JP6773582B2 - 機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法 - Google Patents

機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法 Download PDF

Info

Publication number
JP6773582B2
JP6773582B2 JP2017020403A JP2017020403A JP6773582B2 JP 6773582 B2 JP6773582 B2 JP 6773582B2 JP 2017020403 A JP2017020403 A JP 2017020403A JP 2017020403 A JP2017020403 A JP 2017020403A JP 6773582 B2 JP6773582 B2 JP 6773582B2
Authority
JP
Japan
Prior art keywords
failure
industrial machine
machine
data
industrial
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.)
Active
Application number
JP2017020403A
Other languages
English (en)
Other versions
JP2017120649A5 (ja
JP2017120649A (ja
Inventor
尚吾 稲垣
尚吾 稲垣
中川　浩
中川　　浩
大輔 岡野原
大輔 岡野原
遼介 奥田
遼介 奥田
叡一 松元
叡一 松元
圭悟 河合
圭悟 河合
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Preferred Networks Inc
Original Assignee
Preferred Networks Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=57988307&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=JP6773582(B2) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Preferred Networks Inc filed Critical Preferred Networks Inc
Publication of JP2017120649A publication Critical patent/JP2017120649A/ja
Publication of JP2017120649A5 publication Critical patent/JP2017120649A5/ja
Application granted granted Critical
Publication of JP6773582B2 publication Critical patent/JP6773582B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B25/00—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes
    • G09B25/02—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes of industrial processes; of machinery
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31359—Object oriented model for fault, quality control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33321—Observation learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37214—Detect failed machine component, machine performance degradation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00—Robots
    • Y10S901/46—Sensing device
    • Y10S901/47—Optical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Robotics (AREA)
  • Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Description

