JP6972971B2 - 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 - Google Patents

Description

本開示は、制御システム、機械学習装置、メンテナンス支援装置、データの生成方法、及びメンテナンス支援方法に関する。

特許文献１には、減速機の定格寿命、定格速度、及び定格トルクと、当該減速機の平均トルク及び平均回転速度と、に基づいて減速機の寿命を導出する方法が開示されている。

特開２０１３−１４４３４９号公報

本開示は、アクチュエータの減速機のメンテナンスをより適切な時期に行うのに有効な制御システム、機械学習装置、メンテナンス支援装置、データの生成方法、及びメンテナンス支援方法を提供することを目的とする。

本開示の一側面に係る制御システムは、減速機を含むアクチュエータにおける減速機の回転速度に関する第一情報と、減速機に作用するトルクに関する第二情報と、減速機のグリースの鉄粉濃度を示す第三情報とを対応付けて記憶したデータベースと、データベースに記憶された情報に基づく機械学習により、第一情報及び第二情報と第三情報との関係を示す濃度予測モデルを構築する第一モデル構築部と、を備える。

本開示の他の側面に係る機械学習装置は、減速機を含むアクチュエータにおける減速機の回転速度に関する第一情報と、減速機に作用するトルクに関する第二情報と、減速機のグリースの鉄粉濃度を示す第三情報とを対応付けて記憶したデータベースと、データベースに記憶された情報に基づく機械学習により、第一情報及び第二情報と第三情報との関係を示す濃度予測モデルを構築するモデル構築部と、を備える。

本開示の他の側面に係るメンテナンス支援装置は、減速機を含むアクチュエータにおける減速機の回転速度に関する第一情報と、減速機に作用するトルクに関する第二情報と、第一情報及び第二情報と減速機のグリースの鉄粉濃度を示す第三情報との関係を示す濃度予測モデルに、第一情報及び第二情報を入力して第三情報の予測値を導出する濃度予測部と、第三情報の予測値の経時的推移に基づいて、第三情報の上昇予測モデルを構築するモデル構築部と、上昇予測モデルに基づいて、減速機のメンテナンスの推奨時期を導出する第一メンテナンス支援部と、を備える。

本開示の他の側面に係るデータの生成方法は、減速機を含むアクチュエータにおける減速機の回転速度に関する第一情報と、減速機に作用するトルクに関する第二情報と、第一情報及び第二情報と減速機のグリースの鉄粉濃度を示す第三情報と、を対応付けた学習用データを取得することと、学習用データに基づく機械学習により、第一情報及び第二情報と第三情報との関係を示す濃度予測モデルを構築することと、を含む。

本開示の他の側面に係るメンテナンス支援方法は、減速機を含むアクチュエータにおける減速機の回転速度に関する第一情報と、減速機に作用するトルクに関する第二情報と、第一情報及び第二情報と減速機のグリースの鉄粉濃度を示す第三情報との関係を示す濃度予測モデルに、第一情報及び第二情報を入力して第三情報の予測値を導出することと、第三情報の予測値の経時的推移に基づいて、第三情報の上昇予測モデルを構築することと、上昇予測モデルに基づいて、減速機のメンテナンスの推奨時期を導出することと、を含む。

本開示によれば、減速機のメンテナンスをより適切な時期に行うのに有効な制御システム、機械学習装置、メンテナンス支援装置、データの生成方法、及びメンテナンス支援方法を提供することができる。

図１は、制御システムの全体構成を示す模式図である。 図２は、アクチュエータを備えるロボットの構成を示す模式図である。 図３は、制御システムの機能上の構成を示すブロック図である。 図４は、制御システムのハードウェア構成を示すブロック図である。 図５は、機械学習処理手順を示すフローチャートである。 図６は、モデル更新処理手順を示すフローチャートである。 図７は、メンテナンス推奨時期の導出処理手順を示すフローチャートである。 図８は、メンテナンス推奨時期の導出処理手順を示すフローチャートである。

