JP6881673B2 - 異常検出装置及び異常検出方法 - Google Patents

Description

本発明は、異常検出装置及び異常検出方法に関するものである。

従来においては、サーボモータの回転速度が基準速度より高く且つ外乱トルクが基準トルクより低いときに異常が発生したと判断する異常負荷検出装置が開示されている。

特開２００７−２１９９９１号公報

しかしながら、異常を検出する対象の機器の中には可動部（例えばモータ又は減速機）を含むものがあり、可動部に用いる潤滑油の種類を考慮して機器の異常を検出する技術は開示されていない。

本発明は、上記課題に鑑みて成されたものであり、その目的は、機器の可動部に用いる潤滑油の種類に応じた判断基準により機器の異常を検出できる異常検出装置及び異常検出方法を提供することである。

本発明の一態様に係わる異常検出装置は、可動部を有する機器における部位の状態に関するデータと閾値とを比較することにより、機器の異常を判断する。そして、可動部に用いられる潤滑油の種類に応じて閾値を変化させる。

本発明によれば、機器の可動部に用いる潤滑油の種類に応じた判断基準により機器の異常を検出できる。

図１は、第１実施例の異常検出装置を含むシステムの構成を示す図である。 図２は、作業ロボット２におけるセンサ２３の配置例を示す図である。 図３は、第１実施例の記憶部１８が記憶する情報を示す図である。 図４は、第１実施例における演算処理部１３の概略構成を示すブロック図である。 図５は、第１実施例における演算処理部１３の処理の流れを示すフローチャートである。 図６は、第２実施例の記憶部１８が記憶する情報を示す図である。 図７は、第２実施例における演算処理部１３の処理の流れを示すフローチャートである。 図８は、第３実施例の異常検出装置を含むシステムの構成を示す図である。 図９は、第３実施例の記憶部１８が記憶する情報を示す図である。 図１０は、学習モデルＰ１の一例を示す図である。 図１１は、第３実施例における演算処理部１３の概略構成を示すブロック図である。 図１２は、第３実施例における演算処理部１３の処理の流れを示すフローチャートである。 図１３は、計測結果１５０の表示例を示す図である。

図面を参照して、実施形態を説明する。図面の記載において同一部分には同一符号を付して説明を省略する。

以下の実施形態では、例えば自動車を組み立てる多軸機械である作業ロボット（溶接ロボットなど）の機器の異常を検出する技術について説明する。

多軸機械の回転軸には可動部としてモータと減速機（共に回転機構）が配置されることがあり、モータは不要な駆動力の成分（外乱トルク）を発生し、減速機は少なからず振動を発生する。そのため、外乱トルク又は振動に伴う加速度の大きさにより多軸機械の異常を判定することができる。

一方、可動部にはグリスが充填されることがある。グリスは粘度によっては潤滑油と称される。実施形態では、グリスと潤滑油は同義であるとする。なお、説明上はグリスという。

グリスの種類（例えばグリスのメーカ又は型番）によっては、外乱トルク又は加速度の大きさが異なる。例えば、グリスの種類によっては、外乱トルク又は加速度が比較的大きくなるものがあり、これはグリスの種類によって外乱トルク又は加速度が大きくなっているのであって、多軸機械は異常ではない。したがって、グリスの種類によらず、単に外乱トルク又は加速度のデータを一定の閾値と比較して異常を判定すると、誤って多軸機械が異常であると判定してしまう場合がある。

また、異常によりアラームを発生させる場合においては、機器が異常でないのにアラームが発生する、すなわちアラームの誤報が発生してしまう。

また、別の種類のグリスを使用すると、外乱トルク又は加速度が比較的小さくなることがあるが、グリスの種類によらず、単に外乱トルク又は加速度のデータを一定の閾値と比較して異常を判定すると、異常を見逃してしまうことがある。

そこで、実施形態では、このような異常の誤判定によるアラームの誤報と異常の見逃しを防ぐ技術について説明する。

（第１実施例）
図１は、第１実施例の異常検出装置を含むシステムの構成を示す図である。
異常検出装置１は、機器の異常を検出するもので、例えば自動車を組み立てる多軸機械である作業ロボット２を異常検出の対象機器として、その異常を検出する。異常検出装置１と作業ロボット２は生産現場３内に設けられ、異常検出装置１は通信回線４を介してコンピュータ５に接続される。

作業ロボット２は、可動部として用いられるモータ２１と、モータ２１のトルクを高いトルクに変換して作業ロボット２のアーム等で荷重の大きなものを動かすための可動部である減速機２２を備える機器である。モータ２１はすなわち作業ロボット２の駆動機構である。減速機２２は工場用の作業ロボットでは一般的に使用されるものである。

減速機２２の近傍の部位には、この部位の振動の大きさとして加速度を検出するセンサ２３が配置される。センサ２３は、センサ２３が配置された部位の加速度を検出し、検出した加速度を示す加速度信号をリアルタイムに出力する。加速度信号は、機器（２）の部位の１つである減速機２２の状態を示すものと言うことができる。なお、センサ２３としては、加速度を検出するセンサに限らず、機器の所定の部位の状態を検出できるセンサを使用してもよい。例えば、その部位の速度又は変位を検知することによって、その部位の状態として例えば振動の大きさを検出するセンサを使用できる。例えば、圧電センサ、角速度センサ、ジャイロセンサなど、姿勢の変化を時系列で取得可能な種々のセンサを用いることができる。

図２は、作業ロボット２におけるセンサ２３の配置例を示す図である。
作業ロボット２は、例えば、３つの回転軸（可動軸）２０１を備え、それぞれにモータ２１と減速機２２が設けられている。モータ及び減速機は、このように複数の可動軸を有する作業ロボットの各可動軸に装着されることが多い。センサ２３は、例えば、その中の１つの回転軸２０１に設けられた減速機２２の近傍に配置される。減速機２２は、モータ２１に比べ、交換が面倒であり、減速機２２の異常を早期に検出できるように、センサ２３が減速機２２の近傍に配置される。なお、センサ２３の配置は減速機２２の近傍に限定するものでなく、作業ロボット２（機器）で振動を検出したい任意の場所に配置してもよい。