本発明は、故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システムに関する。
産業機械では、歩留まりを向上させ又は深刻な事故の発生を防止するために、構成部品の異常を事前に検知することが求められる場合がある。例えば、センサの出力値を予め定められる閾値と比較し、その結果に基づいて異常を検知する方法が公知である。ここで、「産業機械」の文言は、産業用ロボットやコンピュータ数値制御（ＣＮＣ：Computer Numerical Control）装置で制御される機械だけでなく、サービス用ロボットや様々な機械装置を含む機械を意味するものとする。
特許文献１には、正常状態のロボットの基準動作パターンと、稼働中のロボットの動作パターンを比較して、ロボットの故障を予知する故障予知診断方法が開示されている。
特許文献２には、駆動軸の実際の動作状態に基づく負荷側の仕事率と、駆動軸への動作指令に基づく駆動側の仕事率との間の差を判定値と比較することによって、ロボット機構部の劣化の有無及び劣化レベルを評価する故障予知方法が開示されている。
特開昭６３−１２３１０５号公報 特開平１０−０３９９０８号公報
しかしながら、産業機械の複雑化ないし高度化に伴って故障につながる要因も複雑化している。したがって、一定の基準に従って実行される従来の故障予知方法では、実際の状況に適用できなかったり、又は正確さを欠くことがあった。そこで、状況に応じて正確な故障予知を可能にする故障予知装置が求められている。
本願の１番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習装置であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも１つを含む状態変数を前記産業機械の動作中又は静止中に観測する状態観測部と、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得する判定データ取得部と、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師あり学習によって学習する学習部と、を備える機械学習装置が提供される。
本願の２番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習装置であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも１つを含む状態変数を前記産業機械の動作中又は静止中に観測する状態観測部と、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得する判定データ取得部と、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師なし学習によって学習する学習部と、を備える機械学習装置が提供される。
本願の３番目の発明によれば、１番目又は２番目の発明に係る機械学習装置において、前記学習部は、複数の産業機械に対して作成される前記訓練データセットに従って、前記条件を学習するように構成される。
本願の４番目の発明によれば、１番目から３番目のいずれかの発明に係る機械学習装置において、前記学習部は、ある一定期間のみで正常状態を学習し、その後は、前記判定データ取得部による故障発生を検知するように構成される。
本願の５番目の発明によれば、１番目から４番目のいずれかの発明に係る機械学習装置において、前記学習部は、前記判定データ取得部が、前記産業機械の故障を表す判定データを取得したときに、前記訓練データセットに含まれる前記判定データを、故障発生時から前記判定データの取得時まで遡った時間の長さに応じて重み付けして前記条件を更新するように構成される。
本願の６番目の発明によれば、１番目から５番目のいずれかの発明に係る機械学習装置を備えた、前記産業機械の故障を予知する故障予知装置であって、前記学習部が前記訓練データセットに従って学習した結果に基づいて、現在の前記状態変数の入力に応答して、前記産業機械の故障の有無又は故障の度合いを表す故障情報を出力する故障情報出力部をさらに備える、故障予知装置が提供される。
本願の７番目の発明によれば、６番目の発明に係る故障予知装置において、前記学習部は、前記現在の状態変数及び前記判定データの組合せに基づいて作成される追加の訓練データセットに従って、前記条件を再学習するように構成される。
本願の８番目の発明によれば、６番目又は７番目の発明に係る故障予知装置において、前記機械学習装置がネットワークを介して前記産業機械に接続され、前記状態観測部は、前記ネットワークを介して、前記現在の状態変数を取得するように構成される。
本願の９番目の発明によれば、８番目の発明に係る故障予知装置において、前記機械学習装置は、クラウドサーバ上に存在する。
本願の１０番目の発明によれば、６番目から８番目のいずれかの発明に係る故障予知装置において、前記機械学習装置は、前記産業機械を制御する制御装置に内蔵されている。
本願の１１番目の発明によれば、６番目から１０番目のいずれかの発明に係る故障予知装置において、前記機械学習装置による学習結果は、複数の前記産業機械で共用される。
本願の１２番目の発明によれば、６番目から１１番目のいずれかの発明に係る故障予知装置と、前記出力データを出力するセンサと、前記故障情報をオペレータに通知する故障情報通知部と、を備える故障予知システムが提供される。
本願の１３番目の発明によれば、１２番目の発明に係る故障予知システムにおいて、前記故障情報通知部で前記故障情報がオペレータに通知される時期は、故障が発生する時期から遡って第１の所定期間で定められる時期より前である。
本願の１４番目の発明によれば、１３番目の発明に係る故障予知システムにおいて、前記故障情報通知部で前記故障情報がオペレータに通知される時期は、故障が発生する時期から遡って第１の所定期間で定められる時期より前であり、かつ、故障が発生する時期から遡って、前記第１の所定期間よりも長い第２の所定期間で定められる時期より後である。
本願の１５番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習方法であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも１つを含む状態変数を前記産業機械の動作中又は静止中に観測し、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得し、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師あり学習によって学習する機械学習方法が提供される。
本願の１６番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習方法であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも１つを含む状態変数を前記産業機械の動作中又は静止中に観測し、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得し、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師なし学習によって学習する機械学習方法が提供される。
これら及び他の本発明の目的、特徴及び利点は、添付図面に示される本発明の例示的な実施形態に係る詳細な説明を参照することによって、より明らかになるであろう。
本発明に係る機械学習装置及び機械学習方法は、状態変数及び判定データの組合せに基づいて作成される訓練データセットに従って、産業機械の故障に関連付けられる条件を学習する。産業機械を実際に動作させながら故障条件を学習するので、実際の使用状況に応じた正確な故障条件が学習される。また、本発明に係る故障予知装置及び故障予知システムによれば、故障条件を機械学習できる機械学習装置を備えているので、実際の使用状況に応じた正確な故障予知が可能になる。
図１は、一実施形態に係る故障予知システムの一例を示すブロック図である。 図２は、機械学習装置における学習過程の流れの一例を示すフローチャートである。 図３は、ニューラルネットワークの構成例を示す図である。 図４は、教師なしの学習の手法における学習期間の一例を説明するための図である。 図５は、リカレント型ニューラルネットワークの一例を説明するための図である。 図６は、他の実施形態に係る故障予知システムの一例を示すブロック図である。 図７は、実施形態に係る故障予知システムにおける故障の度合いを示す指標値の例を説明するための図（その１）である。 図８は、実施形態に係る故障予知システムにおける故障の度合いを示す指標値の例を説明するための図（その２）である。 図９は、学習結果を利用した故障予知の流れの一例を示すフローチャートである。
以下、添付図面を参照して、本発明に係る機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システムの実施形態を説明する。図示される実施形態の構成要素は、本発明の理解を助けるために縮尺が適宜変更されている。また、同一又は対応する構成要素には、同一の参照符号が使用される。
図１は、一実施形態に係る故障予知システムの一例を示すブロック図である。故障予知システム１は、機械学習機能を有する機械学習装置５を用いて産業機械の故障に関連付けられる条件（以下、「故障条件」と称することがある。）を学習することができる。また、故障予知システム１は、機械学習装置５が学習した結果に基づいて、産業機械及びその周囲環境の状態に応じた故障情報を作成することができる。