以下、実施形態について、図面を参照しつつ詳細に説明する。説明において、同一要素又は同一機能を有する要素には同一の符号を付し、重複する説明を省略する場合がある。

〔制御システム〕
本実施形態に係る制御システムは、アクチュエータの制御システムであり、アクチュエータの減速機のメンテナンス時期の管理を行う。図１に示される制御システム１は、例えば、ワーク（不図示）に対して加工・組立等の作業を行う多軸ロボット１０を使用している現場において適用される。制御システム１は、例えば、多軸ロボット１０を制御するロボットコントローラ１００と、ロボットコントローラ１００に接続されたメンテナンス支援装置２００と、学習用の機械学習装置３００と、を備える。

多軸ロボット１０は、例えば、ワークに対して加工・組立等の作業を行う。図２に示されるように、多軸ロボット１０は、例えばシリアルリンク型の多関節ロボットであり、複数（例えば６軸）の関節軸Ｊ１〜Ｊ６及び複数（例えば３つ）の腕部Ａ１〜Ａ３と、関節軸Ｊ１〜Ｊ６をそれぞれ駆動することにより腕部Ａ１〜Ａ３を揺動させる複数のアクチュエータ１１〜１６と、を有する。

アクチュエータ１１〜１６は、それぞれ、モータ１７と、減速機１８と、センサ１９とを備える（図３参照）。モータ１７は、例えば電動モータであって、アクチュエータ１１〜１６の動力源として機能する。減速機１８は、モータ１７の回転トルクをモータ１７の回転速度よりも低い回転速度で関節軸Ｊ１〜Ｊ６に伝達する。センサ１９は、モータ１７の位置（回転角度）及び回転速度に関する情報（すなわち、減速機１８の入力軸側の回転角度及び回転速度に関する情報）を検出する。センサ１９は、例えばエンコーダであり、モータ１７の回転速度に比例した周波数のパルス信号を出力する。なお、センサ１９は、減速機１８の出力軸側の回転角度及び回転速度に関する情報を検出してもよい。

（ロボットコントローラ）
ロボットコントローラ１００は、多軸ロボット１０のアクチュエータ１１〜１６のモータ１７を制御する。ロボットコントローラ１００は、機能上の構成（以下、「機能モジュール」という。）として、位置制御部１０１と、速度制御部１０２と、トルク制御部１０３とを有している。

位置制御部１０１は、上位のコントローラ（例えばプログラマブルロジックコントローラ）等により設定された目標位置（目標回転角度）と、センサ１９からフィードバックされたモータ１７の実測位置（実測回転角度）とに基づいて、実測位置が目標位置に近づくように速度指令値を生成する。実測位置は、センサ１９から出力されたパルス信号のカウントにより取得可能である。例えば、位置制御部１０１は、目標位置と実測位置との偏差（以下、「位置偏差」という。）に対して比例演算、比例・積分演算、又は比例・積分・微分演算等を施して速度指令値を生成する。

速度制御部１０２は、位置制御部１０１により生成された速度指令値と、センサ１９からフィードバックされたモータ１７の実測回転速度とに基づいて、実測回転速度が速度指令値に近づくようにトルク指令値を生成する。実測回転速度は、センサ１９から出力されたパルス信号の周波数を検出することにより取得可能である。例えば、速度制御部１０２は、速度指令値と実測回転速度との偏差（以下、「速度偏差」という。）に対して比例演算、比例・積分演算、又は比例・積分・微分演算等を施してトルク指令値を生成する。

トルク制御部１０３は、速度制御部１０２により生成されたトルク指令値に応じたトルクをモータ１７に発生させるように、モータ１７に駆動電流を出力する。

ここで、アクチュエータ１１〜１６の減速機１８にバックラッシが発生した場合、このバックラッシによって減速機１８及び多軸ロボット１０の腕部Ａ１〜Ａ３が振動する。この振動において発生する慣性力が外乱となって、上述の位置偏差及び速度偏差に変動が生じ、当該変動を抑制するために速度指令値及びトルク指令値にも変動が生じる。すなわち、速度指令値及びトルク指令値の変動成分には、バックラッシに起因する変動成分も含まれる。