図１に戻り、説明を続ける。
異常検出装置１は、モータ制御部１１、センサ制御部１２、演算処理部１３、グリス情報取得部１４、表示部１５、音声出力部１６、通信部１７及び記憶部１８を備える。

異常検出装置１は、ＣＰＵ（中央処理装置）、メモリ、及び入出力部を備える汎用のマイクロコンピュータ（制御部ともいう）を含む。マイクロコンピュータには、異常検出装置として機能させるためのコンピュータプログラム（異常検出プログラム）がインストールされている。コンピュータプログラムを実行することにより、マイクロコンピュータは、異常検出装置が備える複数の情報処理回路（１１〜１４、１７）として機能する。なお、ここでは、ソフトウェアによって異常検出装置が備える複数の情報処理回路（１１〜１４、１７）を実現する例を示すが、もちろん、以下に示す各情報処理を実行するための専用のハードウェアを用意して、情報処理回路（１１〜１４、１７）を構成することも可能である。また、複数の情報処理回路（１１〜１４、１７）を個別のハードウェアにより構成してもよい。

モータ制御部１１は、作業ロボット２が所定の動作をするように動作中のモータ２１に流れる電流の大きさ及び時間、タイミングなどを記憶・出力し、モータ２１を制御するものである。モータ制御部１１は、また、回転速度とトルクの指令値に従ってモータ２１を回転（可動）させる。モータ２１の可動に伴い、減速機２２も可動する。すなわち、モータ２１と減速機２２が可動し、作業ロボット２が、例えば同ロボットのアーム先端に取り付けられた溶接機を所定の位置に移動させて溶接作業などを行う。

そして、モータ制御部１１は、モータ２１に流れる電流により、モータ２１における外乱による駆動力、すなわちトルクの指令値に対する変動成分（外乱トルクともいう）の大きさ（以下、駆動力という）を示す駆動力信号を生成し、演算処理部１３に出力する。駆動力信号は、機器（２）の部位の１つであるモータ２１の状態を示すものと言うことができる。

センサ制御部１２は、減速機２２を制御し、減速機２２の動作中において、センサ２３に減速機２２の振動に伴う加速度を検出させる。そして、センサ制御部１２は、減速機２２の加速度を示す加速度信号をセンサ２３から受信し、演算処理部１３に転送する。

演算処理部１３は、上記のように可動部（モータ２１と減速機２２）を有する機器（２）において検出された機器の部位の状態に関するデータを算出し、状態に関するデータに基づいて、機器の異常を検出する制御部である。演算処理部１３は、ここでは加速度信号と駆動力信号の少なくとも一方により状態に関するデータを算出し、このデータに基づいて、作業ロボット２の異常を検出する。すなわち、加速度信号のみにより異常を検出する、又は、駆動力信号のみにより異常を検出する、又は加速度信号と駆動力信号の両方により異常を検出する。以下の説明では、加速度信号のみに基づいて、作業ロボット２の異常を検出することとする。その際、加速度信号をセンサ信号と表現する。センサ信号は観測データともいう。

演算処理部１３は、具体的には、作業ロボット２（機器）における所定部位の状態に関するデータと所定の閾値を比較することにより機器の異常を判断する。つまり、状態に関するデータが閾値より大きい場合は、作業ロボット２が異常であると判定する。演算処理部１３は、例えばセンサ信号の値を一定期間検出し、その平均値を算出する。そして、この平均値が所定の閾値（以下、単に閾値という）より大きい場合は、作業ロボット２が異常であると判定する。

このような平均値は閾値の比較対象値であり、以下、比較対象値Ｓという。比較対象値Ｓは、平均値に限らず、最大値又は最小値でもよく、また、センサ信号の標準偏差、周波数特性を用いて算出してもよい。すなわち、比較対象値Ｓはセンサ信号の特徴を示す物理量であればよい。

なお、加速度信号に代えて駆動力信号で作業ロボット２の異常を検出してもよい。また、加速度信号と駆動力信号を組み合わせて作業ロボット２の異常を検出してもよい。また、センサ信号は、機器における所定の部位の状態を示すものであり、機器の部位に設けられたセンサから出力されるものであればよく、加速度信号と駆動力信号に限らない。例えば、モータ２１又は減速機２２の近傍の温度（状態）をセンサで検出し、温度をセンサ信号としてもよい。また、モータ２１に流れる電流値（状態）を検出し、電流値をセンサ信号としてもよい。

グリス情報取得部１４は、作業ロボット２の、例えば減速機２２に使用されるグリスに関する情報（以下、グリス情報という）を取得するものである。グリス情報取得部１４は、例えばグリスの交換時に作業ロボット２又は保全記録にグリスの名称、型番、使用量、交換日時などを入力する装置からグリス情報を取得する。または、保全記録又は作業ロボット２からグリス情報を取得する。第１実施例では、グリス情報にグリスの種類が含まれることとする。また、グリスの種類は種類Ａ、種類Ｂ及び種類Ａ、Ｂ以外の種類（便宜的に種類Ｃという）の３種類とする。グリスの種類は、グリスの名称又は型番で表現される。なお、グリスは３種類に限らず、作業ロボット２に使用可能な全てのグリスの種類に分類することもできる。

表示部１５は、作業ロボット２が異常か否かの判定結果とグリスの種類（以下、これらを総称して計測結果１５０という）をリアルタイムに表示するもので、例えば、液晶モニタである。

音声出力部１６は、作業ロボット２が異常と判定された場合にアラーム音又は振動（可聴域以外を含む）により作業員に異常を報知するもので、例えばスピーカである。

通信部１７は、計測結果１５０を遠隔地（外部）のコンピュータ５に送信するためのもので、例えば有線ＬＡＮのルータ又は無線（ＷｉＦｉなど）のルータである。

記憶部１８は、グリスの種類ごとに閾値を記憶する。すなわち、記憶部１８は、対応する種類のグリスを使用したときの異常検出に適した閾値を記憶する。例えば、閾値は、グリスのメーカ（グリスの種類）によって変わる。

図３は、第１実施例における記憶部１８が記憶する情報を示す図である。
第１実施例の記憶部１８は、グリスの種類Ａに対応づけて閾値ＴＨ１を記憶し、グリスの種類Ｂに対応づけて閾値ＴＨ２を記憶し、グリスの種類Ｃに対応づけて閾値ＴＨ３を記憶している。各閾値はグリスの種類に応じたものなので互いに異なる値となっている。