本明細書において、「産業機械」は、産業用ロボット、サービス用ロボット及びコンピュータ数値制御（ＣＮＣ）装置で制御される機械を含む様々な機械を意味するものとする。また、本明細書において、「産業機械の故障」は、産業機械の構成部品の故障を含んでいる。すなわち、「産業機械の故障」は、意図される産業機械の機能を実行できない状態に限定されず、例えば、正常時の動作を一時的又は恒久的に再現できないといった状態も含むものとする。
故障予知システム１によって作成される「故障情報」は、産業機械の故障の有無を表す情報又は「故障の度合い」を表す情報を含んでいる。「故障情報」は、産業機械が正常な状態であることを表す情報を含んでいてもよい。「故障の度合い」は、故障の深刻さを意味する。「故障の度合い」は、最大値又は最小値のいずれか一方が制限されていてもよい。「故障の度合い」は、連続量であっても離散量であってもよい。オペレータは、「故障の度合い」に応じて、対象の構成部品の交換又は修理を直ちに行うべきか、或いは次回の保守作業時に行うべきかを判断することができる。
以下の説明では、ロボット２の故障を予知するために使用される故障予知システム１について説明する。しかしながら、他の任意の産業機械に対しても本発明を同様に適用できることを当業者は認識するであろう。
図１に例示されるロボット２は、モータによって各々の関節が駆動される６軸垂直多関節ロボットである。ロボット２は、公知の通信手段によってロボット制御装置３に接続されている。ロボット制御装置３は、制御プログラムに従ってロボット２に対する指令を作成する。
ロボット制御装置３は、ＣＰＵ、ＲＯＭ、ＲＡＭ、不揮発性メモリ及び外部装置に接続されるインタフェースを備えたデジタルコンピュータである。ロボット制御装置３は、図１に示されるように、故障判定部３１を備えている。
故障判定部３１は、公知の故障診断方法を利用してロボット２の故障を判定する。故障判定部３１は、故障予知システム１によって作成される故障情報とは独立して、ロボット２の故障の有無又は故障の度合いを判定する。例えば、トルクセンサによって検出される外乱トルク、或いはセンサの出力データの振動の振幅が予め定められる閾値を超えたときに、故障判定部３１は、故障が発生したと判定する。或いは、故障判定部３１は、ロボット制御装置３に格納された制御ソフトウェアの内部データに基づいて、ロボット２の故障が発生したと判定してもよい。このように、故障判定部３１は、様々な要因に基づく故障を判定する。なお、故障判定部３１による判定結果は、後述する機械学習装置５の判定データ取得部５１に入力される。
別の実施形態において、機械学習装置５は、ロボット２の故障を発見し、或いは知得したオペレータの入力操作に応答して、故障情報が判定データ取得部５１に入力されるように構成されていてもよい。
故障予知システム１は、ロボット２又は周囲環境の状態を検出するセンサ１１をさらに備えている。センサ１１は、力センサ、トルクセンサ、振動センサ、集音センサ、撮像センサ、距離センサ、温度センサ、湿度センサ、流量センサ、光量センサ、pHセンサ、圧力センサ、粘度センサ及び臭気センサの少なくともいずれか１つを含んでいてもよい。センサ１１から出力されるデータ（以下、単に「出力データ」と称することがある。）は、機械学習装置５の状態観測部５２に入力される。
機械学習装置５は、ロボット２の故障条件を学習する。一実施形態において、機械学習装置５は、ネットワークを介してロボット２に接続されていてロボット制御装置３とは別個のデジタルコンピュータであってもよい。
別の実施形態において、機械学習装置５は、ロボット制御装置３に内蔵されていてもよい。その場合、機械学習装置５は、ロボット制御装置３のプロセッサを利用して機械学習を実行する。また別の実施形態において、機械学習装置５は、クラウドサーバ上に存在していてもよい。
図１に示されるように、機械学習装置５は、判定データ取得部５１と、状態観測部５２と、学習部５３と、を備えている。
判定データ取得部５１は、故障判定部３１から判定データを取得する。判定データは、判定データ取得部５１から学習部５３に入力され、機械学習装置５が故障条件を学習する際に使用される。判定データは、故障の有無又は故障の度合いを判定したデータである。判定データは、故障有りの場合、すなわちロボット２が異常な状態にあることを表すデータを含んでいなくてもよい。
状態観測部５２は、機械学習の入力値としての状態変数をロボット２の動作中又は静止中に観測する。機械学習装置５がネットワークを介してロボット２及びセンサ１１に接続されている実施形態において、状態観測部５２は、ネットワークを介して状態変数を取得する。
状態変数は、センサ１１の出力データを含んでいてもよい。状態変数は、ロボット２を制御する制御ソフトウェアの内部データを含んでいてもよい。内部データは、トルク、位置、速度、加速度、加加速度、電流、電圧及び推定外乱値のうちの少なくともいずれか１つを含んでいてもよい。推定外乱値は、例えば、トルク指令及び速度フィードバックに基づいてオブザーバによって推定される外乱値である。
状態変数は、出力データ又は内部データに基づいて得られる計算データを含んでいてもよい。計算データは、周波数解析、時間周波数解析及び自己相関解析のうちの少なくとも１つを利用して取得されてもよい。当然ながら、計算データは、より単純な計算、例えば係数乗算又は微分積分演算を利用して取得されてもよい。
学習部５３は、状態観測部５２から出力される状態変数、及び判定データ取得部５１から出力される判定データの組合せに基づいて作成される訓練データセットに従って、故障条件を学習する。訓練データセットは、状態変数及び判定データを互いに関連付けたデータである。
図２を参照して、機械学習装置５における学習過程の一例について説明する。学習が開始されると、ステップＳ２０１において、状態観測部５２が、出力データ、内部データ又は計算データなどを含む状態変数を取得する。ステップＳ２０２では、判定データ取得部５１が、故障判定部３１による判定結果に基づいて判定データを取得する。
ステップＳ２０３では、学習部５３が、ステップＳ２０１で取得された状態変数と、ステップＳ２０２で取得された判定データと、の組合せに基づいて作成される訓練データセットに従って、故障条件を学習する。ステップＳ２０１〜Ｓ２０３の処理は、機械学習装置５が故障条件を十分に学習するまで繰返し実行される。
一実施形態において、機械学習装置５の学習部５３は、ニューラルネットワークモデルに従って故障条件を学習してもよい。図３は、ニューラルネットワークモデルの例を示している。ニューラルネットワークは、ｌ個のニューロンｘ1、ｘ2、ｘ3、・・・、ｘlを含む入力層と、ｍ個のニューロンｙ1、ｙ2、ｙ3、・・・、ｙmを含む中間層（隠れ層）と、ｎ個のニューロンｚ1、ｚ2、ｚ3、・・・、ｚnを含む出力層と、から構成されている。なお、図３において、中間層は、１層のみ示されているものの、２層以上の中間層が設けられてもよい。なお、機械学習装置５（ニューラルネット）は、汎用の計算機若しくはプロセッサを用いてもよいが、ＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）や大規模ＰＣクラスターなどを適用すると、より高速に処理することが可能である。
ニューラルネットワークは、ロボット２の故障に関連付けられる故障条件を学習する。ニューラルネットワークは、状態観測部５２によって観測される状態変数と、判定データ取得部５１によって取得される判定データとの組合せに基づいて作成される訓練データセットに従って、いわゆる教師あり学習によって、状態変数と故障発生との関係性、すなわち故障条件を学習する。教師あり学習とは、ある入力と結果（ラベル）のデータの組を大量に学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、すなわちその関係性を帰納的に獲得することができるというものである。
或いは、ニューラルネットワークは、故障無しの状態、すなわちロボット２が正常に動作しているときの状態変数のみを蓄積し、いわゆる教師なし学習によって、故障条件を学習することもできる。例えば、ロボット２の故障の頻度が極めて低い場合、教師なし学習の手法が有効であろう。教師なし学習とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮・分類・整形などを行う装置を学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすることなどができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することできる。また、教師なし学習と教師あり学習との中間的な問題設定として、半教師あり学習と呼ばれるものもあり、これは一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。
図４は、教師なしの学習の手法における学習期間の一例を説明するための図である。ここで、横軸は、時間（時間の経過）を示し、縦軸は、故障の度合いを示す。図４に示されるように、上記の教師なしの学習の手法は、ロボット２が、出荷された直後もしくはメンテナンスされた直後などを起点としてある一定期間、例えば、数週間などを学習期間として、このときのみ状態変数を更新し、正常状態として定義する。そして、その後は状態変数の更新を行わず、ニューラルネットワークから出力される出力結果から正常モデルからの距離をもとに「故障の度合い」を出力して異常判定のみを行うことによって、異常検知を行うことを実現できる。
