is the sample data of the nth type.

（工程５）マハラノビス距離を算出する
上記（工程４）で算出した標本平均μと標本共分散行列Σ、及び検出した観測データに基づいて、マハラノビス距離ａ（ｘ’）を次式から算出する。

(Step 5) Calculate Mahalanobis Distance The Mahalanobis distance a(x′) is calculated from the following equation based on the sample mean μ and the sample covariance matrix Σ calculated in the above (Step 4) and the detected observation data.

（工程６）データ異常判定しきい値とマハラノビス距離を比較する
上記（工程３）で算出したデータ異常判定しきい値ａ_ｔｈと、上記（工程５）で算出したマハラノビス距離ａ（ｘ’）とを比較する。マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを越えている場合（ａ（ｘ’）＞ａ_ｔｈ）には、上記（工程５）で用いた観測データがデータ異常の状態にあると判定する。 (Step 6) Comparing the Data Abnormality Judgment Threshold and Mahalanobis Distance The data abnormality judgment threshold a _th calculated in the above (Step 3) and the Mahalanobis distance a(x′) calculated in the above (Step 5). To compare. If the Mahalanobis distance a(x′) exceeds the data abnormality determination threshold value a _th (a(x′)>a _th ), the observation data used in the above (step 5) is in a data abnormality state. Judge that there is.

図４に示すように、カイ２乗分布は自由度Ｍ別に分布が変化する確率分布であり、いわゆる再生性を有している特性から多変数解析での適用に好適である。例えば図３に示したような変数の種類（トルク指令、出力速度）の数が２つの時系列データを取得する場合、自由度Ｍ＝２となって図４中の実線で示されるカイ２乗分布が利用される。このカイ２乗分布で誤報率αに相当するデータ異常判定しきい値ａ_ｔｈよりもマハラノビス距離ａ（ｘ’）が大きい場合、当該マハラノビス距離ａ（ｘ’）の算出に用いた観測データにデータ異常が発生しているとみなせる。つまり変数の種類数が２つである多変数解析において、それら２つのデータの組み合わせによる多元的な異常の度合い（どれだけ正常からかけ離れているかの度合い）を、データ異常判定しきい値ａ_ｔｈとマハラノビス距離ａ（ｘ’）の一元的な比較により判定できる。なお、マハラノビス距離ａ（ｘ’）の算出時に標本平均μと標本共分散行列Σを用いていることで、２種類のデータそれぞれの正規分布間の相関による影響を相殺している。なお、上記図３に示したような時系列データＤを取得した場合でも、データの種類別でそれぞれ自由度＝１としたホテリングＴ^２法のデータ異常判定を個別に適用することもできる。 As shown in FIG. 4, the chi-square distribution is a probability distribution in which the distribution changes according to the degree of freedom M, and is suitable for application in multivariable analysis because it has so-called reproducibility. For example, when acquiring time-series data with two variable types (torque command, output speed) as shown in FIG. 3, the degree of freedom M=2 and the chi-square shown by the solid line in FIG. Distribution is used. When the Mahalanobis distance a(x′) is larger than the data abnormality determination threshold value a _th corresponding to the false alarm rate α in this chi-square distribution, the observation data used to calculate the Mahalanobis distance a(x′) is data. It can be considered that an abnormality has occurred. That is, in a multivariate analysis in which the number of types of variables is two, the degree of multidimensional abnormality (the degree of deviation from normality) due to the combination of these two data is defined as the data abnormality determination threshold value a _th . It can be determined by a unitary comparison of Mahalanobis distance a(x′). By using the sample mean μ and the sample covariance matrix Σ when calculating the Mahalanobis distance a(x′), the influence of the correlation between the normal distributions of the two types of data is offset. Even when the time-series data D as shown in FIG. 3 is acquired, the data abnormality determination of the Hotelling T ² method in which the degree of freedom is 1 for each data type can be individually applied.

＜４−４：具体的なデータ異常判定＞
まず比較例として、機械学習を利用せずにデータ異常を判定する方法について説明する。
（事前準備）
１：標本データとして正常なデータを複数取得する。
２：標本データ群から各時刻における正規分布を作成する。
３：各時刻における正規分布に対してデータ異常判定しきい値を設定する。
（データ異常判定）
１：観測データを取得する。
２：取得時刻に対応する正規分布に加える。
３：観測データが正規分布に設定したデータ異常判定しきい値を超えていたら異常と判定する。 <4-4: Specific data abnormality determination>
First, as a comparative example, a method of determining a data abnormality without using machine learning will be described.
(Advance preparation)
1: Acquire a plurality of normal data as sample data.
2: Create a normal distribution at each time from the sample data group.
3: Set the data abnormality determination threshold value for the normal distribution at each time.
(Data abnormality judgment)
1: Acquire observation data.
2: Add to the normal distribution corresponding to the acquisition time.
3: If the observation data exceeds the data abnormality determination threshold value set in the normal distribution, it is determined to be abnormal.

上記比較例の方法では、時刻ごとに正規分布とデータ異常判定しきい値を作成する必要があり、さらに観測データでも正規分布を計算する必要がある。正規分布の計算には平均値と標準偏差の計算が必要であるが、標準偏差の計算は煩雑なため、時刻ごとに計算を実施するのは現実的ではない。また、データ異常判定しきい値も各時刻の正規分布に対して設定するため時刻ごとに異なった値となる。 In the method of the comparative example, it is necessary to create a normal distribution and a data abnormality determination threshold value for each time, and it is also necessary to calculate a normal distribution for observation data. The calculation of the normal distribution requires the calculation of the average value and the standard deviation, but the calculation of the standard deviation is complicated, so it is not realistic to perform the calculation at each time. Further, since the data abnormality determination threshold value is also set for the normal distribution at each time, it becomes a different value for each time.

次に、上記比較例の問題を解決するために機械学習を利用する場合について説明する。機械学習を利用することで処理は以下のようになる。
（事前準備）
１：標本データとして正常なデータを複数取得する。
２：標本データ群から標本平均μと標本共分散行列Σを計算する。
３：誤報率αとカイ２乗分布からデータ異常判定しきい値ａ_ｔｈを計算する。
（データ異常判定）
１：観測データを取得する。
２：観測データに対してマハラノビス距離ａ（ｘ’）を計算する。
３：マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを超えていたらデータ異常と判定する。 Next, a case where machine learning is used to solve the problem of the comparative example will be described. The processing is as follows by using machine learning.
(Advance preparation)
1: Acquire a plurality of normal data as sample data.
2: Calculate the sample mean μ and the sample covariance matrix Σ from the sample data group.
3: Calculate the data abnormality determination threshold value a _th from the false alarm rate α and the chi-square distribution.
(Data abnormality judgment)
1: Acquire observation data.
2: Calculate Mahalanobis distance a(x′) for the observation data.
3: If the Mahalanobis distance a(x′) exceeds the data abnormality determination threshold value a _th , it is determined that the data is abnormal.