（メンテナンス支援装置）
メンテナンス支援装置２００は、減速機１８を含むアクチュエータ１１〜１６における減速機１８の回転速度に関する速度データ（第一情報）と、減速機１８に作用するトルクに関するトルクデータ（第二情報）と、速度データ及びトルクデータと減速機１８のグリースの鉄粉濃度を示す濃度データ（第三情報）との関係を示す濃度予測モデルに、速度データ及びトルクデータを入力して濃度データの予測値を導出することと、濃度データの予測値の経時的推移に基づいて、濃度データの上昇予測モデルを構築することと、上昇予測モデルに基づいて、減速機１８のメンテナンスの推奨時期を導出することと、を実行する。

メンテナンス支援装置２００は、減速機の回転速度及び当該減速機に作用するトルクと減速機のメンテナンスの推奨時期との関係を示す予測式に基づき導出される減速機のメンテナンスの推奨時期を、第一メンテナンス支援部により導出される減速機のメンテナンスの推奨時期に近付けるように予測式を修正することと、減速機の回転速度及び当該減速機に作用するトルクと予測式修正部により修正された予測式とに基づいて、減速機のメンテナンスの推奨時期を導出することと、を更に実行するように構成されていてもよい。

メンテナンス支援装置２００は、機械学習装置３００から濃度予測モデルのデータを受信することを更に実行するように構成されていてもよい。メンテナンス支援装置２００は、速度データ及びトルクデータと、濃度予測モデルに当該速度データ及び当該トルクデータを入力して導出された濃度データの予測値とを対応付けて機械学習装置３００に送信することを更に実行するように構成されていてもよい。

メンテナンス支援装置２００は、本体２０と、モニタ２１と、入力デバイス２２とを備える。モニタ２１は、例えば液晶モニタ等を含み、ユーザに対する情報表示に用いられる。入力デバイス２２は、例えばキーパッド等であり、ユーザによる入力情報を取得する。モニタ２１及び入力デバイス２２は、所謂タッチパネルのように一体化されていてもよい。また、本体２０、モニタ２１及び入力デバイス２２の全てが一体化されていてもよい。

本体２０は、機能上の構成（以下、「機能モジュール」という。）として、速度・トルクデータ取得部２０１と、濃度データ取得部２０２と、データ記憶部２０３と、データ送信部２０４と、モデル受信部２０５と、モデル記憶部２０６と、濃度予測部２０７と、モデル構築部２０８（第二モデル構築部）と、メンテナンス支援部２０９（第一メンテナンス支援部）と、予測式修正部２１０と、メンテナンス支援部２１１（第二メンテナンス支援部）と、を備える。

速度・トルクデータ取得部２０１は、上記速度データ及びトルクデータを取得してデータ記憶部２０３に保存する。例えば速度・トルクデータ取得部２０１は、速度データとして、ロボットコントローラ１００の速度制御部１０２からモータ１７の実測回転速度を取得し、トルクデータとして、ロボットコントローラ１００のトルク制御部１０３に入力されるトルク指令値を取得する。速度・トルクデータ取得部２０１は、速度データ及びトルクデータをこれらの取得時刻に対応付けてデータ記憶部２０３に保存する。なお、速度・トルクデータ取得部２０１は、速度データとして、速度制御部１０２に入力される速度指令値を取得してもよく、トルクデータとして、トルク制御部１０３からモータ１７の駆動電流を取得してもよい。

濃度データ取得部２０２は、減速機１８のグリースの鉄粉濃度に関する濃度データを取得する。濃度データは、減速機１８に充填されたグリースから上記所定期間経過時に測定された鉄粉濃度の実測値（以下、「実測鉄粉濃度」という。）と、速度データ及びトルクデータに基づいて導出された鉄粉濃度の予測値（以下、「予測鉄粉濃度」という。）とを含む。
実測鉄粉濃度は、例えば減速機１８からグリースを採取して測定することが可能である。実測鉄粉濃度は、所定時刻に作業者により測定され、濃度データ取得部２０２に入力される。予測鉄粉濃度の導出については後述する。濃度データ取得部２０２は、濃度データをその取得時刻に対応付けてデータ記憶部２０３に保存する。なお、濃度データの取得時刻は、実測鉄粉濃度の取得時刻及び予測鉄粉濃度の取得時刻の両方を含む。実測鉄粉濃度の取得時刻は、作業者がグリースを採取した時刻であってもよいし、実測鉄粉濃度を濃度データ取得部２０２が取得した時刻であってもよい。予測鉄粉濃度の取得時刻は、予測鉄粉濃度の導出完了時刻であってもよいし、予測鉄粉濃度の導出完了時刻よりも所定時間前の時刻であってもよい。