また、本実施形態においては、例えば、時間的相関がある時系列データをモデル化するため、リカレント型と呼ばれるニューラルネットワークを使用するのも有効である。リカレントニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）は、現時刻だけの状態のみを使って学習モデルを形成するのではなく、これまでの時刻の内部状態も利用する。リカレントニューラルネットワークは時間軸のネットワークを展開して考えることで、一般的なニューラルネットワークと同様に扱うことができる。ここで、リカレントニューラルネットワークも多種あるが、一例として、単純再帰型ネットワーク（エルマンネットワーク：Elman Network）を説明する。
図５は、リカレント型ニューラルネットワークの一例を説明するための図であり、図５(a)は、エルマンネットワークの時間軸展開を示し、図５(b)は、誤差逆伝播法（バックプロパゲーション：Backpropagation）のバックプロパゲーションタイムスルータイム（ＢＰＴＴ：Back Propagation Through Time）を示す。ここで、図５(a)に示されるようなエルマンネットワークの構造であれば、バックプロパゲーションを適用することができる。
ただし、エルマンネットワークでは、通常のニューラルネットワークと異なり、図５(b)に示されるように、時間を遡るように誤差が伝搬し、このようなバックプロパゲーションをバックプロパゲーションスルータイム（ＢＰＴＴ）と呼ぶ。このようなニューラルネットワーク構造を適用することで、これまでの入力の遷移を踏まえた出力のモデルを推定することができ、例えば、その推定される出力値が、ある異常値であるかどうかを故障発生との関係性に使うことが可能になる。
後述する故障予知を行う際、ニューラルネットワークの入力層に入力される状態変数に応答して、出力層が前述の故障情報に対応する故障の有無を表す情報又は「故障の度合い」を出力する。なお、「故障の度合い」の取り得る値は、最大値・最小値のいずれかが制限された値、或いは、連続量、もしくは離散量であってもよい。
前述した実施形態に係る機械学習装置及び機械学習方法によれば、判定データ取得部５１から出力される判定データによる故障条件よりも実際の使用状況に応じた正確な故障条件を学習できる。それにより、故障につながる要因が複雑であり、故障条件を予め設定するのが困難な場合であっても、高い精度の故障予知が可能になる。
一実施形態において、判定データ取得部５１がロボット２の故障を表す判定データを取得したときに、学習部５３が、判定データを、故障発生時から各々の判定データの取得時まで遡った時間の長さに応じて、それぞれ重み付けして故障条件を更新するようにしてもよい。ここで、判定データを取得してから故障が実際に発生するまでの時間が短ければ短いほど、故障発生に直結する状態に近いことが推定される。したがって、訓練データセット取得時からの経過時間に応じて判定データを重み付けすれば、故障条件を効果的に学習することができる。
一実施形態において、学習部５３は、複数のロボット２に対して作成される訓練データセットに従って、故障条件を学習するようにしてもよい。なお、学習部５３は、同一の現場で使用される複数のロボット２から訓練データセットを取得してもよいし、或いは、異なる現場で独立して稼働する複数のロボット２から収集される訓練データセットを利用して故障条件を学習してもよい。また、訓練データセットを収集するロボット２を途中で対象に追加し、或いは、逆に対象から除去することもできる。
次に、複数のロボット２の訓練データセットを共有（共用）する方法として、以下に３つの例を挙げるが、それ以外の方法を適用することができるのはいうまでもない。まず、第１の例としては、ニューラルネットワークのモデルを同じになるように共有する方法であり、例えば、ネットワークの各重み係数について、各ロボット２間の差分を、通信手段を用いて送信して反映させるものである。また、第２の例としては、ニューラルネットワークの入力と出力のデータセットを共有することにより、学習装置５の重みなどを共有することができる。さらに、第３の例としては、あるデータベースを用意し、それにアクセスしてより妥当なニューラルネットワークのモデルをロードすることで状態を共有する（同じようなモデルとする）ものである。
図６は、他の実施形態に係る故障予知システムの一例を示すブロック図である。故障予知システム１は、機械学習装置５によって学習された結果を利用して、ロボット２の故障情報を作成する故障予知装置４を備えている。
故障予知装置４は、状態観測部４１と、故障情報出力部４２と、を備えている。状態観測部４１は、図１を参照して説明した状態観測部５２と同様に機能し、ロボット２及び周囲の環境の状態を反映した状態変数を取得する。故障情報出力部４２は、前述した機械学習装置５の学習部５３が訓練データセットに従って学習した結果に基づいて、状態観測部４１を介した状態変数の入力に応答して、ロボット２の故障情報を出力する。
図６に示されるように、ロボット制御装置３は、通知部（故障情報通知部）３２を備えることができる。通知部３２は、故障情報出力部４２によって出力される故障情報をオペレータに通知する。故障情報が通知される態様は、オペレータが知得可能であれば、特に限定されない。例えば、予知された故障の有無又は故障の度合いを図示されない表示装置に表示してもよいし、或いは、故障情報の内容に応じて警告音を発生させてもよい。
図７および図８は、実施形態に係る故障予知システムにおける故障の度合いを示す指標値の例（第１例〜第４例）を説明するための図である。ここで、図７(a)，図７(b)，図７(c)及び図８において、横軸は、時間を示し、縦軸は、故障の度合いを示す。まず、図７(a)に示されるように、例えば、第１例において、「故障の度合い」を示す指標値を、故障が近づくにつれて大きくなるように定め、学習によって得られた指標値をそのまま故障情報として故障情報出力部４２が出力するように構成することができる。また、図７(b)に示されるように、例えば、第２例において、前述の指標値に閾値を設け、閾値以上であれば異常、閾値未満であれば正常、というように故障の有無を表す情報を故障情報として故障情報出力部４２が出力するように構成することもできる。さらに、図７(c)に示されるように、例えば、第３例において、前述の指標値に閾値を複数（閾値１〜閾値３）設け、各閾値別に区切られたレベル（故障レベル１〜故障レベル４）を故障情報として故障情報出力部４２が出力するように構成することもできる。
図８に示されるように、例えば、第４例において、複数の故障に至ったデータ（教師データ）に基づいて、前述の指標値と故障に至るまでの時間の関係を求め、それを元に、故障が発生する時期から遡って第１の所定期間で定められる時期より前であることを満たすための第１の閾値を求める。また、故障が発生する時期から遡って第２の所定期間で定められる時期より後であることを満たすための第２の閾値を定める。そして、指標値が第１の閾値未満であることと、指標値が第２の閾値以上であることの少なくとも一方を満たす場合に、指標値そのもの、或いは、指標値を閾値で区切ったレベルを、故障情報として故障情報出力部４２が出力することもできる。この場合の閾値の決め方は、例えば、過去の教師データが条件を全て満たすように閾値を設けることもでき、また、必要に応じてマージンを設けて閾値を設けることもでき、さらに、確率論的に、ある一定確率内での判定間違いを許すように閾値を定めることもできる。
次に、図９を参照して、機械学習装置が学習した結果を利用して実行される故障予知の一例について説明する。ステップＳ５０１では、状態観測部４１が、例えばセンサ１１からの出力データを含む現在の状態変数を取得する。ステップＳ５０２では、故障情報出力部４２が、前述した機械学習装置５の学習結果に基づいて、ステップＳ５０１で取得された状態変数に応じた故障情報を出力する。故障予知システム１が通知部３２を備えている場合は、故障情報をオペレータに通知する工程がステップＳ５０２の後に実行されてもよい。
図９を参照して説明した故障予知装置４による故障予知は、ロボット２が予め定められる特定の動作を実行するときに行われてもよい。或いは、ロボット２の動作中又は静止中に並行してステップＳ５０１〜Ｓ５０２の処理を継続して実行してもよい。或いは、予め定められた時刻に定期的に故障予知が行われてもよい。
一実施形態において、故障予知装置４による故障予知を実行するのと並行して、機械学習装置５による機械学習が実行されてもよい。その場合、故障予知装置４が故障情報を作成するのと同時に、故障判定部３１又はオペレータの操作を介して取得される判定データとその時点での状態変数に基づいて、機械学習装置５の学習部５３が故障条件を再学習する。
ニューラルネットワークを利用して機械学習する実施形態について説明したものの、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。また、繰り返しになるが、本明細書において、「産業機械」なる文言は、産業用ロボット、サービス用ロボット及びコンピュータ数値制御（ＣＮＣ）装置で制御される機械を含む様々な機械を意味するのは、前述した通りである。
以上、本発明の種々の実施形態について説明したが、当業者であれば、他の実施形態によっても本発明の意図する作用効果を実現できることを認識するであろう。特に、本発明の範囲を逸脱することなく、前述した実施形態の構成要素を削除又は置換することができるし、或いは公知の手段をさらに付加することができる。また、本明細書において明示的又は暗示的に開示される複数の実施形態の特徴を任意に組合せることによっても本発明を実施できることは当業者に自明である。
１ 故障予知システム
２ ロボット
３ ロボット制御装置
４ 故障予知装置
５ 機械学習装置
１１ センサ
３１ 故障判定部
３２ 通知部
４１ 状態観測部
４２ 故障情報出力部
５１ 判定データ取得部
５２ 状態観測部
５３ 学習部