このように機械学習を利用した方法では、正規分布の計算の代わりに標本平均μ、標本共分散行列Σ、及びマハラノビス距離ａ（ｘ’）の計算を行う。これらの計算は単純な四則演算であるため、長期間に渡るモータ駆動機構１の実運用時間中において短い周期で逐次計算しても大きな負荷処理にはならない。また、データ異常判定しきい値ａ_ｔｈは計算式こそ複雑だが、時刻に依存しない定数となるため事前に一度計算しておくだけで済む。 As described above, in the method using machine learning, the sample mean μ, the sample covariance matrix Σ, and the Mahalanobis distance a(x′) are calculated instead of calculating the normal distribution. Since these calculations are simple four arithmetic operations, even if the calculations are successively performed in a short cycle during the actual operation time of the motor drive mechanism 1 for a long period of time, it will not be a large load process. Further, the data abnormality determination threshold value a _th has a complicated calculation formula, but since it is a constant that does not depend on time, it only needs to be calculated once in advance.

＜５：機械異常判定について＞
上記のデータ異常判定によれば、時系列データを取得した時点におけるデータ上で見た異常状態の有／無（つまり異常／正常）を２値的に判定することができる。しかし、後述する実験結果に示すように１度でもデータ異常が判定されたからといって機械システム全体に機械異常が発生したと判定すべきではない。また、データ異常が複数回発生した際にその発生態様に基づいて機械異常の内容を一次的に推定することが可能である。本実施形態では、経年劣化が進行するに従ってデータ異常の発生頻度が徐々に増加するとの考察に基づき、データ異常の発生頻度が所定値を越えた場合には、モータ駆動機構１に経年劣化の種類の機械異常が発生していると判定する。 <5: About machine abnormality judgment>
According to the above data abnormality determination, the presence/absence of an abnormal state (that is, abnormality/normality) seen on the data at the time of acquiring the time-series data can be binary-determined. However, as shown in the experimental results described below, even if the data abnormality is determined even once, it should not be determined that the mechanical abnormality has occurred in the entire mechanical system. Further, when the data abnormality occurs a plurality of times, it is possible to temporarily estimate the content of the mechanical abnormality based on the occurrence mode. In the present embodiment, based on the consideration that the frequency of occurrence of data abnormality gradually increases as the deterioration over time progresses, if the frequency of occurrence of data abnormality exceeds a predetermined value, the type of aging deterioration in the motor drive mechanism 1 is performed. It is determined that the mechanical abnormality of occurs.

＜６：具体的な制御フロー＞
上述した経年劣化による機械異常を判定するための具体的な制御フローの一例を、以下に詳細に説明する。まず図５は、データ異常判定に機械学習を利用する場合の上記事前準備に相当する準備処理の制御手順を示すフローチャートである。このフローチャートは、データ異常がほぼ生じないと確信できるモータ駆動機構１の正常駆動の駆動状態中に、図１中に示すセットアップＰＣ５のＣＰＵ（第１演算装置に相当；特に図示せず）が実行する。なお正常駆動としては、例えばモータ駆動機構１が組立製造後に十分な調整が行われた状態でほぼ設計通りに動作すると確信できる状態（初期運用又は試験運用）での駆動が考えられる。 <6: Specific control flow>
An example of a specific control flow for determining the mechanical abnormality due to the aged deterioration described above will be described in detail below. First, FIG. 5 is a flowchart showing a control procedure of a preparation process corresponding to the above-mentioned preparation when using machine learning for data abnormality determination. This flowchart is executed by the CPU (corresponding to the first arithmetic unit; not particularly shown) of the setup PC 5 shown in FIG. 1 during the normal driving state of the motor drive mechanism 1 that is sure that data abnormality will hardly occur. To do. It should be noted that as the normal drive, for example, drive in a state (initial operation or test operation) in which it is convinced that the motor drive mechanism 1 operates almost as designed in a state where sufficient adjustment has been made after assembly and manufacturing can be considered.

まずステップＳ５で、セットアップＰＣ５のＣＰＵは、誤報率αを決定する。これはユーザからの入力により任意に決定してもよいし、予め設定された値や所定の手法に基づいて算出された値で決定してもよい。 First, in step S5, the CPU of the setup PC 5 determines the false alarm rate α. This may be arbitrarily determined by an input from the user, or may be determined by a preset value or a value calculated based on a predetermined method.

次にステップＳ１０へ移り、セットアップＰＣ５のＣＰＵは、変数の種類数を自由度Ｍとしたカイ２乗分布を算出する。本実施形態では、１つのモータ１２に対しトルク指令と出力速度の２種類の時系列データが取得されるため、自由度Ｍ＝２となる。 Next, proceeding to step S10, the CPU of the setup PC 5 calculates a chi-square distribution with the number of types of variables being M degrees of freedom. In the present embodiment, two types of time-series data of the torque command and the output speed are acquired for one motor 12, so the degree of freedom M=2.

次にステップＳ１５へ移り、セットアップＰＣ５のＣＰＵは、誤報率αとカイ２乗分布に基づいてデータ異常判定しきい値ａ_ｔｈを算出する。 Next, proceeding to step S15, the CPU of the setup PC 5 calculates the data abnormality determination threshold value a _th based on the false alarm rate α and the chi-square distribution.

次にステップＳ２０へ移り、セットアップＰＣ５のＣＰＵは、上位制御装置３とサーボアンプ２を介したモーション制御及びモータ駆動制御によりモータ駆動機構１の正常駆動を開始する。 Next, the process proceeds to step S20, and the CPU of the setup PC 5 starts the normal drive of the motor drive mechanism 1 by motion control and motor drive control via the host controller 3 and the servo amplifier 2.

次にステップＳ２５へ移り、セットアップＰＣ５のＣＰＵは、システムサイクルなどの所定時間毎に各変数（各軸のトルク指令及び出力速度）の時系列標本データを、サーボアンプ２及び上位制御装置３を介して取得する。 Next, proceeding to step S25, the CPU of the setup PC 5 transmits the time-series sample data of each variable (torque command and output speed of each axis) at predetermined time intervals such as the system cycle via the servo amplifier 2 and the host controller 3. To get.

次にステップＳ３０へ移り、セットアップＰＣ５のＣＰＵは、正常駆動が終了したか否かを判定する。正常駆動がまだ終了しない場合、判定は満たされず、ステップＳ２５に戻って同様の手順を繰り返す。 Then, the process proceeds to step S30, and the CPU of the setup PC 5 determines whether or not the normal driving is completed. If the normal driving is not yet completed, the determination is not satisfied, and the process returns to step S25 and the same procedure is repeated.

一方、正常駆動が終了した場合、判定が満たされ、ステップＳ３５へ移る。 On the other hand, if the normal driving is completed, the determination is satisfied, and the routine goes to Step S35.

ステップＳ３５では、セットアップＰＣ５のＣＰＵは、モータ駆動機構１の正常駆動を停止する。 In step S35, the CPU of the setup PC 5 stops the normal drive of the motor drive mechanism 1.

次にステップＳ４０へ移り、セットアップＰＣ５のＣＰＵは、上記ステップＳ２５で取得した時系列標本データ群から、標本平均μと標本共分散行列Σを算出する。そして、このフローを終了する。 Next, proceeding to step S40, the CPU of the setup PC 5 calculates the sample mean μ and the sample covariance matrix Σ from the time-series sample data group acquired at step S25. Then, this flow ends.