データ送信部２０４は、濃度データと、当該濃度データの取得時刻に対応する一定期間の速度データ及びトルクデータとを一セットにして（以下、この一セットを「学習用データセット」という。）を機械学習装置３００に送信する。なお、濃度データの取得時刻と上記一定期間との関係は、当該一定期間の速度データ及びトルクデータが濃度データに相関するように予め設定されている。例えば、上記一定期間は、濃度データの取得時刻の直前の期間であってもよいし、当該取得時刻を含む期間であってもよい。

モデル記憶部２０６は、速度データ及びトルクデータと濃度データとの関係を示す濃度予測モデルを記憶する。濃度予測モデルは、速度データ及びトルクデータの入力に応じて、予測鉄粉濃度を出力するプログラムモジュールである。濃度予測モデルの具体例としては、速度データ及びトルクデータを含む入力ベクトルと、濃度データを含む出力ベクトルとを結ぶニューラルネットが挙げられる。

モデル受信部２０５は、機械学習装置３００から濃度予測モデルのデータを受信する。濃度予測モデルのデータは、濃度予測モデル自体であってもよいし、濃度予測モデルを特定するためのパラメータ（例えばニューラルネットのノードの重み付けパラメータ）であってもよい。モデル受信部２０５は、機械学習装置３００から取得したデータによって、モデル記憶部２０６に記憶された濃度予測モデルを更新する。例えばモデル受信部２０５は、機械学習装置３００から取得したパラメータをモデル記憶部２０６に上書き保存する。

濃度予測部２０７は、データ記憶部２０３から一定期間の速度データ及びトルクデータ（以下、これらを「入力データセット」という。）を取得し、モデル記憶部２０６に記憶された濃度予測モデルに当該入力データセットを入力して上記予測鉄粉濃度を導出する。

モデル構築部２０８は、予測鉄粉濃度の経時的推移に基づいて、予測鉄粉濃度の未来の経時的推移を含む上昇予測モデルを構築する。例えばモデル構築部２０８は、データ記憶部２０３に所定数の新たな予測鉄粉濃度（モデル構築部２０８において上昇予測モデルの構築に用いられていない予測鉄粉濃度）が蓄積されたか否かを判断し、所定数の新たな予測鉄粉濃度が蓄積されたと判断したときには、当該所定数の予測鉄粉濃度に基づいて濃度データの上昇予測モデルを構築する。上昇予測モデルは、例えば減速機の総駆動時間と予測鉄粉濃度との関係を示す関数である。例えば、モデル構築部２０８は、当該所定数の予測鉄粉濃度に対する多項式補間等により、上昇予測モデルを構築する。

メンテナンス支援部２０９は、モデル構築部２０８から取得した上昇予測モデルに基づいて、減速機１８のメンテナンスの推奨時期を導出する。減速機１８のメンテナンスの推奨時期とは、例えば減速機１８のグリースの鉄粉濃度が所定の閾値に達する時期である。当該閾値は、過去の実績に基づいて予め設定されている。例えばメンテナンス支援部２０９は、上昇予測モデルに基づいて、上記予測鉄粉濃度が所定の閾値に達するまでの総駆動時間を減速機１８のメンテナンスの推奨時期（以下、「第一の推奨時期」という。）として算出する。なお、メンテナンス支援部２０９は、減速機１８のグリースの鉄粉濃度の上昇速度が所定の閾値に到達するまでの総駆動時間を第一の推奨時期として算出してもよい。メンテナンス支援部２０９は、導出した第一の推奨時期を表示するための画像データを生成し、モニタ２１に出力する。

予測式修正部２１０は、予測式に基づき導出される減速機１８のメンテナンスの推奨時期（以下、「第二の推奨時期」という。）を、メンテナンス支援部２０９により導出される第一の推奨時期に近付けるように予測式を修正する。予測式は、減速機１８の回転速度及び減速機１８に作用するトルクと、減速機１８のメンテナンスの推奨時期との関係を示す数式であって、例えば減速機の軸受の寿命予測式が挙げられる。例えば予測式修正部２１０は、次の式（１）で示される予測式に基づき導出される第二の推奨時期を第一の推奨時期に近付けるように補正係数Ａの値を修正する。なお、予測式修正部２１０は、第二の推奨時期と第一の推奨時期との関係を示すように予め設定された近似関数を修正（例えば係数を修正）してもよい。