Claims (21)

  1. 産業機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られる計算データの少なくとも１つを含む状態変数と、前記産業機械の故障の有無又は故障の度合いを表す判定データとの組合せを含む訓練データセットに従ってニューラルネットワークで故障条件を学習する学習部、を備え、
    前記産業機械は、少なくとも、産業用ロボット、サービス用ロボット、及び、コンピュータ数値制御装置で制御される機械のいずれか１つである、
    ことを特徴とする機械学習装置。
  2. 前記産業機械の動作中又は静止中に前記状態変数を観測する状態観測部と、
    前記産業機械の故障の有無又は故障の度合いを判定する故障判定部と、
    前記故障判定部から前記判定データを取得する判定データ取得部と、をさらに備える、
    ことを特徴とする請求項１に記載の機械学習装置。
  3. 産業機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られる計算データの少なくとも１つを含む状態変数であって、前記産業機械の故障が無いとき又は故障の度合いが低いときの前記状態変数を含む訓練データセットに従ってニューラルネットワークで故障条件を学習する学習部、を備え、
    前記産業機械は、少なくとも、産業用ロボット、サービス用ロボット、及び、コンピュータ数値制御装置で制御される機械のいずれか１つである、
    ことを特徴とする機械学習装置。
  4. 前記学習部は、少なくとも、前記産業機械の運転開始後又は前記産業機械のメンテナンス終了後のいずれかを起点とする所定期間に取得された前記状態変数を用いて、前記ニューラルネットワークで故障条件を学習する、
    ことを特徴とする請求項３に記載の機械学習装置。
  5. 前記学習部は、複数の産業機械に対して作成される訓練データセットに従って、前記ニューラルネットワークで故障条件を学習する、
    ことを特徴とする請求項１から請求項４のいずれか１項に記載の機械学習装置。
  6. 前記ニューラルネットワークは、時系列データを扱うニューラルネットワークである、
    ことを特徴とする請求項１から請求項５のいずれか１項に記載の機械学習装置。
  7. 請求項１から請求項６のいずれか１項に記載の機械学習装置を備えた、前記産業機械の故障を予知する故障予知装置であって、
    前記ニューラルネットワークに基づいて、現在の前記状態変数の入力に応答して、前記産業機械の故障の有無又は故障の度合いを表す故障情報を出力する故障情報出力部をさらに備える、
    ことを特徴とする故障予知装置。
  8. 請求項３又は請求項４に記載の機械学習装置を備えた、前記産業機械の故障を予知する故障予知装置であって、
    現在の前記状態変数を入力した場合の前記ニューラルネットワークからの出力と正常モデルとに基づいて、前記産業機械の故障の有無又は故障の度合いを表す故障情報を出力する故障情報出力部をさらに備える、
    ことを特徴とする故障予知装置。
  9. 前記学習部は、前記現在の状態変数に基づいて作成される追加の訓練データセットに従って、前記ニューラルネットワークで故障条件を再学習する、
    ことを特徴とする請求項７又は請求項８に記載の故障予知装置。
  10. 前記機械学習装置は、ネットワークを介して前記産業機械に接続され、
    前記現在の状態変数は、前記ネットワークを介して取得される、
    ことを特徴とする請求項７から請求項９のいずれか１項に記載の故障予知装置。
  11. 前記機械学習装置は、クラウドサーバ上に存在する、
    ことを特徴とする請求項７から請求項１０のいずれか１項に記載の故障予知装置。
  12. 前記機械学習装置は、前記産業機械を制御する制御装置に内蔵されている、
    ことを特徴とする請求項７から請求項１０のいずれか１項に記載の故障予知装置。
  13. 産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも１つを含む状態変数であって、前記産業機械の故障が無いとき又は故障の度合いが低いときの前記状態変数を含む訓練データセットに従って、ニューラルネットワークで故障条件を学習する学習部と、
    現在の前記状態変数を入力した場合の前記ニューラルネットワークからの出力と正常モデルとに基づいて、前記産業機械の故障の有無又は故障の度合いを表す故障情報を出力する故障情報出力部と、を備える、
    ことを特徴とする故障予知装置。
  14. 前記学習部は、少なくとも、前記産業機械の運転開始後又は前記産業機械のメンテナンス終了後のいずれかを起点とする所定期間に取得された前記状態変数を用いて、前記ニューラルネットワークで故障条件を学習する、
    ことを特徴とする請求項１３に記載の故障予知装置。
  15. 前記ニューラルネットワークは、複数の前記産業機械で共用される、
    ことを特徴とする請求項７から請求項１４のいずれか１項に記載の故障予知装置。
  16. 請求項７から請求項１５のいずれか１項に記載の故障予知装置と、
    前記出力データを出力するセンサと、
    前記故障情報をオペレータに通知する故障情報通知部と、を備える、
    ことを特徴とする故障予知システム。
  17. 前記故障情報通知部で前記故障情報がオペレータに通知される時期は、故障が発生する時期から遡って第１の所定期間で定められる時期より前である、
    ことを特徴とする請求項１６に記載の故障予知システム。
  18. 前記故障情報通知部で前記故障情報がオペレータに通知される時期は、故障が発生する時期から遡って第１の所定期間で定められる時期より前であり、かつ、故障が発生する時期から遡って、前記第１の所定期間よりも長い第２の所定期間で定められる時期より後である、
    ことを特徴とする請求項１６に記載の故障予知システム。
  19. 産業機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られる計算データの少なくとも１つを含む状態変数と、前記産業機械の故障の有無又は故障の度合いを表す判定データとの組合せを含む訓練データセットに従ってニューラルネットワークで故障条件を学習し、
    前記産業機械は、少なくとも、産業用ロボット、サービス用ロボット、及び、コンピュータ数値制御装置で制御される機械のいずれか１つである、
    ことを特徴とする機械学習方法。
  20. 産業機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られる計算データの少なくとも１つを含む状態変数であって、前記産業機械の故障が無いとき又は故障の度合いが低いときの前記状態変数を含む訓練データセットに従ってニューラルネットワークで故障条件を学習し、
    前記産業機械は、少なくとも、産業用ロボット、サービス用ロボット、及び、コンピュータ数値制御装置で制御される機械のいずれか１つである、
    ことを特徴とする機械学習方法。
  21. 産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも１つを含む状態変数であって、前記産業機械の故障が無いとき又は故障の度合いが低いときの前記状態変数を含む訓練データセットに従って、ニューラルネットワークで故障条件を学習し、
    現在の前記状態変数を入力した場合の前記ニューラルネットワークからの出力と正常モデルとに基づいて、前記産業機械の故障の有無又は故障の度合いを表す故障情報を出力する、
    ことを特徴とする故障予知方法。
JP2017020403A 2015-07-31 2017-02-07 機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法 Active JP6773582B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015152572 2015-07-31
JP2015152572 2015-07-31