以上の準備処理のフローにより、特に計算処理の負荷が大きい機械学習の準備処理（工程１〜４）を比較的ＣＰＵパワーの高いセットアップＰＣ５であらかじめ行うことができ、モータ制御システム１００全体におけるリソース負担を軽減できる。 According to the flow of the preparation processing described above, the preparation processing for machine learning (steps 1 to 4), which has a particularly large load of calculation processing, can be performed in advance by the setup PC 5 having a relatively high CPU power, and the resource load on the entire motor control system 100 is increased. Can be reduced.

次に図６は、データ異常判定と機械異常判定を行う経年劣化判定処理の制御手順を示すフローチャートである。このフローチャートは、データ異常が生じ得るモータ駆動機構１の観測駆動の駆動状態中に、図１中に示す上位制御装置３のＣＰＵ（第２演算装置に相当；特に図示せず）が実行する。なお観測駆動としては、例えばモータ駆動機構１が十分長い期間で運用された状態（実務運用）での駆動が考えられる。 Next, FIG. 6 is a flowchart showing a control procedure of aged deterioration determination processing for performing data abnormality determination and mechanical abnormality determination. This flowchart is executed by the CPU (corresponding to the second arithmetic unit; not particularly shown) of the host controller 3 shown in FIG. 1 during the drive state of the observation drive of the motor drive mechanism 1 where data abnormality may occur. As the observation drive, for example, drive in a state where the motor drive mechanism 1 has been operated for a sufficiently long period (practical operation) can be considered.

まずステップＳ１０５で、上位制御装置３のＣＰＵは、サーボアンプ２を介したモーション制御及びモータ駆動制御によりモータ駆動機構１の観測駆動を開始する。 First, in step S105, the CPU of the host controller 3 starts the observation drive of the motor drive mechanism 1 by motion control and motor drive control via the servo amplifier 2.

次にステップＳ１１０へ移り、上位制御装置３のＣＰＵは、システムサイクルなどの所定時間毎に各変数（各軸のトルク指令及び出力速度）の時系列観測データを、サーボアンプ２を介して取得する。 Next, the process proceeds to step S110, and the CPU of the host controller 3 acquires the time-series observation data of each variable (torque command and output speed of each axis) via the servo amplifier 2 every predetermined time such as a system cycle. ..

次にステップＳ１１５へ移り、上位制御装置３のＣＰＵは、上記ステップＳ４０であらかじめ算出された標本平均μと標本共分散行列Σ、及び上記ステップＳ１１０で取得した時系列観測データ群からマハラノビス距離ａ（ｘ’）を算出する。 Next, the process proceeds to step S115, and the CPU of the host controller 3 calculates the Mahalanobis distance a( from the sample mean μ and the sample covariance matrix Σ calculated in advance in step S40, and the time-series observation data group acquired in step S110. x') is calculated.

次にステップＳ１２０へ移り、上位制御装置３のＣＰＵは、上記ステップＳ１１５で算出したマハラノビス距離ａ（ｘ’）が、上記ステップＳ１５であらかじめ算出されたデータ異常判定しきい値ａ_ｔｈ（図中では「しきい値」と略記）を越えているか否かを判定する。言い換えると、上記ステップＳ１１０で取得した時系列観測データがデータ異常の状態であるか否かを判定する。マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを越えていない場合、判定は満たされず、ステップＳ１２５へ移る。言い換えると、データ異常が発生していないとみなされる。 Next, the process proceeds to step S120, and the CPU of the host controller 3 determines that the Mahalanobis distance a(x′) calculated in step S115 is the data abnormality determination threshold value a _th (previously calculated in step S15). (Abbreviated as "threshold") is determined. In other words, it is determined whether or not the time series observation data acquired in step S110 is in a data abnormal state. If the Mahalanobis distance a(x′) does not exceed the data abnormality determination threshold value a _th , the determination is not satisfied, and the routine goes to Step S125. In other words, it is considered that no data abnormality has occurred.

ステップＳ１２５では、上位制御装置３のＣＰＵは、観測駆動が終了したか否かを判定する。観測駆動がまだ終了しない場合、判定は満たされず、ステップＳ１１０に戻って同様の手順を繰り返す。 In step S125, the CPU of the host controller 3 determines whether or not the observation drive has been completed. If the observation drive is not yet completed, the determination is not satisfied, and the process returns to step S110 and the same procedure is repeated.

一方、観測駆動が終了した場合、判定が満たされ、ステップＳ１３０へ移る。 On the other hand, when the observation drive is completed, the determination is satisfied, and the routine goes to Step S130.

ステップＳ１３０では、上位制御装置３のＣＰＵは、モータ駆動機構１の観測駆動を停止する。そして、このフローを終了する。 In step S130, the CPU of the host controller 3 stops the observation drive of the motor drive mechanism 1. Then, this flow ends.

一方、上記ステップＳ１２０の判定において、マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを越えていた場合、判定が満たされ、ステップＳ１３５へ移る。言い換えると、データ異常が発生したとみなされる。 On the other hand, when it is determined in step S120 that the Mahalanobis distance a(x′) exceeds the data abnormality determination threshold value a _th , the determination is satisfied, and the process proceeds to step S135. In other words, it is considered that a data abnormality has occurred.

ステップＳ１３５では、上位制御装置３のＣＰＵは、それまでの過去直近で所定回数行われたデータ異常判定における異常の判定頻度（異常と判定された時系列観測データの取得頻度）が所定値（所定しきい値）より大きいか否かを判定する。言い換えると、経年劣化の機械異常が発生したか否かを判定する。直近所定回数におけるデータ異常判定頻度が所定値より大きい場合、判定が満たされ、ステップＳ１４０へ移る。言い換えると、経年劣化の機械異常が発生したとみなされる。 In step S135, the CPU of the upper-level control device 3 sets the abnormality determination frequency (the acquisition frequency of the time-series observation data determined to be abnormal) to the predetermined value (predetermined) in the data abnormality determination that has been performed a predetermined number of times in the past most recent time. Threshold value) is determined. In other words, it is determined whether or not an aged mechanical abnormality has occurred. If the data abnormality determination frequency in the latest predetermined number of times is larger than the predetermined value, the determination is satisfied, and the routine goes to Step S140. In other words, it is considered that an aged mechanical abnormality has occurred.

ステップＳ１４０では、上位制御装置３のＣＰＵは、モータ駆動機構１に経年劣化が発生したとする判定結果をオペレータ４に送信し、表示部などにその旨を報知させる。そして、ステップＳ１３０へ移る。 In step S140, the CPU of the higher-level control device 3 transmits a determination result indicating that the motor drive mechanism 1 has deteriorated over time to the operator 4, and causes the display unit or the like to notify that effect. Then, the process proceeds to step S130.