種類Ａのグリスを使用した場合の比較対象値Ｓよりも種類Ｂのグリスを使用した場合の比較対象値Ｓが大きい場合は、閾値ＴＨ１よりも閾値ＴＨ２が大きくなっている。また、種類Ｂのグリスを使用した場合の比較対象値Ｓよりも種類Ｃのグリスを使用した場合の比較対象値Ｓが大きい場合は、閾値ＴＨ２よりも閾値ＴＨ３が大きくなっている。すなわち、比較対象値Ｓが大きくなるようなグリスの種類に対応する閾値は大きく、比較対象値Ｓが小さくなるようなグリスの種類に対応する閾値は小さくなっている。

なお、記憶部１８は、図示しないが、作業ロボット２が異常になった要因と異常のときの駆動力信号と加速度信号のデータを記憶し、必要時には演算処理部１３に出力する。

図１に戻り、説明を続ける。

コンピュータ５は、作業ロボット２を遠隔地で監視する監視員又は保全員に使用されるもので、計測結果１５０を受信して表示し、監視員に対して、異常検出の結果を画像、音、音声又は振動で提示する。

図４は、第１実施例における演算処理部１３の概略構成を示すブロック図である。
演算処理部１３は、信号処理部１３１、閾値取得部１３２、異常判定部１３３及び計測結果出力部１３４を備える。

信号処理部１３１は、モータ制御部１１及びセンサ制御部１２からセンサ信号を受信し、センサ信号から比較対象値Ｓを算出する。閾値取得部１３２は、グリス情報取得部１４からグリス情報を取得し、グリス情報内のグリスの種類に対応する閾値を記憶部１８から取得する。

異常判定部１３３は、比較対象値Ｓと閾値を比較することにより、作業ロボット２の異常を判断する。すなわち、異常判定部１３３は、比較対象値Ｓと閾値を比較することにより、作業ロボット２が異常か否かを判定する。

計測結果出力部１３４は、作業ロボット２が異常か否かの判定結果を含む計測結果１５０を表示部１５に表示させる。また、作業ロボット２が異常の場合にアラーム音又は振動を音声出力部１６から発生させる。また、計測結果１５０を通信部１７に出力する。

図５は、第１実施例における演算処理部１３の処理の流れを示すフローチャートである。

まず、演算処理部１３の閾値取得部１３２は、グリス情報取得部１４からグリス情報を取得する。グリス情報はグリスの種類を含み、すなわち、閾値取得部１３２はグリスの種類を取得する（Ｓ１）。

次に、閾値取得部１３２は、取得したグリスの種類が種類Ａか否かを判定する（Ｓ３）。取得したグリスの種類が種類Ａである場合（Ｓ３：ＹＥＳ）、記憶部１８から種類Ａに対応する閾値を取得する（Ｓ５）。

閾値取得部１３２は、取得したグリスの種類が種類Ａでない場合（Ｓ３：ＮＯ）、取得したグリスの種類が種類Ｂか否かを判定する（Ｓ７）。取得したグリスの種類が種類Ｂである場合（Ｓ７：ＹＥＳ）、記憶部１８から種類Ｂに対応する閾値を取得する（Ｓ９）。閾値取得部１３２は、取得したグリスの種類が種類Ｂでない場合（Ｓ７：ＮＯ）、記憶部１８から種類Ｃに対応する閾値を取得する（Ｓ１１）。

閾値取得部１３２は、直前の異常判定に用いた閾値を記憶しており、これをステップＳ５、Ｓ９又はＳ１１で取得した閾値（以下、閾値ＴＨという）に切り替える（Ｓ１３）。

一方、信号処理部１３１は、モータ制御部１１及びセンサ制御部１２からセンサ信号を受信し（Ｓ１５）、センサ信号から比較対象値Ｓを算出する（Ｓ１７）。

次に、異常判定部１３３が、比較対象値Ｓが閾値ＴＨ以下か否かを判定する（Ｓ１９）。異常判定部１３３は、比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ１９：ＹＥＳ）、作業ロボット２（詳しくはモータ２１又は減速機２２）は異常ではないと判断する。

一方、比較対象値Ｓが閾値ＴＨより大きい場合は（Ｓ１９：ＮＯ）、作業ロボット２（詳しくはモータ２１又は減速機２２）が異常であると判断する。そして、これを作業員に報知すべく、計測結果出力部１３４がアラーム音又は振動を音声出力部１６から発生させる（Ｓ２１）。

ステップＳ２１の実行後、又は、比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ１９：ＹＥＳ）、ステップＳ２３に進む。

計測結果出力部１３４は、ステップＳ２３では、ステップＳ１９の判定結果（異常検出の結果）を含む計測結果１５０を表示部１５に表示させる（Ｓ２３）。また、計測結果１５０を通信部１７に出力する。

すなわち、表示部１５は、比較対象値Ｓが閾値ＴＨより大きい場合は（Ｓ１９：ＮＯ）、可動部が異常であることを表示する（Ｓ２３）。一方、比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ１９：ＹＥＳ）、可動部が正常であることを表示する（Ｓ２３）。

通信部１７は、計測結果１５０をコンピュータ５に送信する（Ｓ２３）。コンピュータ５は、計測結果１５０を表示する。また、作業ロボット２が異常である場合は、音、音声又は振動を発生する。監視員と保全員は、計測結果１５０と音、音声又は振動により、作業ロボット２に異常があるか否かを知ることができる。

次に、異常検出装置１に対して、生産現場３の作業員が処理終了の操作を行ったか否かを判定し（Ｓ２５）、操作が行われてない場合は、ステップＳ１に戻り、操作が行われた場合は処理を終了する。

以上のように、第１実施例では、異常検出装置１は、可動部（２１、２２）を有する機器（２）における所定の部位において検出された部位の状態に関するデータ（Ｓ）に基づいて、機器の異常を検出する制御部（１３）、を備える。制御部は、検出された状態に関するデータ（Ｓ）と所定の閾値とを比較することにより（Ｓ１９）、機器の異常を判断する。また、制御部（１３）は、機器の可動部に使用されるグリス（潤滑油）の種類を取得し（Ｓ１）、取得した潤滑油の種類に応じて閾値を変化させる（Ｓ１３）。つまり、潤滑油の種類に応じて閾値を設定する。よって、機器の可動部に用いる潤滑油の種類に応じた判断基準により機器の異常を検出できる。また、異常検出装置１が行う上記の異常検出方法によっても同様の効果を得ることができる。