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2015234022A Division JP6148316B2 (ja) 2015-07-31 2015-11-30 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2020167222A Division JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法

Publications (3)

Publication Number Publication Date
JP2017120649A JP2017120649A (ja) 2017-07-06
JP2017120649A5 JP2017120649A5 (ja) 2019-01-17
JP6773582B2 true JP6773582B2 (ja) 2020-10-21

Family

ID=57988307

Family Applications (4)

Application Number Title Priority Date Filing Date
JP2015234022A Active JP6148316B2 (ja) 2015-07-31 2015-11-30 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017020403A Active JP6773582B2 (ja) 2015-07-31 2017-02-07 機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法
JP2020167222A Active JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法
JP2022109778A Active JP7504163B2 (ja) 2015-07-31 2022-07-07 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2015234022A Active JP6148316B2 (ja) 2015-07-31 2015-11-30 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム

Family Applications After (2)

Application Number Title Priority Date Filing Date
JP2020167222A Active JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法
JP2022109778A Active JP7504163B2 (ja) 2015-07-31 2022-07-07 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム

Country Status (2)

Country Link
JP (4) JP6148316B2 (ja)
CN (1) CN106409120B (ja)

Families Citing this family (99)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6346251B2 (ja) 2016-11-25 2018-06-20 ファナック株式会社 油漏れ検出装置
EP3591484A4 (en) * 2017-03-03 2020-03-18 Panasonic Intellectual Property Management Co., Ltd. ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM
JP6499689B2 (ja) * 2017-03-08 2019-04-10 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
JP6693451B2 (ja) * 2017-03-14 2020-05-13 オムロン株式会社 判定装置、判定プログラムおよび学習方法
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
JP6720402B2 (ja) * 2017-03-21 2020-07-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム
JP6527187B2 (ja) 2017-03-22 2019-06-05 ファナック株式会社 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ
JP6557272B2 (ja) * 2017-03-29 2019-08-07 ファナック株式会社 状態判定装置
JP6313516B1 (ja) * 2017-03-30 2018-04-18 三菱総研Ｄｃｓ株式会社 情報処理装置、情報処理方法およびコンピュータプログラム
JP6514260B2 (ja) 2017-04-13 2019-05-15 ファナック株式会社 制御装置及び機械学習装置
JP6530779B2 (ja) * 2017-04-20 2019-06-12 ファナック株式会社 加工不良要因推定装置
JP6572265B2 (ja) * 2017-06-30 2019-09-04 ファナック株式会社 制御装置及び機械学習装置
DE112017007606T5 (de) * 2017-06-30 2020-02-27 Mitsubishi Electric Corporation Instabilitätsdetektionvorrichtung, instabilitätsdetektionssystem und instabilitätsdetektionsverfahren
KR102616698B1 (ko) * 2017-07-07 2023-12-21 오티스 엘리베이터 컴파니 엘레베이터 상태 모니터링 시스템
JP7082461B2 (ja) * 2017-07-26 2022-06-08 株式会社Ye Digital 故障予知方法、故障予知装置および故障予知プログラム
JP6380628B1 (ja) 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
JP6680730B2 (ja) * 2017-08-08 2020-04-15 ファナック株式会社 制御装置及び学習装置
JP6989841B2 (ja) * 2017-08-25 2022-01-12 国立大学法人 鹿児島大学 教師情報付学習データ生成方法、機械学習方法、教師情報付学習データ生成システム及びプログラム
JP6577542B2 (ja) 2017-09-05 2019-09-18 ファナック株式会社 制御装置
JP6926904B2 (ja) * 2017-09-28 2021-08-25 株式会社デンソーウェーブ ロボットの異常判定装置
CN111164524B (zh) * 2017-09-30 2023-09-01 西门子股份公司 一种数控机床的故障诊断信息库的生成方法和装置
JP6629815B2 (ja) 2017-10-23 2020-01-15 ファナック株式会社 寿命推定装置及び機械学習装置
KR101989579B1 (ko) * 2017-10-31 2019-06-14 한국전자통신연구원 시스템 감시 장치 및 방법
JP6622778B2 (ja) * 2017-11-01 2019-12-18 ファナック株式会社 回転テーブル装置
JP6798968B2 (ja) * 2017-11-22 2020-12-09 ファナック株式会社 ノイズ発生原因推定装置
JP6721563B2 (ja) 2017-11-28 2020-07-15 ファナック株式会社 数値制御装置
JP6972971B2 (ja) * 2017-11-28 2021-11-24 株式会社安川電機 制御システム、機械学習装置、メンテナンス支援装置、及びメンテナンス支援方法
US11586981B2 (en) 2017-12-11 2023-02-21 Nec Corporation Failure analysis device, failure analysis method, and failure analysis program
JP7173273B2 (ja) * 2017-12-11 2022-11-16 日本電気株式会社 障害分析装置、障害分析方法および障害分析プログラム
JP7007715B2 (ja) * 2017-12-28 2022-01-25 ローレル精機株式会社 状態判定装置、貨幣処理機状態判定システム、状態判定方法及びプログラム
CN107919054B (zh) * 2018-01-04 2019-06-25 南京旭上数控技术有限公司 一种工业机器人教学装置
CN110065091A (zh) * 2018-01-24 2019-07-30 固德科技股份有限公司 一种机械手臂动态监测系统及其实施方法
JP6892400B2 (ja) * 2018-01-30 2021-06-23 ファナック株式会社 レーザ装置の故障発生メカニズムを学習する機械学習装置
JP6662926B2 (ja) 2018-01-31 2020-03-11 ファナック株式会社 ロボットおよびロボットに関する保守時期の報知方法
CN111670094B (zh) * 2018-02-01 2022-12-06 本田技研工业株式会社 机器人系统和机器人的控制方法
JP2019141869A (ja) * 2018-02-19 2019-08-29 ファナック株式会社 制御装置及び機械学習装置
JP6711854B2 (ja) * 2018-02-22 2020-06-17 ファナック株式会社 故障予測装置及び機械学習装置
WO2019171123A1 (en) 2018-03-05 2019-09-12 Omron Corporation Method, apparatus, system and program for controlling a robot, and storage medium
DE102018203234A1 (de) * 2018-03-05 2019-09-05 Kuka Deutschland Gmbh Vorausschauende Beurteilung von Robotern
JP6882719B2 (ja) * 2018-03-07 2021-06-02 オムロン株式会社 ロボット制御装置、異常診断方法、及び異常診断プログラム
JP6965798B2 (ja) * 2018-03-12 2021-11-10 オムロン株式会社 制御システムおよび制御方法
DE102019001760A1 (de) * 2018-03-19 2019-09-19 Fanuc Corporation Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