一方、上記ステップＳ１３５の判定において、直近所定回数におけるデータ異常判定頻度が所定値以下である場合、判定は満たされず、ステップＳ１２５へ移る。言い換えると、経年劣化の機械異常が発生してないとみなされる。 On the other hand, in the determination of step S135, when the data abnormality determination frequency in the latest predetermined number of times is less than or equal to the predetermined value, the determination is not satisfied, and the process proceeds to step S125. In other words, it is considered that no aging mechanical abnormality has occurred.

以上の経年劣化判定処理のフローにより、計算処理の負荷が比較的小さい機械学習の判定処理（工程５、６）と機械異常判定処理を、比較的ＣＰＵパワーの低い上位制御装置３でも行うことができ、モータ制御システム１００全体におけるリソース負担を軽減できる。またこの経年劣化判定処理の実行中（実務運用中）には、セットアップＰＣ５は何ら処理を行わず不要となるため、上位制御装置３から接続を取り外すことでモータ制御システム１００全体の構成を簡素化でき、堅牢性を向上できる。 By the above-described flow of the aged deterioration determination processing, the machine learning determination processing (steps 5 and 6) and the machine abnormality determination processing, which have a relatively small calculation processing load, can be performed even by the host control device 3 having a relatively low CPU power. Therefore, the resource load on the entire motor control system 100 can be reduced. Further, since the setup PC 5 is not required to perform any processing during the execution of this aged deterioration determination process (during practical operation), disconnection from the host control device 3 simplifies the overall configuration of the motor control system 100. And the robustness can be improved.

なお、ステップＳ５、ステップＳ１０、ステップＳ１５、ステップＳ４０、ステップＳ１１５、及びステップＳ１２０の手順が各請求項記載のデータ異常判定部に相当し、ステップＳ１３５の手順が各請求項記載の機械正常判定部又は機械劣化判定部に相当する。 The procedure of step S5, step S10, step S15, step S40, step S115, and step S120 corresponds to the data abnormality determination unit described in each claim, and the procedure of step S135 corresponds to the machine normality determination unit described in each claim. Alternatively, it corresponds to a mechanical deterioration determination unit.

＜７：実験によるデータ異常判定の確認＞
＜７−１：時間軸波形に対する適用結果＞
本実施形態によるデータ異常判定の手法の妥当性を、実試験で得た時間軸波形に適用して確認する。この実試験は、鉛直方向に可動するボールねじスライダ（特に図示せず）の特定の位置におけるトルク指令と出力速度をそれぞれ時系列標本データとして２０回検出し、同じスライダで位置を違えてトルク指令と出力速度を時系列観測データとして検出した。 <7: Confirmation of data abnormality judgment by experiment>
<7-1: Application result for time axis waveform>
The validity of the data abnormality determination method according to the present embodiment is confirmed by applying it to the time-axis waveform obtained in the actual test. In this actual test, a torque command and an output speed at a specific position of a vertically movable ball screw slider (not shown) are respectively detected as time-series sample data 20 times, and the same slider is used to detect the torque command and the torque command at different positions. And the output speed was detected as time series observation data.

＜７−１−１：自由度Ｍ＝１で処理した場合＞
図７は、出力速度の時系列標本データと時系列観測データをプロットしたグラフを示している。中央の曲線のうち実線のものが時系列標本データであり、他の白抜き破線の曲線が時系列観測データである（以下の各図において同様）。また、下方には、誤報率α＝１％とした単変数解析（自由度Ｍ＝１）でのデータ異常判定結果を、２値的（Ｈｉｇｈ／Ｌｏｗ）に示すグラフもプロットされている。この実験におけるトレースデータは１０００点で構成されているため、データ異常判定は各点ごとに計算している。これは、同じ速度であっても時間が異なればボールねじ上の位置が異なるため、機械システムとしての特性が異なることを考慮している。また、図８は、図７の出力速度の代わりにトルク指令の時系列標本データと時系列観測データとデータ異常の判定結果をプロットしたグラフである。 <7-1-1: When processed with M=1 degree of freedom>
FIG. 7 shows a graph in which time series sample data of output speed and time series observation data are plotted. The solid curve in the center curve is the time-series sample data, and the other open-dashed curves are the time-series observation data (similar in the following figures). Also, below the graph, a graph showing the data abnormality determination result in the single variable analysis (degree of freedom M=1) with the false alarm rate α=1% as binary (High/Low) is also plotted. Since the trace data in this experiment is composed of 1000 points, the data abnormality judgment is calculated for each point. This is because even if the speed is the same, the position on the ball screw is different if the time is different, so that the characteristics of the mechanical system are different. Further, FIG. 8 is a graph in which the time-series sample data of the torque command, the time-series observation data, and the data abnormality determination result are plotted instead of the output speed of FIG. 7.

まず最初の比較例として、機械学習を利用しない場合には図９〜図１２に示すような正規分布に基づくデータ異常判定を行うことになる。図９、図１０は、上記図７中の時刻Ａ１、時刻Ａ２それぞれにおける出力速度の時系列標本データの正規分布と時系列観測データを示している。また、図１１、図１２は、上記図８中の時刻Ｂ１、時刻Ｂ２それぞれにおけるトルク指令の時系列標本データの正規分布と時系列観測データを示している。図９において、時系列観測データは正規分布の内側に存在するため正常なデータと推測される。一方、図１０の時系列観測データは正規分布の外側に存在するため異常なデータと推測される。同様に図１１は正常データと推測され、図１２は異常データと推測される。機械学習を利用しない場合の基本的な考え方としては、このように正規分布と時系列観測データの比較を全てのデータに対して行うことになるが、実際に実施するのは計算処理負担がかなり大きくなるため現実的ではない。 As a first comparative example, when machine learning is not used, data abnormality determination based on a normal distribution as shown in FIGS. 9 to 12 is performed. 9 and 10 show the normal distribution and time-series observation data of the time-series sample data of the output speed at time A1 and time A2 in FIG. 7, respectively. 11 and 12 show the normal distribution and time-series observation data of the time-series sample data of the torque command at time B1 and time B2 in FIG. 8 respectively. In FIG. 9, since the time series observation data exists inside the normal distribution, it is presumed to be normal data. On the other hand, the time-series observation data in FIG. 10 exists outside the normal distribution, and is therefore assumed to be abnormal data. Similarly, FIG. 11 is presumed to be normal data, and FIG. 12 is presumed to be abnormal data. The basic idea when not using machine learning is to compare the normal distribution and time-series observation data for all data in this way, but the actual implementation requires a considerable computational load. It is not realistic because it grows.

図７では１０００点の時系列観測データ中５７点（５．７％）がデータ異常として判定され、図８では５９点（５．９％）がデータ異常として判定されている。波形曲線だけを見る限りでは、目視では差異があると判定することは難しい。一方、図７と図８にそれぞれ対応する図１３、図１４では、上記（工程５）で算出したマハラノビス距離ａ（ｘ’）と、（工程３）で算出したデータ異常判定しきい値ａ_ｔｈを比較して示している。図１３、図１４にプロットしたグラフを見ると、時系列観測データが時系列標本データから外れているか否かが明確にわかる。 In FIG. 7, 57 points (5.7%) of the 1000 time-series observation data are determined to be abnormal data, and in FIG. 8, 59 points (5.9%) are determined to be abnormal data. As long as only the waveform curve is seen, it is difficult to visually determine that there is a difference. On the other hand, in FIGS. 13 and 14 corresponding to FIG. 7 and FIG. 8, respectively, the Mahalanobis distance a(x′) calculated in the above (step 5) and the data abnormality determination threshold value a _th calculated in the above (step 3) Are shown in comparison. The graphs plotted in FIGS. 13 and 14 clearly show whether or not the time-series observation data deviates from the time-series sample data.