Ｌ ：第二の推奨時期（ｈ）
Ｋ ：減速機１８の軸受の定格寿命（ｈ）
Ｎ０：減速機１８の定格速度（ｒｐｍ）
Ｎｎ：時間毎の減速機１８の回転速度（ｒｐｍ／ｈ）
Ｔ０：減速機１８の定格トルク（Ｎｍ）
Ｔｎ：時間毎の減速機１８のトルク（Ｎｍ／ｈ）
Ｐ ：減速機の１８の種類に応じて定められた定数

メンテナンス支援部２１１は、減速機１８の回転速度及び減速機１８に作用するトルクの設定値と予測式修正部２１０により修正された予測式とに基づいて、第二の推奨時期を導出する。メンテナンス支援部２１１は、上記設定値を例えば入力デバイス２２から取得する。メンテナンス支援部２１１は、第二の推奨時期を表示するための画像データを生成し、モニタ２１に出力する。メンテナンス支援部２１１は、第一の推奨時期と第二の推奨時期とを併せて表示するための画像データを生成してもよく、第一の推奨時期と第二の推奨時期との差分と、第一の推奨時期及び第二の推奨時期の少なくとも一方とを併せて表示するための画像データを生成してもよい。

（機械学習装置）
機械学習装置３００は、アクチュエータ１１〜１６における減速機１８の回転速度に関する速度データと、減速機１８に作用するトルクに関するトルクデータと、減速機１８のグリースの鉄粉濃度を示す濃度データとを対応付けて記憶することと、記憶した情報に基づく機械学習により、速度データ及びトルクデータと濃度データとの関係を示す濃度予測モデルを構築することと、を実行する。

機械学習装置３００は、メンテナンス支援装置２００から、速度データ及びトルクデータと、当該速度データ及び当該トルクデータを濃度予測モデルに入力して導出された濃度予測データとを受信することと、を更に実行するように構成されていてもよい。

機械学習装置３００は、機能上の構成（以下、「機能モジュール」という。）として、データ受信部３０１と、データベース３０２と、モデル構築部３０３（第一モデル構築部）と、モデル評価部３０４と、モデル記憶部３０５と、を備える。

データベース３０２は、減速機１８の回転速度に関する速度データと、減速機１８に作用するトルクに関するトルクデータと、減速機１８のグリースの鉄粉濃度を示す濃度データとを対応付けて記憶する。例えばデータベース３０２は、濃度データと、当該濃度データの取得時刻に対応する一定期間の速度データ及びトルクデータとを一セットにした上記学習用データセットを蓄積する。

データ受信部３０１は、メンテナンス支援装置２００のデータ送信部２０４から上記学習用データセットを受信し、データベース３０２に保存する。

モデル構築部３０３は、データベース３０２に記憶された情報に基づく機械学習により、速度データ及びトルクデータと濃度データとの関係を示す濃度予測モデルを構築する。例えばモデル構築部３０３は、上記学習用データセットに含まれる一定期間の速度データ及びトルクデータと、当該学習用データセットに含まれる実測鉄粉濃度との組み合わせを教師データとして、例えばディープラーニング等の機械学習処理により濃度予測モデルのパラメータ（例えばニューラルネットのノードの重み付けパラメータ）をチューニングする。

モデル記憶部３０５は、モデル構築部３０３により構築された濃度予測モデルを記憶する。モデル評価部３０４は、モデル構築部３０３が構築した濃度予測モデル（以下、「新モデル」という。）を評価し、評価結果に応じてモデル記憶部３０５の濃度予測モデルを更新する。具体的には、モデル評価部３０４は、データベース３０２に記憶されている予測鉄粉濃度（以下、「旧予測結果」という。）を含む学習用データセットの速度データ及びトルクデータを新モデルに入力して新たに予測鉄粉濃度（以下、「新予測結果」という。）を算出し、新予測結果及び旧予測結果のいずれが実測鉄粉濃度（当該学習用データセットに含まれる実測鉄粉濃度）に近いかを評価する。モデル評価部３０４は、旧予測結果に比較して新予測結果の方が実測鉄粉濃度に近い場合には、新モデルのデータをモデル記憶部３０５に上書き保存する。