CN108459933B (zh) * 2018-03-21 2021-10-22 哈工大大数据（哈尔滨）智能科技有限公司 一种基于深度递归网络的大数据计算机系统故障检测方法
JP2019191799A (ja) 2018-04-23 2019-10-31 株式会社日立製作所 故障予兆診断システム及び故障予兆診断方法
CN108621159B (zh) * 2018-04-28 2020-05-19 首都师范大学 一种基于深度学习的机器人动力学建模方法
JP6909410B2 (ja) * 2018-05-08 2021-07-28 オムロン株式会社 ロボット制御装置、保守管理方法、及び保守管理プログラム
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
CN110539331A (zh) * 2018-05-28 2019-12-06 睿胜自动化工程有限公司 可预先侦测机械手臂及泵异常的方法及装置
DE112018007729B4 (de) * 2018-06-14 2022-09-08 Yamaha Hatsudoki Kabushiki Kaisha Maschinelle Lernvorrichtung und mit dieser ausgestattetes Robotersystem
CN112041819B (zh) * 2018-06-29 2022-08-05 罗伯特·博世有限公司 用于监测和识别电驱动系统中的传感器故障的方法
KR102239040B1 (ko) * 2018-06-29 2021-04-13 성균관대학교산학협력단 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법
JP7060546B2 (ja) * 2018-07-10 2022-04-26 ファナック株式会社 歯当たり位置調整量推定装置、機械学習装置、ロボットシステム及び歯当たり位置調整量推定システム
US11433539B2 (en) 2018-07-31 2022-09-06 Nissan Motor Co., Ltd. Abnormality determination device and abnormality determination method
JP7079420B2 (ja) * 2018-08-06 2022-06-02 日産自動車株式会社 異常診断装置及び異常診断方法
CN112601934B (zh) 2018-09-03 2023-02-17 三菱电机株式会社 信号显示控制装置以及计算机可读取的记录介质
JP6856591B2 (ja) 2018-09-11 2021-04-07 ファナック株式会社 制御装置、ｃｎｃ装置及び制御装置の制御方法
CN109270921A (zh) * 2018-09-25 2019-01-25 深圳市元征科技股份有限公司 一种故障诊断方法及装置
JP2020052821A (ja) * 2018-09-27 2020-04-02 株式会社ジェイテクト 劣化判定装置および劣化判定システム
JP7110884B2 (ja) * 2018-10-01 2022-08-02 オムロン株式会社 学習装置、制御装置、学習方法、及び学習プログラム
JP6885911B2 (ja) * 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP6787971B2 (ja) * 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
US11119716B2 (en) * 2018-10-31 2021-09-14 Fanuc Corporation Display system, machine learning device, and display device
JP6867358B2 (ja) * 2018-11-13 2021-04-28 ファナック株式会社 状態判定装置及び状態判定方法
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
CN109514560A (zh) * 2018-12-25 2019-03-26 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人故障监控系统、方法以及装置
JP7162550B2 (ja) * 2019-02-15 2022-10-28 オムロン株式会社 モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム
JP7219117B2 (ja) * 2019-02-28 2023-02-07 コマツ産機株式会社 産業機械の予知保全装置、方法、及びシステム
JP7357450B2 (ja) * 2019-02-28 2023-10-06 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
JP6647461B1 (ja) * 2019-03-08 2020-02-14 三菱電機株式会社 故障診断システム、故障予測方法、および故障予測プログラム
JP6915638B2 (ja) * 2019-03-08 2021-08-04 セイコーエプソン株式会社 故障時期推測装置、機械学習装置、故障時期推測方法
JP6993374B2 (ja) * 2019-03-25 2022-01-13 ファナック株式会社 ロボット制御システム
CN112041771A (zh) * 2019-03-26 2020-12-04 东芝三菱电机产业系统株式会社 异常判定辅助装置
WO2020194752A1 (ja) * 2019-03-28 2020-10-01 三菱電機株式会社 数値制御装置および数値制御方法
US10996664B2 (en) * 2019-03-29 2021-05-04 Mitsubishi Electric Research Laboratories, Inc. Predictive classification of future operations
JP7000376B2 (ja) * 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置
TR201906067A2 (tr) * 2019-04-24 2020-11-23 Borusan Makina Ve Guec Sistemleri Sanayi Ve Ticaret Anonim Sirketi İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem
CN111942973B (zh) * 2019-05-16 2023-04-11 株式会社日立制作所 电梯控制装置、机器人故障预兆诊断系统及其方法
JP7260402B2 (ja) * 2019-05-31 2023-04-18 ファナック株式会社 ケーブルの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
JP7347969B2 (ja) 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法
JP7401207B2 (ja) * 2019-06-21 2023-12-19 ファナック株式会社 ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
WO2021006374A1 (ko) * 2019-07-08 2021-01-14 엘지전자 주식회사 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치
JP7436169B2 (ja) 2019-09-18 2024-02-21 ファナック株式会社 診断装置および診断方法
JP7396850B2 (ja) 2019-10-18 2023-12-12 ファナック株式会社 ロボット
CN111086025A (zh) * 2019-12-25 2020-05-01 南京熊猫电子股份有限公司 一种应用于工业机器人的多故障原因诊断系统及诊断方法
JP7282700B2 (ja) * 2020-01-22 2023-05-29 双葉電子工業株式会社 ロボット、モータ駆動ユニット、ロボットの制御方法
JP7298494B2 (ja) * 2020-01-31 2023-06-27 横河電機株式会社 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム
US20210247753A1 (en) 2020-02-07 2021-08-12 Kabushiki Kaisha Yaskawa Denki State estimation device, system, and manufacturing method
US11531339B2 (en) * 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
JP2021160031A (ja) * 2020-03-31 2021-10-11 セイコーエプソン株式会社 故障予測方法および故障予測装置
KR102181432B1 (ko) * 2020-04-22 2020-11-24 김한수 지능형 로봇제어 시스템
KR102129480B1 (ko) * 2020-04-23 2020-07-02 호서대학교 산학협력단 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법
KR102316773B1 (ko) * 2020-07-31 2021-10-26 삼성중공업(주) 선박 상태 예측 시스템 및 방법
KR102538542B1 (ko) * 2021-04-12 2023-05-30 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
US20220342391A1 (en) 2021-04-27 2022-10-27 Aida Engineering, Ltd. Press machine and method of displaying operating state of press machine
CN114142605B (zh) 2021-11-09 2022-07-15 广东工业大学 纵联保护方法、装置和存储介质
CN114055516B (zh) * 2021-11-10 2023-08-11 合肥欣奕华智能机器股份有限公司 一种故障诊断和维保的方法、系统、设备及存储介质
CN114565058A (zh) * 2022-03-16 2022-05-31 广东电网有限责任公司 一种孤岛检测模型训练方法、装置、设备和介质
CN114770509A (zh) * 2022-05-05 2022-07-22 新代科技(苏州)有限公司 一种应用于焊接机器人系统的故障诊断方法
WO2024053101A1 (ja) * 2022-09-09 2024-03-14 富士通株式会社 学習プログラム、生成プログラム、学習方法および情報処理装置