仮に閾値を一定にすると、グリスの種類に起因してデータ（Ｓ）が大きくなる場合において、機器が異常でないのに異常であると誤判断する可能性があるが、閾値を大きくするので、そのような誤判断を防止できる。その結果、ステップＳ２１のようなアラーム、すなわち機器が異常の際に発するアラームが、機器が異常でないのに発生すること、すなわちアラームの誤報を防止できる。

また、仮に閾値を一定にすると、グリスの種類に起因してデータ（Ｓ）が小さくなる場合において、機器が異常なのに異常でないと誤判断する可能性があるが、閾値を小さくするので、そのような誤判断を防止できる。すなわち、異常の見逃しを防止できる。
また、駆動力信号により示されるトルクとトルク以外の値（例えば、加速度信号により示される振動の値）を組み合わせて異常を判断することにより、トルクだけで異常を判断する場合に比べ、より高精度に機器の異常を検出できる。

（第２実施例）
次に、第２実施例について説明する。ここでは、第１実施例との違いを主に説明し、同一又は類似の内容については重複となるので説明を省略する。

第２実施例では、グリスの種類に加え、グリスの粘性に関する値を用い、例えば、グリスの種類とグリスの粘度の組み合わせに応じた閾値を使用する。すなわち、特定の種類と粘度のグリスを使用したときはこのグリスに適した閾値を使用する。例えば、同じ型番のグリスすなわち同じ種類のグリスでも、成分又は含有率の違いにより粘度を選択できる場合があり、第２実施例はこのような状況を想定する。よって、第２実施例では、グリス情報にグリスの種類と粘度が含まれることとする。なお、粘度は粘度そのもので表現される値に限らず、粘度と同義の用語を含めて粘度という。

第２実施例では、グリスの種類によらず大小２つの粘度の境界値が設定され、粘度の範囲が３分割されることとする。つまり、低い方の境界値（境界値αという）以下の粘度の範囲を粘度範囲Ｌといい、低い方の境界値αより高く且つ高い方の境界値（境界値βという）以下の粘度の範囲を粘度範囲Ｍといい、高い方の境界値β（＞α）より高い粘度の範囲を粘度範囲Ｎという。つまり、粘度の高さは、Ｌ＜Ｍ＜Ｎと表現される。なお、このように、グリスの種類によらず境界値を共通にするのでなく、グリスの種類ごとに境界値を変えてもよい。また、粘度の範囲を２分割してもよく、また、より細かく４分割以上に粘度を区分してもよい。

図６は、第２実施例の記憶部１８が記憶する情報を示す図である。
第２実施例の記憶部１８は、グリスの種類Ａと粘度範囲Ｌの組み合わせに対応づけて閾値ＴＨ１１を記憶する。また、グリスの種類Ａと粘度範囲Ｍの組み合わせに対応づけて閾値ＴＨ１２を記憶する。また、グリスの種類Ａと粘度範囲Ｎの組み合わせに対応づけて閾値ＴＨ１３を記憶する。

また、記憶部１８は、グリスの種類Ｂと粘度範囲Ｌの組み合わせに対応づけて閾値ＴＨ２１を記憶する。また、グリスの種類Ｂと粘度範囲Ｍの組み合わせに対応づけて閾値ＴＨ２２を記憶する。また、グリスの種類Ｂと粘度範囲Ｎの組み合わせに対応づけて閾値ＴＨ２３を記憶する。

また、記憶部１８は、グリスの種類Ｃと粘度範囲Ｌの組み合わせに対応づけて閾値ＴＨ３１を記憶する。また、グリスの種類Ｃと粘度範囲Ｍの組み合わせに対応づけて閾値ＴＨ３２を記憶する。また、グリスの種類Ｃと粘度範囲Ｎの組み合わせに対応づけて閾値ＴＨ３３を記憶する。

第２実施例の記憶部１８では、比較対象値Ｓが大きくなるようなグリスの種類と粘度範囲の組み合わせに対応する閾値は大きく、比較対象値Ｓが小さくなるようなグリスの種類と粘度範囲の組み合わせに対応する閾値は小さくなっている。

図７は、第２実施例における演算処理部１３の処理の流れを示すフローチャートである。
まず、演算処理部１３の閾値取得部１３２は、グリス情報取得部１４からグリス情報を取得する。グリス情報はグリスの種類とグリスの粘度を含む。すなわち、閾値取得部１３２はグリスの種類とグリスの粘度を取得する（Ｓ２）。

例えば、粘度は、グリスの性能を示す値（いわゆるカタログ値）として、保全記録又は作業ロボット２が記憶するグリス情報に含まれ、グリス情報取得部１４が、粘度を含むグリス情報を取得する。なお、粘度は、モータ２１又は減速機２２の近傍に取り付けられた粘度センサ等により測定されたものでもよい。グリス情報取得部１４は、作業ロボット２が実際に動作しているときに粘度センサ等により測定された実際の粘度をグリス情報として取得する。

つまり、粘度は、カタログ値でもよく、作業ロボット２が実際に動作しているときの実際の粘度でもよい。

さて、閾値取得部１３２は、粘度を取得すると、取得した粘度（以下、粘度ｘという）が境界値α以下か否かを判定する（Ｓ３１）。粘度ｘが境界値α以下である場合（Ｓ３１：ＹＥＳ）、粘度ｘは粘度範囲Ｌに属すると判定する（Ｓ３３）。

閾値取得部１３２は、粘度ｘが境界値αより大きい場合（Ｓ３１：ＮＯ）、粘度ｘが境界値β以下か否かを判定する（Ｓ３５）。粘度ｘが境界値β以下ある場合（Ｓ３５：ＹＥＳ）、粘度ｘは粘度範囲Ｍに属すると判定する（Ｓ３７）。閾値取得部１３２は、粘度ｘが境界値βより大きい場合（Ｓ３５：ＮＯ）、粘度ｘは粘度範囲Ｎに属すると判定する（Ｓ３９）。