図１５および図１６はさらに分かりやすく、同じボールねじスライダを使用して発振させた場合の図７、図８に相当する結果である。図７、図８では小刻みにＨｉｇｈ／Ｌｏｗを繰り返していたデータ異常判定結果が継続的にデータ異常（Ｈｉｇｈ）を示している。 FIGS. 15 and 16 are easier to understand and show results corresponding to FIGS. 7 and 8 when the same ball screw slider is used for oscillation. In FIGS. 7 and 8, the data abnormality determination result in which High/Low is repeated in small increments continuously indicates data abnormality (High).

＜７−１−２：自由度Ｍ＝２で処理した場合＞
上記図７〜図１６では、いずれも自由度Ｍ＝１として、出力速度またはトルク指令の個別の信号に対してデータ異常の検出を行った場合を示した。これに対して自由度Ｍ＝２とした多変数解析での多元的なデータ異常の検出を行う場合には、上記（工程３）で自由度Ｍ＝２としたデータ異常判定しきい値ａ_ｔｈを算出し、出力速度とトルク指令の２乗和の平方根にて計算したマハラノビス距離ａ（ｘ’）と比較すればよい。 <7-1-2: Processing with M=2 degrees of freedom>
In each of FIGS. 7 to 16, the degree of freedom M=1 is set and the case where the data abnormality is detected for the individual signal of the output speed or the torque command is shown. On the other hand, when multidimensional data abnormality detection is performed in a multivariate analysis with the degree of freedom M=2, the data abnormality determination threshold value a _th with the degree of freedom M=2 in the above (step 3). Is calculated and compared with the Mahalanobis distance a(x′) calculated by the square root of the sum of squares of the output speed and the torque command.

図１７は、図７、図８の条件から自由度Ｍ＝２の場合のマハラノビス距離ａ（ｘ’）とデータ異常判定しきい値ａ_ｔｈを比較したグラフを示している。図１７と図１３、図１４を比較すると、出力速度またはトルク指令のいずれかの時系列観測データが時系列標本データよりも大きく外れた時刻でマハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａ_ｔｈを超えていることが分かる。 FIG. 17 shows a graph comparing the Mahalanobis distance a(x′) and the data abnormality determination threshold value a _th when the degree of freedom M=2 from the conditions of FIGS. 7 and 8. Comparing FIG. 17 with FIGS. 13 and 14, the Mahalanobis distance a(x′) is the data abnormality determination threshold at the time when the time-series observation data of either the output speed or the torque command deviates significantly from the time-series sample data. It can be seen that it exceeds the value a _th .

＜７−２：周波数軸波形に対する適用結果＞
上記＜７−１＞では、時間軸波形（つまり時間領域）に対してデータ異常の検出手法を適用した。以下では、横軸に周波数軸を持つ周波数特性のデータに対して自由度Ｍ＝１の機械学習による手法を適用する。可動スライダがボールねじの反モータ側で２０回の周波数測定を実行し、これを時系列標本データとして取得する。その後、可動スライダがボールねじのモータ側で周波数測定を実行し、時系列観測データとして取得した。つまり、直近所定数の各時系列データを周波数解析し、周波数領域でのデータ異常の判定を行った。 <7-2: Application result for frequency axis waveform>
In the above <7-1>, the data abnormality detection method is applied to the time axis waveform (that is, the time domain). In the following, a method based on machine learning with a degree of freedom M=1 is applied to frequency characteristic data having a frequency axis on the horizontal axis. The movable slider performs frequency measurement 20 times on the side opposite to the motor of the ball screw, and acquires this as time-series sample data. After that, the movable slider performed frequency measurement on the motor side of the ball screw and acquired it as time-series observation data. In other words, each time series data of the immediate neighborhood constant was subjected to frequency analysis to determine the data abnormality in the frequency domain.

図１８はゲイン特性、図１９は位相特性で、時系列標本データと時系列観測データを周波数軸上でプロットしたグラフを示している。また各図の下方には、誤報率α＝１％に設定したデータ異常判定の結果も２値的（Ｈｉｇｈ／Ｌｏｗ）にプロットしている。なお、比較のために、図２０、図２１は、時系列標本データと同じ位置でメカニカルアナリシスを実行した場合の時系列観測データのゲイン特性と位相特性の周波数軸上のグラフを示している。図１８では４０１点のデータ中１７８点（４４％）でデータ異常が検出され、図１９では１８５点（４６％）でデータ異常が検出されているのに対し、図２０では３０点（７．５％）、図２１では３４点（８．５％）でデータ異常が検出されており、明らかな差を確認できる。 FIG. 18 is a gain characteristic, and FIG. 19 is a phase characteristic, showing a graph in which time-series sample data and time-series observation data are plotted on the frequency axis. Further, the results of the data abnormality determination in which the false alarm rate α is set to 1% are also binary plotted (High/Low) at the bottom of each figure. For comparison, FIGS. 20 and 21 show graphs on the frequency axis of the gain characteristic and the phase characteristic of the time series observation data when the mechanical analysis is performed at the same position as the time series sample data. In FIG. 18, data abnormalities are detected at 178 points (44%) out of 401 points of data, and at 185 points (46%) in FIG. 19, data abnormalities are detected at 30 points (7. 5%), and in FIG. 21, data abnormality is detected at 34 points (8.5%), and a clear difference can be confirmed.