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08202444A (ja) * 1995-01-25 1996-08-09 Hitachi Ltd 機械設備の異常診断方法および装置
JPH08263131A (ja) * 1995-03-27 1996-10-11 Hitachi Ltd プラント劣化診断装置及び方法
JPH1049223A (ja) * 1996-07-31 1998-02-20 Nissan Motor Co Ltd ニューラルネットワークを用いた故障診断方法およびその装置
JPH10154900A (ja) * 1996-11-25 1998-06-09 Hitachi Ltd 電子部品実装用プリント基板の故障解析方法およびシステム
JP3604860B2 (ja) * 1997-03-24 2004-12-22 三洋電機株式会社 機器の運転状態管理装置
JPH11212637A (ja) * 1998-01-22 1999-08-06 Hitachi Ltd 予防保全方法及び装置
JP2000064964A (ja) * 1998-08-21 2000-03-03 Ebara Corp 真空ポンプの故障予知システム
JP4592235B2 (ja) * 2001-08-31 2010-12-01 株式会社東芝 生産装置の故障診断方法及び生産装置の故障診断システム
JP2003208220A (ja) * 2002-01-11 2003-07-25 Hitachi Industries Co Ltd 設備の劣化診断方法と劣化診断装置
TWI240216B (en) * 2002-06-27 2005-09-21 Ind Tech Res Inst Pattern recognition method by reducing classification error
JP4396286B2 (ja) 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
JP4100414B2 (ja) 2005-04-25 2008-06-11 松下電工株式会社 設備監視方法および設備監視装置
US7333917B2 (en) 2005-08-11 2008-02-19 The University Of North Carolina At Chapel Hill Novelty detection systems, methods and computer program products for real-time diagnostics/prognostics in complex physical systems
EP1793296A1 (en) * 2005-12-05 2007-06-06 Insyst Ltd. An apparatus and method for the analysis of a process having parameter-based faults
CN101127100A (zh) * 2006-08-18 2008-02-20 张湛 一种处理不确定因果关系类信息的智能系统的构造方法
CN101008992A (zh) * 2006-12-30 2007-08-01 北京市劳动保护科学研究所 基于人工神经网络的管道泄漏的检测方法
US8036999B2 (en) * 2007-02-14 2011-10-11 Isagacity Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters
EP2144166A4 (en) * 2007-03-29 2011-01-12 Nec Corp DIAGNOSTIC SYSTEM
CN100468263C (zh) * 2007-09-05 2009-03-11 东北大学 连采机远程实时故障预测及诊断方法与装置
CN101697079B (zh) * 2009-09-27 2011-07-20 华中科技大学 用于航天器实时信号处理的盲系统故障检测与隔离方法
WO2011104760A1 (ja) * 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
CN102063109B (zh) * 2010-11-29 2012-09-05 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
JP2012168799A (ja) * 2011-02-15 2012-09-06 Hitachi Ltd プラント監視装置およびプラント監視方法
CN103064340B (zh) * 2011-10-21 2014-12-03 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
CN102609764A (zh) * 2012-02-01 2012-07-25 上海电力学院 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN102629243B (zh) * 2012-03-02 2015-01-07 燕山大学 基于神经网络集成和bs-emd的端点效应抑制方法
JP5996384B2 (ja) * 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
CN103018660B (zh) * 2012-12-25 2015-04-22 重庆邮电大学 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
US9332028B2 (en) * 2013-01-25 2016-05-03 REMTCS Inc. System, method, and apparatus for providing network security
JP5530019B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP5684941B1 (ja) * 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
CN104571079A (zh) * 2014-11-25 2015-04-29 东华大学 一种基于多传感器信息融合的无线远程故障诊断系统
CN104699994A (zh) * 2015-04-02 2015-06-10 刘岩 一种基于fbf神经网络的电机气隙偏心故障诊断方法

Also Published As

Publication number Publication date
JP7104121B2 (ja) 2022-07-20
JP2021002398A (ja) 2021-01-07
CN106409120A (zh) 2017-02-15
JP2017120649A (ja) 2017-07-06
JP2022125288A (ja) 2022-08-26
JP7504163B2 (ja) 2024-06-21
CN106409120B (zh) 2021-03-23
JP6148316B2 (ja) 2017-06-14
JP2017033526A (ja) 2017-02-09

Similar Documents

Publication Publication Date Title
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
US12066797B2 (en) Fault prediction method and fault prediction system for predecting a fault of a machine
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6810097B2 (ja) 異常検出器
JP6569927B1 (ja) 異常判定システム、モータ制御装置、及び異常判定装置
US9830559B2 (en) Machine learning unit, spindle replacement judging device, controller, machine tool, production system, and machine learning method, which are able to judge necessity of spindle replacement
CN112727965B (zh) 采煤机制动器的故障监测方法及装置
CN109693354B (zh) 状态判定装置
EP3723011A1 (en) Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method
US7395188B1 (en) System and method for equipment life estimation
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP2021015573A (ja) 異常判定装置及び異常判定システム
JPWO2020188696A1 (ja) 異常検知装置および異常検知方法
JP2018086715A (ja) テレスコピックカバーの異常発生推定装置及び異常発生推定方法
JP2020025462A (ja) モータ制御システム
JP7085140B2 (ja) 制御装置、制御方法及び制御プログラム
JP6721012B2 (ja) モータ制御システム
US20210178615A1 (en) Abnormality diagnosis device and abnormality diagnosis method
JP6662222B2 (ja) 製造プロセスの異常状態診断方法及び異常状態診断装置
JP2020025461A (ja) モータ制御システム
CN114055516B (zh) 一种故障诊断和维保的方法、系统、设备及存储介质

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170308

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181130

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181130

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191024

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191112

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200109

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200414

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200526

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200908

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201001

R150 Certificate of patent or registration of utility model

Ref document number: 6773582

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250