閾値取得部１３２は、ステップＳ３３、Ｓ３７及びＳ３９の後、取得したグリスの種類と判定した粘度範囲との組み合わせに対応する閾値を記憶部１８から取得する（Ｓ４）。例えば、グリスの種類が種類Ａで粘度ｘが粘度範囲Ｎに属する場合、種類Ａと粘度範囲Ｎの組み合わせに対応する閾値ＴＨ１３を記憶部１８から取得する（Ｓ４）。

以降は、第１実施例のステップＳ１３以降の処理と同様であり、説明を省略する。ただし、ステップＳ２５で操作が行われてないと判定した場合は、ステップＳ２に戻る。

なお、粘度の範囲を上記のように分類するのは、例えば粘度が実際の動作中の粘度であり、値が決まっていないからである。または、いわゆるカタログ値としての粘度であってもその数が多いからである。

しかし、例えば粘度がカタログ値であり、その数が少ない、例えば粘度ｘ１、ｘ２及びｘ３以外のグリスは使用しない場合は、グリスの種類と使用する粘度（ｘ１、ｘ２及びｘ３のいずれか）の組み合わせに対応づけて閾値を記憶部１８に記憶すればよい。

以上のように、第２実施例では、制御部（１３）は、潤滑油の種類に加え、潤滑油の粘度を更に取得し（Ｓ２）、潤滑油の種類及び潤滑油の粘度に応じて閾値を変化させる（Ｓ４）。つまり、潤滑油の種類及び潤滑油の粘度に応じて閾値を設定する。よって、機器の可動部に用いる潤滑油の種類及び潤滑油の粘度に応じた判断基準により機器の異常を検出できる。

つまり、潤滑油の種類が同じであっても、潤滑油の粘度に起因してデータ（Ｓ）が大きくなる場合においては閾値を大きくするので、誤った異常判断、アラームの誤報を抑制できる。

また、潤滑油の種類が同じであっても、潤滑油の粘度に起因してデータ（Ｓ）が小さくなる場合においては閾値を小さくするので、誤った異常判断、異常の見逃しを抑制できる。

（第３実施例）
次に、第３実施例について説明する。ここでは、第１実施例との違いを主に説明し、同一又は類似の内容については重複となるので説明を省略する。

図８は、第３実施例の異常検出装置を含むシステムの構成を示す図である。
第３実施例の異常検出装置１は、モータ制御部１１、センサ制御部１２、演算処理部１３、グリス情報取得部１４、表示部１５、音声出力部１６、通信部１７及び記憶部１８に加え、学習モデル用情報取得部１９を備える。

学習モデル用情報取得部１９は、学習モデル（詳しくは後述する）を生成するための情報、すなわち作業ロボット２が過去に作業を行った際に取得された情報を取得するもので、例えば、モータ２１と減速機２２の可動部の近傍に配置されたＩＯＴ（Internet of Things）センサである。ＩＯＴセンサは、対象の機器に複数取り付けられ、無線ＬＡＮなどで外部の機器にデータを送信するセンサの名称である。学習モデル用情報取得部１９は、作業ロボット２の内部に保存された可動部の制御情報を取得する装置又は、作業ロボット２以外の機器に保存された保全データから可動部の制御情報を取得する装置であってもよい。

学習モデル用情報取得部１９は、ここでは、以下の（１）〜（３）に示す値ｔ、ｅ、ｗを取得し、演算処理部１３に出力する。（１）値ｔは、作業ロボット２の累積の稼働時間、累積の停止時間、連続して稼働した連続稼働時間、周囲の他の機器の稼働情報などに関する値である。（２）値ｗは、作業ロボット２にかかる作業の負荷を示す作業負荷レベル、作業ロボット２が行う作業の速度、要求される作業の精度などに関する値である。（３）値ｅは、作業ロボット２の周囲の環境の気温又はその変動又は変動の傾向、湿度又はその変動又は変動の傾向、周囲環境の振動の大きさなどに関する値である。

なお、これらの値ｔ、ｗ、ｅは、後述する学習モデルを生成するための情報であるが、学習モデルを生成するための情報は値ｔ、ｗ、ｅに限らず、機器の機能、使用環境などに応じた情報を使用すればよい。例えば、日照の時間や強度などがある。

図９は、第３実施例の記憶部１８が記憶する情報を示す図である。
第３実施例の記憶部１８は、グリスの種類ごとに学習モデルを対応づけて記憶する。記憶部１８は、グリスの種類Ａに対応づけて学習モデルＰ１を記憶し、グリスの種類Ｂに対応づけて学習モデルＰ２を記憶し、グリスの種類Ｃに対応づけて学習モデルＰ３を記憶している。各学習モデルはグリスの種類に応じたものなので互いに異なる学習モデルとなっている。また、記憶部１８においては、異常検出に用いる学習モデルを学習モデルＰ１〜Ｐ３の中で切り替え可能となっている。

図１０は、学習モデルの一例を示す図である。
例えば、学習モデルＰ１は、種類Ａのグリスを使用して作業ロボット２が過去に異常を示さなかったときのパラメータと、種類Ａのグリスを使用して作業ロボット２に過去に異常を示したときのパラメータを含む。

異常を示さなかったとき（正常のとき）のパラメータは、作業ロボット２が異常を示さなかったときに取得された値ｔ、値ｗ及び値ｅを時系列に配列したものであり、値ｔ、値ｗ及び値ｅの組のそれぞれに対応する日付が付与される。異常を示したときのデータは、作業ロボット２が異常を示したときに取得された値ｔ、値ｗ及び値ｅを時系列に配列したものであり、値ｔ、値ｗ及び値ｅの組のそれぞれに対応する日付が付与される。

異常を示さなかったとき（正常のとき）のパラメータは、例えば、作業ロボット２が種類Ａのグリスを使用し、且つ、演算処理部１３が後述のフローチャートにおけるステップＳ１９でＹＥＳ（機器が正常）と判定したときのパラメータである。異常を示したときのパラメータは、例えば、作業ロボット２が種類Ａのグリスを使用し、且つ、演算処理部１３が後述のフローチャートにおけるステップＳ１９でとＮＯ（機器が異常）と判定したときのパラメータである。学習モデルは履歴ということもできる。