＜８：本実施形態の効果＞
以上説明したように、本実施形態のモータ制御システム１００によれば、ステップＳ２５及びステップＳ１１０の手順でモータ駆動機構１の駆動中におけるモータ１２の入出力に関する時系列データを取得する。また、モータ制御システム１００は、ステップＳ５、ステップＳ１０、ステップＳ１５、ステップＳ４０、ステップＳ１１５、及びステップＳ１２０の手順で時系列データのデータ異常を判定する。また、モータ制御システム１００は、ステップＳ１３５の手順で、データ異常と判定された時系列データの取得態様に基づいて、モータ駆動機構１の機械異常を判定する。つまり、電動モータ駆動のモーション系機械制御に対して予兆診断を適用するに当たり、データ異常と機械異常を区別し、データ異常の発生態様（データ異常とされた時系列データの取得態様）に基づいて機械異常を判定する。この結果、微小なデータ異常の変化にとらわれず、機械システム全体の機械異常についてより有効で詳細かつ明確な判定が行える。また、モータ駆動機構１の機械異常の有無を判定することは、その時点の当該モータ駆動機構１の機械正常を判定することと同等とみなせる。例えば、上記ステップ１３５の判定が満たされず（Ｎｏ）、モータ駆動機構１が機械異常にないと判定された場合には、当該モータ駆動機構１が機械正常（異常な状態でなく正常な状態）であると判定されたとみなせる。このように機械正常を判定できる本実施形態のモータ制御システム１では、例えば大量生産されたモータ駆動機構１を個別に駆動制御して機械正常を判定することで、それぞれ設計通りの性能や機能を有するかの同一性を試験することができる。または、オーバーホールしたモータ駆動機構１の性能や機能が許容範囲内にあるかの健全性も検証できる。または、異なる２つのモータ駆動機構１の一方から取得した標本データと、他方から取得した観測データとを用いて他方の機械正常を判定することで、それら２つのモータ駆動機構１の間の性能や機能の類似性を検証することもできる。 <8: Effect of this embodiment>
As described above, according to the motor control system 100 of the present embodiment, the time series data regarding the input/output of the motor 12 during the driving of the motor drive mechanism 1 is acquired in the procedure of step S25 and step S110. Further, the motor control system 100 determines the data abnormality of the time-series data in the procedure of step S5, step S10, step S15, step S40, step S115, and step S120. Further, the motor control system 100 determines the mechanical abnormality of the motor drive mechanism 1 based on the acquisition mode of the time-series data determined as the data abnormality in the procedure of step S135. In other words, when applying predictive diagnosis to motion-based machine control of an electric motor drive, a data abnormality and a machine abnormality are distinguished, and based on the occurrence mode of the data abnormality (acquisition mode of time-series data regarded as data abnormality). Determine the mechanical abnormality. As a result, it is possible to make a more effective, detailed, and clear determination of the mechanical abnormality of the entire mechanical system without being caught by a minute change in the data abnormality. Further, determining whether or not there is a mechanical abnormality in the motor drive mechanism 1 can be regarded as equivalent to determining whether the motor drive mechanism 1 is normal at that time. For example, when the determination in step 135 is not satisfied (No) and it is determined that the motor drive mechanism 1 is not in a mechanical abnormality, the motor drive mechanism 1 is in a mechanical normal state (not an abnormal state but a normal state). It can be considered that there is. In the motor control system 1 of the present embodiment that can determine the machine normality in this manner, for example, by individually controlling the drive of mass-produced motor drive mechanisms 1 to determine the machine normality, the performance and the function as designed can be obtained. The identity of what one has can be tested. Alternatively, it is possible to verify the soundness of whether the performance or function of the overhauled motor drive mechanism 1 is within the allowable range. Alternatively, by using the sample data acquired from one of the two different motor drive mechanisms 1 and the observation data acquired from the other to judge the machine normality of the other, the performance between the two motor drive mechanisms 1 can be determined. It is also possible to verify the similarity of functions.

なお、機械異常を判定する際に参照するデータ異常の時系列データの取得態様は、取得頻度に限られない。他にも、判定する対象の機械異常に応じて、取得時刻、取得周波数、異常データの取得組み合わせなど多様な取得態様（判定態様）が適用可能である。 Note that the acquisition mode of the time-series data of the data abnormality that is referred to when determining the mechanical abnormality is not limited to the acquisition frequency. In addition, various acquisition modes (determination modes) such as acquisition time, acquisition frequency, and acquisition combination of abnormal data can be applied according to the machine abnormality to be judged.

また、本実施形態では特に、モータ１２は、運動方程式に基づくフィードバック制御により駆動制御されており、時系列データは、モータ１２に入力するトルク指令と、モータ１２が出力する出力速度の少なくともいずれか１つを含んでいる。これにより、正常駆動と観測駆動を同じ駆動動作で行う場合において、簡易に適切な時系列データを取得できるとともに、モータ駆動機構１の機械部分における動作状態について詳細に検証することができる。なお、データ異常を判定するにあたっては、出力速度に変えて出力位置を時系列データとして取得してもほぼ同様の結果が得られる。 Further, particularly in the present embodiment, the motor 12 is drive-controlled by feedback control based on the equation of motion, and the time-series data is at least one of a torque command input to the motor 12 and an output speed output by the motor 12. Includes one. As a result, when the normal drive and the observation drive are performed in the same drive operation, it is possible to easily acquire appropriate time-series data and to verify in detail the operating state of the mechanical portion of the motor drive mechanism 1. It should be noted that, in determining the data abnormality, substantially the same result can be obtained even if the output position is acquired as time-series data instead of the output speed.

また、本実施形態では特に、機械異常の種類を判定することにより、機械システムにどのような種類の機械異常が発生しているかが明確となり、機械異常に対するユーザの対処が容易となる。 Further, particularly in the present embodiment, by determining the type of mechanical abnormality, it becomes clear what kind of mechanical abnormality has occurred in the mechanical system, and the user can easily deal with the mechanical abnormality.

また、本実施形態では特に、ステップＳ１３５の手順で、機械異常の種類としてモータ駆動機構１の経年劣化を判定する。これにより、ユーザは機械異常を改善するにあたって経年劣化の対処を行えばよいことが明確となり、利便性が向上する。 Further, particularly in the present embodiment, in the procedure of step S135, the deterioration over time of the motor drive mechanism 1 is determined as the type of mechanical abnormality. As a result, it becomes clear that the user should deal with the deterioration over time in order to improve the mechanical abnormality, and the convenience is improved.

また、本実施形態では特に、ステップＳ１３５の手順で、データ異常と判定された時系列観測データの取得頻度が所定値を超えた場合に、経年劣化の機械異常が発生したと判定する。これにより、高い信頼性で経年劣化の機械異常を判定できる。 Further, particularly in the present embodiment, in the procedure of step S135, when the acquisition frequency of the time-series observation data that is determined to be data abnormality exceeds a predetermined value, it is determined that a mechanical abnormality due to aged deterioration has occurred. As a result, it is possible to determine with high reliability an aged mechanical abnormality.

なお、経年劣化が進行するに従ってデータ異常の発生頻度が徐々に増加するとの考察に基づき、他の判定基準で経年劣化を判定してもよい。例えば、モータ駆動機構１の観測駆動を行う度にデータ異常と判定された時系列観測データの取得頻度が増加傾向にある場合に、経年劣化の機械異常が発生したと判定してもよい。具体的には、観測駆動を行う度にデータ異常と判定された時系列観測データの取得頻度を算出してその履歴を記録し、過去直近の観測駆動間で比較して取得頻度が増加傾向にあると判断した場合に、経年劣化の機械異常が発生したと判定すればよい。 It should be noted that, based on the consideration that the frequency of occurrence of data abnormality gradually increases as the aging deterioration progresses, the aging deterioration may be determined by another determination criterion. For example, when the frequency of acquisition of the time-series observation data, which is determined to be a data abnormality each time the motor drive mechanism 1 is observed and driven, tends to increase, it may be determined that a mechanical abnormality due to aged deterioration has occurred. Specifically, each time the observation drive is performed, the acquisition frequency of the time-series observation data that is determined to be data abnormality is calculated, the history is recorded, and the acquisition frequency tends to increase when compared between the latest observation drives. If it is determined that there is, it may be determined that an aged mechanical abnormality has occurred.

また、機械異常の特性とデータ異常の判定態様の因果関係が理解されていれば、機械異常の種類として上記の経年劣化以外の種類の機械異常を判定することも可能である。例えば上記図１５、図１６に示したように、機械異常の種類としてモータ駆動機構１の発振を判定してもよい。これにより、ユーザは機械異常を改善するにあたって発振の対処を行えばよいことが明確となり、利便性が向上する。 Further, if the causal relationship between the characteristics of the mechanical abnormality and the determination mode of the data abnormality is understood, it is possible to determine the type of mechanical abnormality other than the above-described deterioration over time. For example, as shown in FIGS. 15 and 16, the oscillation of the motor drive mechanism 1 may be determined as the type of mechanical abnormality. As a result, it becomes clear that the user should deal with the oscillation in order to improve the mechanical abnormality, and the convenience is improved.

そしてこの発振の判定基準として、データ異常と判定された時系列データが所定期間を超えて連続的に取得された場合に、発振の機械異常が発生したと判定する方法がある。これにより、モータ制御システム１００は高い確度で発振を判定できる。 As a criterion for this oscillation determination, there is a method of determining that a mechanical abnormality of oscillation has occurred when the time series data determined to be data abnormality is continuously acquired over a predetermined period. As a result, the motor control system 100 can determine oscillation with high accuracy.

また他にも、トルク指令と出力速度の両方でデータ異常と判定された場合に、発振の機械異常が発生したと判定する方法もある。これによっても、モータ制御システム１００は高い確度で発振を判定できる。さらに、自由度Ｍ＝１でトルク指令と出力速度でそれぞれ判定されたデータ上の正常／異常の組み合わせ、つまりデータ異常と判定された時系列データの取得組み合わせ（取得態様）に基づいて他の種類の機械異常を判定することもできる。具体的には図２２に示すように、トルク指令がデータ異常であって出力速度がデータ正常である場合には、大きな摩擦力に抗して出力速度を維持するようトルクが変動しているとみなせるため、外乱抑圧の機械異常にあると判定できる。また、トルク指令がデータ正常であって出力速度がデータ異常である場合には、トルクが維持されつつ出力速度が変動しているとみなせるため、すなわち機械揺れの機械異常にあると判定できる。なお、経年劣化が進行した結果で発振が生じる場合がある一方、新規の駆動機械１３でも設置ミスや調整ミスなどにより発振が生じる場合がある。このため、データ異常の発生態様は、機械異常の発生原因を推定する一助にも成り得る。 In addition, there is also a method of determining that a mechanical abnormality of oscillation has occurred when it is determined that there is a data abnormality in both the torque command and the output speed. This also allows the motor control system 100 to determine oscillation with high accuracy. Further, another type based on the combination of normality/abnormality in the data determined by the torque command and the output speed with the degree of freedom M=1, that is, the acquisition combination (acquisition mode) of the time-series data determined as the data abnormality. It is also possible to determine the mechanical abnormality of. Specifically, as shown in FIG. 22, when the torque command has abnormal data and the output speed is normal, the torque fluctuates so as to maintain the output speed against a large frictional force. Since it can be considered, it can be determined that there is a mechanical abnormality of disturbance suppression. Further, when the data of the torque command is normal and the data of the output speed is abnormal, it can be considered that the output speed is fluctuating while maintaining the torque, that is, it can be determined that there is a mechanical abnormality of machine shake. It should be noted that while the oscillation may occur as a result of the progress of deterioration over time, the new drive machine 13 may also cause the oscillation due to an installation error or an adjustment error. For this reason, the occurrence mode of the data abnormality can help to estimate the cause of the mechanical abnormality.

また、本実施形態では特に、ホテリングのＴ^２法によりデータ異常を判定する。これにより、信頼性の高い多変数解析によるデータ異常判定を実現できる。 Further, particularly in the present embodiment, the data abnormality is determined by the Hotelling T ² method. This makes it possible to realize highly reliable data abnormality determination by multivariate analysis.

また、本実施形態では特に、上記ホテリングのＴ^２法において、正常駆動時に取得した時系列標本データに基づいて標本平均μと標本共分散行列Σを算出する。またモータ制御システム１００は、これら標本平均μと標本共分散行列Σとともに観測駆動時に取得した時系列観測データに基づいてマハラノビス距離ａ（ｘ’）を算出する。そしてモータ制御システム１００は、マハラノビス距離ａ（ｘ’）とデータ異常判定しきい値ａ_ｔｈの比較により、時系列観測データのデータ異常を判定する。これにより、いわゆる「教師あり学習」でホテリングＴ^２法の機械学習を実行できることから、データ異常判定の信頼性を向上できる。なお、クラスタリングなどによるいわゆる「教師なし学習」で機械学習を利用してもよい。 Further, particularly in the present embodiment, in the Hotelling's T ² method, the sample mean μ and the sample covariance matrix Σ are calculated based on the time-series sample data acquired during normal driving. Further, the motor control system 100 calculates the Mahalanobis distance a(x′) based on the sample mean μ and the sample covariance matrix Σ and the time-series observation data acquired during the observation drive. Then, the motor control system 100 determines the data abnormality of the time-series observation data by comparing the Mahalanobis distance a(x′) and the data abnormality determination threshold value a _th . Accordingly, since the machine learning of the Hotelling T ² method can be executed by so-called “supervised learning”, the reliability of data abnormality determination can be improved. Machine learning may be used in so-called “unsupervised learning” such as clustering.

また、本実施形態では特に、時間領域でデータ異常を判定することにより、モータ１２の出力位置などといった変位や配置などを考慮した機械異常の検討に好適となる。 Further, particularly in the present embodiment, by determining the data abnormality in the time domain, it is suitable for the examination of the mechanical abnormality in consideration of the displacement such as the output position of the motor 12 and the arrangement.

なお、上記図１８〜図２１に示したように、周波数領域でデータ異常を判定してもよく、この場合には部品種類や原因などを考慮した機械異常の検討に好適となる。 As shown in FIGS. 18 to 21, the data abnormality may be determined in the frequency domain, and in this case, it is suitable for the examination of the mechanical abnormality in consideration of the kind of parts and the cause.

また、本実施形態では特に、上記図７、図８、図１３〜図２１に示したように、時系列データの時間軸波形又は周波数軸波形とデータ異常の判定結果をオペレータ４の同一画面上に重ねて表示することで、機械異常の種類、発生箇所、又は原因などの推定に大きく貢献できる。 Further, particularly in the present embodiment, as shown in FIGS. 7, 8 and 13 to 21, the time axis waveform or frequency axis waveform of the time series data and the determination result of the data abnormality are displayed on the same screen of the operator 4. By superimposing it on the display, it is possible to greatly contribute to the estimation of the type, occurrence location, or cause of the mechanical abnormality.

また、本実施形態では特に、上記図５の準備処理をセットアップＰＣ５のＣＰＵに実行させ、上記図６の経年劣化判定処理を上位制御装置３のＣＰＵに実行させる。このように準備処理と経年劣化判定処理を異なるＣＰＵで分担させて実行することで、各ＣＰＵにおける処理負担を軽減できるとともに、観測駆動時におけるデータ異常判定の処理速度及び信頼性を向上できる。 Further, particularly in the present embodiment, the preparation process of FIG. 5 is executed by the CPU of the setup PC 5, and the aged deterioration determination process of FIG. 6 is executed by the CPU of the host controller 3. As described above, the preparation processing and the aged deterioration determination processing are shared and executed by different CPUs, so that the processing load on each CPU can be reduced, and the processing speed and reliability of the data abnormality determination during observation drive can be improved.