なお、学習モデルは、演算処理部１３が判定した結果に基づくものに限らず、作業員などが過去に機器の異常がなかったことを確認したときのパラメータと、異常があったことを確認したときのパラメータを記録しておき、これらのパラメータから学習モデルを生成してもよい。

図示しないが、学習モデルＰ２は、種類Ｂのグリスが使用されたときの学習モデルであり、学習モデルＰ３は、種類Ｃのグリスが使用されたときの学習モデルであり、学習モデルＰ１と同様の構成を有する。なお、学習モデルは、このような表形式のものに限らず、値ｔ、値ｗ及び値ｅの３軸からなる３次元空間に、正常のときの値ｔ、値ｗ及び値ｅの位置に点を配置し、また、異常のときの値ｔ、値ｗ及び値ｅの位置に点を配置し、正常と異常の境界面を設定してもよい。

図１１は、第３実施例における演算処理部１３の概略構成を示すブロック図である。
演算処理部１３は、信号処理部１３１、異常判定部１３３及び計測結果出力部１３４に加え、学習モデル生成部１３５を備え、図４の閾値取得部１３２に代えて閾値算出部１３７を備える。

学習モデル生成部１３５は、学習モデル用情報取得部１９から値ｔ、値ｗ及び値ｅ及び日付を取得し、図１０のような学習モデルを記憶部１８に生成する。
閾値算出部１３７は、グリス情報取得部１４から取得した種類の潤滑油を使用した場合の学習モデルを選択し、選択した学習モデルに対して学習アルゴリズムを適用することにより閾値を求める。詳しくは後述する。

図１２は、第３実施例における演算処理部１３の処理の流れを示すフローチャートである。
まず、演算処理部１３の閾値算出部１３７は、グリス情報取得部１４からグリス情報（グリスの種類）を取得する（Ｓ１）。

次に、閾値算出部１３７は、取得したグリスの種類が種類Ａか否かを判定する（Ｓ３）。取得したグリスの種類が種類Ａである場合（Ｓ３：ＹＥＳ）、記憶部１８において異常検出に用いる学習モデルを、種類Ａに対応する学習モデルＰ１に切り替える（Ｓ６）。

閾値算出部１３７は、取得したグリスの種類が種類Ａでない場合（Ｓ３：ＮＯ）、取得したグリスの種類が種類Ｂか否かを判定する（Ｓ７）。取得したグリスの種類が種類Ｂである場合（Ｓ７：ＹＥＳ）、異常検出に用いる学習モデルを、種類Ｂに対応する学習モデルＰ２に切り替える（Ｓ８）。閾値算出部１３７は、取得したグリスの種類が種類Ｂでない場合（Ｓ７：ＮＯ）、異常検出に用いる学習モデルを、種類Ｃに対応する学習モデルＰ３に切り替える（Ｓ１０）。

閾値算出部１３７は、ステップＳ６、Ｓ８又はＳ１０で学習モデルを切り替え後、切り替え後の学習モデルを用いて閾値（以下、閾値ＴＨという）を算出する（Ｓ１４）。
ステップＳ１４では、まず、作業ロボット２が正常な場合の値ｔと、作業ロボット２が異常な場合の値ｔとから、作業ロボット２が正常なときと異常なときの境界の値ｔ（以下、値Ｔという）を算出する。例えば、作業ロボット２が正常なときの値ｔの平均値ｔａ１を算出し、作業ロボット２が異常なときの値ｔの平均値ｔａ２を算出し、平均値ｔａ１と平均値ｔａ２の平均値を値Ｔとする。または、平均値ｔａ１と平均値ｔａ２の中間値を値Ｔとしてもよい。

また、値ｔから値Ｔを算出した方法と同様に、作業ロボット２が正常なときと異常なときの境界の値ｗ（以下、値Ｗという）を算出する。また同様に、作業ロボット２が正常なときと異常なときの境界の値ｅ（以下、値Ｅという）を算出する。値Ｔ、Ｗ及びＥは、作業ロボット２が正常か異常かを判定するための閾値と言うこともできる。

次に、閾値算出部１３７は、値Ｔ、Ｗ及びＥを所定の学習モデル式（計算式）に代入し、閾値ＴＨを算出する。例えば、閾値算出部１３７は、（式１）のような学習モデル式に値Ｔ、Ｗ及びＥを代入して閾値ＴＨを算出する。
ＴＨ＝Ｔ×Ｘ＋Ｗ×Ｙ＋Ｅ×Ｚ＋ｃ （式１）
ただし、Ｘ、Ｙ、Ｚ、ｃは定数である。
または、閾値算出部１３７は、（式２）のような学習モデル式に値Ｔ、Ｗ及びＥを代入して閾値ＴＨを算出する。
ＴＨ＝（Ｔ×Ｘ）^２＋Ｗ×Ｙ＋Ｅ×Ｚ＋ｃ （式２）
ただし、Ｘ、Ｙ、Ｚ、ｃは定数である。

これらの式は、作業ロボット２が異常のときは比較対象値Ｓが閾値ＴＨより大きくなるような閾値ＴＨを算出するために予め閾値算出部１３７に設定されたものである。よって、比較対象値Ｓが閾値ＴＨより大きい場合は作業ロボット２が異常であり、比較対象値Ｓが閾値ＴＨ以下の場合は作業ロボット２が正常と判断できる。

このように、切り替え後の学習モデルを用いて値Ｔ、Ｗ及びＥを算出し、算出した値Ｔ、Ｗ及びＥを上記のような式に代入することにより閾値を求めることを、学習モデルに対して学習アルゴリズムを適用する、という。すなわち、第３実施例では、取得した種類の潤滑油を使用して機器が過去に異常を示さなかったときの機器に関するパラメータと、取得した種類の潤滑油を使用して機器が過去に異常を示したときの機器に関するパラメータを含む学習モデルに対して学習アルゴリズムを適用することにより閾値を求める。

なお、学習モデル式は、式１のような線形式又は式２のような２次式に限らず、３次以上の高次式でもよい。また、指数関数又は対数を用いた式でもよい。すなわち、学習モデル式としては、数学的に記述可能な式を利用することができる。

なお、上述の例においては、ステップＳ６、Ｓ８又はＳ１０おいて切り替えた学習モデルを基に、ステップＳ１４においてそれぞれ閾値を算出することとしたが、これに限られない。

例えば、グリスの種類Ａ、種類Ｂ及び種類Ｃの各々の学習モデルに含まれるデータを、機械学習又はディープラーニング技術を用いて分析し、グリスの種類Ａ、種類Ｂ及び種類Ｃの正常判定モデル又は異常判定モデルをそれぞれ生成してもよい。
この場合、例えば、ステップＳ３においてグリスの種類がＡと判定された後のステップにおいて、グリスの種類Ａの学習モデルに対して機械学習又はディープラーニング技術により分析された結果生成された、グリス種類Ａ用の正常判定モデル又は異常判定モデルが選択される。
その後、ステップＳ１５においてセンサの信号を取得し、ステップＳ１９においてセンサ信号の値とグリス種類Ａ用の正常判定モデル又は異常判定モデルを比較する（詳しくは後述する）ことによって、異常の有無を判定する。グリスの種類Ｂ及び種類Ｃについても同様の処理となる。
なお、正常判定モデル又は異常判定モデルは所定のパラメータにおける少なくとも１つの閾値を含み、当該閾値とセンサ信号の値との比較を行う。

また、正常判定モデル又は異常判定モデル、すなわち判定モデルは記憶部１８に記憶される。
このように、潤滑油の種類ごとに異常を判定するための判定モデルが記憶される記憶部１８を備え、制御部は、取得された、機器の可動部に使用される潤滑油の種類に応じて判定モデルを切り替えることにより、閾値を変化させる。よって、判定モデルを用いることにより、より高精度に機器の異常を検出でき、アラームの誤報と異常の見逃しをより確実に抑制できる。
また、判定モデルは、機器の部位の状態に関するデータを機械学習技術による分析を行い生成される。よって、機械学習技術による分析を行うことにより、より高精度に機器の異常を検出でき、アラームの誤報と異常の見逃しをより確実に抑制できる。

以降は、第１実施例のステップＳ１５以降の処理と同様であり、説明を省略する。

以上のように、第３実施例では、制御部（１３）は、取得した種類の潤滑油を使用して機器が過去に異常を示さなかったときの機器に関するパラメータと、取得した種類の潤滑油を使用して機器が過去に異常を示したときの機器に関するパラメータを含む学習モデルに対して学習アルゴリズムを適用することにより閾値を求める。つまり、学習モデルに対して学習アルゴリズムを適用することにより求めた閾値を設定する。

よって、潤滑油の種類と粘度以外のパラメータ、例えば、上記のような、機器の稼働時間などに関する値、機器が行う作業の負荷などに関する値、機器の周囲の環境などに関する値も用いて、機器の異常を検出できる。その結果、より高精度に機器の異常を検出でき、アラームの誤報と異常の見逃しをより確実に抑制できる。

すなわち、第３実施例でも、機器の所定部位の状態に関するデータ（Ｓ）が大きくなる場合においては閾値が大きくなるので、誤った異常判断、アラームの誤報を抑制できる。

また、機器の所定部位の状態に関するデータ（Ｓ）が小さくなる場合においては閾値が小さくなるので、誤った異常判断、異常の見逃しを抑制できる。

（第３実施例の変形例）
なお、第３実施例では、グリスの種類ごとにその種類のグリスに対応する学習モデルを記憶部１８に記憶しておき、使用するグリスの種類に対応する学習モデルを選択し、選択した学習モデルに対して学習アルゴリズムを適用することにより閾値を求めたが、第３実施例を発展させて以下のようにしてもよい。

すなわち、第３実施例の変形例では、グリスの種類と粘度の組み合わせごとにその種類と粘度のグリスに対応する学習モデルを記憶部１８に記憶しておき、使用するグリスの種類と粘度の組み合わせに対応する学習モデルを選択し、選択した学習モデルに対して学習アルゴリズムを適用することにより閾値を求める。
記憶部１８に記憶する学習モデルはすなわち、この学習モデルに対応する種類と粘度のグリスを使用して機器が過去に異常を示さなかったときの機器に関するパラメータと、この学習モデルに対応する種類と粘度のグリスを使用して機器が過去に異常を示したときの機器に関するパラメータを含む学習モデルである。
使用するグリスの種類と粘度の組み合わせを取得する際には、第２実施例のステップＳ２、Ｓ３１、Ｓ３３、Ｓ３５、Ｓ３７及びＳ３９を実行すればよい。

第３実施例の変形例によれば、使用するグリスの種類と粘度の組み合わせに対応する学習モデルを選択し、選択した学習モデルに対して学習アルゴリズムを適用することにより閾値を求めるので、潤滑油の種類と粘度の組み合わせに応じた判断基準により機器の異常を検出できる。

図１３は、計測結果１５０の表示例を示す図である。表示部１５とコンピュータ５は、例えば、計測結果１５０を図１３に示すように画像で表示する。ここでは、第３実施例での表示例を示す。

表示部１５とコンピュータ５の表示領域に、計測結果１５０として、例えば、ステップＳ１９で作業ロボット２が正常であると判定された場合には、作業ロボット２が正常であることを示す表示情報１５１が表示される。作業ロボット２が異常と判定された場合は、異常であることを示す情報が表示される。

また、計測結果１５０として、ステップＳ１９の判定に使用した閾値ＴＨと比較対象値Ｓ（観測値）が表示される。また、標準的に使用される種類のグリスを使用した場合の閾値を示す表示情報１５２が表示される。この閾値を補正前の閾値とすると、閾値ＴＨは補正後の閾値ということができる。補正前の閾値と補正後の閾値を表示することで、補正前の閾値が補正後の閾値に変更されたことを知ることができる、

また、計測結果１５０として、作業ロボット２に使用されているグリスの種類、グリスの粘度、添加剤の有無を示す表示情報１５３が表示される。これにより、グリスの種類、グリスの粘度、添加剤の有無を知ることができる。

また、計測結果１５０として、閾値ＴＨを算出するのに使用した計算式（学習モデル式）を示す表示情報１５４が表示される。また、式に代入した値Ｔ、Ｗ及びＥが表示される。これにより、学習モデル式、及び学習モデル式に代入した値を知ることができる。