また、本実施形態では特に、準備処理を実行するセットアップＰＣ５が、観測駆動時（経年劣化判定処理の実行時）に（及び上位制御装置３）との接続から分離可能であることで、観測駆動時におけるシステム全体のハードウェアリソースを削減でき、堅牢性を向上できる。 Further, particularly in the present embodiment, the setup PC 5 that executes the preparation process is separable from the connection with (and the upper control device 3) during the observation drive (when performing the aged deterioration determination process). The hardware resources of the entire system can be reduced and the robustness can be improved.

なお各ＣＰＵにおける、準備処理と経年劣化判定処理、データ異常の判定と機械異常の判定、などの各処理の分担は上記実施形態に限られない。例えば、サーボアンプ２と上位制御装置３とセットアップＰＣ５の各ＣＰＵがどのような組み合わせで一体化してもよく、またどのような分担で実行してもよい。 It should be noted that the sharing of each process such as the preparation process and the aged deterioration determination process, the data abnormality determination and the machine abnormality determination in each CPU is not limited to the above embodiment. For example, the servo amplifier 2, the host controller 3, and the CPUs of the setup PC 5 may be integrated in any combination and may be executed in any assignment.

＜９：変形例＞
なお、開示の実施形態は、上記に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。例えば、トルク指令や出力速度（出力位置）以外のデータを時系列データとして取得し、データ異常を判定することも有用である。例えば、上記図２に対応する図２３に示すように、外乱オブザーバ２７の出力を時系列データとして取得しデータ異常を判定してもよい。図示する例の外乱オブザーバ２７は、トルク指令と出力速度に基づいてモータ１２に付加される外乱を推定し出力している。これにより、正常駆動と観測駆動を異なる駆動動作で行う場合において、加速度の影響を排除した適切な時系列データを取得できる。 <9: Modification>
It should be noted that the disclosed embodiment is not limited to the above, and various modifications can be made without departing from the spirit and technical idea thereof. For example, it is also useful to acquire data other than the torque command and the output speed (output position) as time series data and determine the data abnormality. For example, as shown in FIG. 23 corresponding to FIG. 2 described above, the output of the disturbance observer 27 may be acquired as time-series data to determine the data abnormality. The disturbance observer 27 in the illustrated example estimates and outputs the disturbance applied to the motor 12 based on the torque command and the output speed. As a result, when normal driving and observation driving are performed by different driving operations, it is possible to acquire appropriate time series data excluding the influence of acceleration.

他にも、モータ１２が出力する出力速度（出力位置）が一定である際には、図２４に示すように速度偏差を時系列データとして取得しデータ異常を判定してもよい。これにより、正常駆動と観測駆動を異なる駆動動作で行う場合において、速度の影響を排除した適切な時系列データを取得できる。 In addition, when the output speed (output position) output by the motor 12 is constant, the speed deviation may be acquired as time-series data to determine the data abnormality, as shown in FIG. As a result, when normal driving and observation driving are performed by different driving operations, it is possible to obtain appropriate time-series data excluding the influence of speed.

また上記実施形態では、上位制御装置３がサーボアンプ２に位置指令を入力する位置制御を行う場合を例に挙げて説明したが、これに限られず速度指令を入力する速度制御を行う場合にも適用可能である。この場合には、サーボアンプ２が減算器、速度制御部、電流制御部、速度変換部で構成される速度制御フィードバックループのみを備えればよい。 Further, in the above embodiment, the case where the host controller 3 performs the position control for inputting the position command to the servo amplifier 2 has been described as an example, but the present invention is not limited to this, and the speed control for inputting the speed command is also performed. Applicable. In this case, the servo amplifier 2 only needs to include a speed control feedback loop including a subtractor, a speed controller, a current controller, and a speed converter.

また、特に図示しないが、モータ駆動機構１が備えるモータ１２は直動型のリニアモータであってもよく、その場合にはエンコーダ１１の代わりにリニアスケールが用いられ、トルク指令の代わりに推力指令が時系列データとして取得される。 Although not particularly shown, the motor 12 included in the motor drive mechanism 1 may be a direct-acting linear motor. In that case, a linear scale is used instead of the encoder 11, and a thrust command is used instead of the torque command. Is acquired as time series data.

なお、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。 In addition, in the above description, when there is a description such as “vertical”, “parallel”, “plane”, etc., the description is not strict. That is, the terms “vertical”, “parallel”, and “plane” mean “substantially vertical”, “substantially parallel”, and “substantially plane”, because of design tolerances and manufacturing tolerances. ..

また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。 Further, in the above description, when there is a description such as “same”, “same”, “equal”, “different” or the like in terms of external dimensions, size, shape, position, etc., the description is not strict. That is, the terms “identical”, “equal”, and “different” allow for design tolerances and manufacturing tolerances, and are “substantially the same”, “substantially the same”, “substantially equal”, and “substantially the same”. It means different.

また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。 Further, in addition to the above description, the methods according to the above-described embodiment and each modification may be appropriately combined and used. In addition, although not illustrated one by one, the above-described embodiment and each modified example are implemented with various modifications within a range not departing from the gist thereof.

１モータ駆動機構
２サーボアンプ
３上位制御装置
４オペレータ
５セットアップＰＣ
１１エンコーダ
１２モータ
１３駆動機械
２１減算器
２２位置制御部
２３減算器
２４速度制御部
２５電流制御部
２６速度変換部
２７外乱オブザーバ
１００モータ制御システム
1 Motor drive mechanism 2 Servo amplifier 3 Upper control device 4 Operator 5 Setup PC
11 Encoder 12 Motor 13 Drive Machine 21 Subtractor 22 Position Control Unit 23 Subtractor 24 Speed Control Unit 25 Current Control Unit 26 Speed Converter 27 Disturbance Observer 100 Motor Control System

Claims

A motor control system for driving and controlling a motor for driving a motor drive mechanism, comprising:
And a predetermined data abnormality determination threshold, determines data error determining data error based on the Mahalanobis distance calculated on the basis of the sequence detection data when configured to detect a plurality of points in Oite time series when the motor drive, comparison of the Department,
A machine normality determination unit that determines a machine normality of the motor drive mechanism based on at least one of the acquisition frequency, the acquisition time, the acquisition frequency, and the continuous acquisition period of the time-series detection data determined to be the data abnormality,
A motor control system comprising:

The motor control system according to claim 1, wherein the time-series detection data is at least one of a torque command, a motor speed, a disturbance observer estimated value, and a speed deviation.

The data abnormality determination unit,
The motor control system according to claim 1 or 2, wherein abnormal data is determined in a time domain.

The data abnormality determination unit,
3. The motor control system according to claim 1, wherein abnormal data is determined in the frequency domain.