また、異常判定の対象としたモータ２１と減速機２２の配置箇所を示す表示情報１５５が表示される。これにより、モータ２１と減速機２２の配置箇所を知ることができる。

なお、図１３は、第３実施例での表示例であり、第１実施例と第２実施例では、表示情報１５４と値Ｔ、Ｗ及びＥは表示されない。

このように、演算処理部１３は、取得したグリスの種類とともに、機器が異常か否かの判定結果を含む計測結果１５０を表示部１５とコンピュータ５の表示領域に表示させるように制御するので、生産現場の作業員と機器を監視する監視員と保全員は、グリスの種類とともに機器が異常又は機器が正常であることを知ることができ、異常の場合には機器の保全を行うことができる。

また、潤滑油の種類、粘度、添加剤の影響、及び学習モデルの切り替えにより、閾値がどのように変更されたかが把握できる。

また、可動部の配置箇所、比較対象値Ｓ、学習モデル式、学習モデル式に代入する値、異常判定の結果を表示するので、作業員、保全員又は監視員によりわかりやすく異常検出の状況を伝えることができる。また、システムへの信頼度が増すとともに、機器が異常となった場合の対応を講じやすくできる。

以上、本発明の実施形態を記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例及び運用技術が明らかとなろう。

なお、異常を検出する対象の機器は作業ロボット２に限定されるものでない。例えば、モータの代わりに自動車のエンジン、減速機の代わりにトランスミッションを用いてもよい。また、移動体の可動部、遊園地の遊具などの移動体、３次元プリンターなどの工作機械、すなわち可動部を有する全ての機器も対象にすることができる。また、その他の種類の機器を対象としてもよい。

また、異常検出装置１は、コンピュータ５と同様に遠隔地に配置し、必要な信号とデータを、通信回線を介して送受信して、機器の異常を検出してもよい。また、モータ制御部１１、センサ制御部１２、演算処理部１３、グリス情報取得部１４、通信部１７及び学習モデル用情報取得部１９の機能ブロックを、コンピュータを用いて構成することも可能である。

また、異常検出装置１による異常の検出は、故障の予知、予測にも使用できる。例えば、異常の発生から故障までの時間が既知である場合は、異常の検出は故障の予知、予測と言うことができる。

上述の各実施形態で示した各機能は、１又は複数の処理回路により実装され得る。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理装置は、また、実施形態に記載された機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置を含む。

１ 異常検出装置
２ 作業ロボット（機器）
１１ モータ制御部
１２ センサ制御部
１３ 演算処理部（制御部）
１４ グリス情報取得部
１５ 表示部
１６ 音声出力部
１７ 通信部
１８ 記憶部
１９ 学習モデル用情報取得部
２１ モータ（可動部）
２２ 減速機（可動部）
２３ センサ（振動センサ）
１３１ 信号処理部
１３２ 閾値取得部
１３３ 異常判定部
１３４ 計測結果出力部
１３５ 学習モデル生成部
１３７ 閾値算出部
１５０ 計測結果
２０１ 回転軸
Ａ、Ｂ、Ｃ グリスの種類
ｘ、ｘ１、ｘ２、ｘ３ グリスの粘度
Ｌ、Ｍ、Ｎ 粘度範囲
ＴＨ、ＴＨ１、ＴＨ２、ＴＨ３、ＴＨ１１、ＴＨ１２、ＴＨ１３、ＴＨ２１、ＴＨ２２、ＴＨ２３、ＴＨ３１、ＴＨ３２、ＴＨ３３ 閾値
Ｓ 比較対象値
Ｐ１、Ｐ２、Ｐ３ 学習モデル
ｔ、ｗ、ｅ 値（パラメータ）
Ｔ、Ｗ、Ｅ 値
Ｘ、Ｙ、Ｚ、ｃ 定数
ｔａ１、ｔａ２ 平均値
α、β 境界値

Claims (7)

1. 可動部を有する機器の所定の部位において検出された、振動の大きさを示す振動信号及び駆動量を示す駆動力信号の少なくとも一方により算出される、前記部位の状態に関するデータに基づいて前記機器の異常を検出する制御部を備える異常検出装置であって、
   前記制御部は、
   検出された前記部位の状態に関するデータと所定の閾値とを比較することにより、前記機器の異常を判断し、
   前記機器の前記可動部に使用される潤滑油の種類を取得し、取得した前記潤滑油の種類に応じて前記閾値を変化させることを特徴とする異常検出装置。
2. 前記制御部は、前記潤滑油の粘度を更に取得し、前記潤滑油の種類及び前記潤滑油の粘度に応じて前記閾値を変化させることを特徴とする請求項１記載の異常検出装置。
3. 前記制御部は、
   取得した前記種類の潤滑油を使用して前記機器が過去に異常を示さなかったときの前記機器に関するパラメータと、取得した前記種類の潤滑油を使用して前記機器が過去に異常を示したときの前記機器に関するパラメータとを含む学習モデルに対して学習アルゴリズムを適用することにより前記閾値を求めることを特徴とする請求項１記載の異常検出装置。
4. 前記制御部は、取得した前記潤滑油の種類とともに前記機器が異常か否か示す画像を表示させるよう制御することを特徴とする請求項１乃至３のいずれかに記載の異常検出装置。
5. 前記潤滑油の種類ごとに異常を判定するための判定モデルが記憶される記憶部を更に有し、
   前記制御部は、取得された前記機器の前記可動部に使用される潤滑油の種類に応じて前記判定モデルを切り替えることにより、前記閾値を変化させることを特徴とする請求項１記載の異常検出装置。
6. 前記判定モデルは、前記部位の状態に関するデータを機械学習技術による分析を行い生成されることを特徴とする請求項５記載の異常検出装置。
7. 可動部を有する機器の所定の部位において検出された、振動の大きさを示す振動信号及び駆動力を示す駆動力信号の少なくとも一方により算出される、前記部位の状態に関するデータに基づいて前記機器の異常を検出する異常検出方法であって、
   検出された前記部位の状態に関するデータと所定の閾値とを比較することにより、前記機器の異常を判断し、
   前記機器の前記可動部に使用される潤滑油の種類を取得し、取得した前記潤滑油の種類に応じて前記閾値を変化させることを特徴とする異常検出方法。

Images