図４は、制御システム１のハードウェア構成を示すブロック図である。図４に示されるように、ロボットコントローラ１００は、回路１２１を有する。回路１２１は、一つ又は複数のプロセッサ１２２と、記憶部１２３と、通信ポート１２４と、ドライバ１２５と、タイマ１２６とを有する。

記憶部１２３は、メモリ１２７及びストレージ１２８を含む。ストレージ１２８は、コンピュータによって読み取り可能に構成され、ロボットコントローラ１００の各機能モジュールを構成するためのプログラムを記録している。ストレージ１２８の具体例として、ハードディスク、不揮発性の半導体メモリ、磁気ディスク及び光ディスク等が挙げられる。メモリ１２７は、ストレージ１２８からロードしたプログラム及びプロセッサ１２２による演算結果等を一時的に記録する。プロセッサ１２２は、メモリ１２７と協働して上記プログラムを実行することで、各機能モジュールを構成する。

通信ポート１２４は、プロセッサ１２２からの指令に応じ、メンテナンス支援装置２００の通信ポート２２４（後述）との間で情報通信（例えば高速シリアル通信）を行う。ドライバ１２５は、プロセッサ１２２からの指令に応じてアクチュエータ１１〜１６を制御する。タイマ１２６は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。

メンテナンス支援装置２００の本体２０は、回路２２１を有し、回路２２１は、一つ又は複数のプロセッサ２２２と、記憶部２２３と、通信ポート２２４，２２５と、入出力ポート２２６と、タイマ２２７とを有する。

記憶部２２３は、メモリ２２８及びストレージ２２９を含む。ストレージ２２９は、上記データ記憶部２０３及びモデル記憶部２０６として機能し、且つ、上記メンテナンス支援装置２００の各機能モジュールを構成するためのプログラムを記録している。ストレージ２２９の具体例として、ハードディスク、不揮発性の半導体メモリ、磁気ディスク及び光ディスク等が挙げられる。メモリ２２８は、ストレージ２２９からロードしたプログラム及びプロセッサ２２２による演算結果等を一時的に記録する。プロセッサ２２２は、メモリ２２８と協働して上記プログラムを実行することで、各機能モジュールを構成する。

通信ポート２２４は、プロセッサ２２２からの指令に応じ、ロボットコントローラ１００の通信ポート１２４との間で情報通信（例えば高速シリアル通信）を行う。通信ポート２２５は、プロセッサ２２２からの指令に応じ、機械学習装置３００の通信ポート３２４（後述）との間で情報通信（例えば高速シリアル通信）を行う。入出力ポート２２６は、モニタ２１及び入力デバイス２２等との間で電気信号の入出力を行う。タイマ２２７は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。

機械学習装置３００は、回路３２１を有し、回路３２１は、一つ又は複数のプロセッサ３２２と、記憶部３２３と、通信ポート３２４と、タイマ３２５とを有する。

記憶部３２３は、メモリ３２６及びストレージ３２７を含む。ストレージ３２７は、上記データベース３０２及びモデル記憶部３０５として機能し、且つ、機械学習装置３００の各機能モジュールを構成するためのプログラムを記録している。ストレージ３２７の具体例として、ハードディスク、不揮発性の半導体メモリ、磁気ディスク及び光ディスク等が挙げられる。メモリ３２６は、ストレージ３２７からロードしたプログラム及びプロセッサ３２２による演算結果等を一時的に記録する。プロセッサ３２２は、メモリ３２６と協働して上記プログラムを実行することで、各機能モジュールを構成する。

通信ポート３２４は、プロセッサ３２２からの指令に応じ、メンテナンス支援装置２００の通信ポート２２５との間で情報通信（例えば高速シリアル通信）を行う。タイマ３２５は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。

なお、ロボットコントローラ１００，メンテナンス支援装置２００，機械学習装置３００のハードウェア構成は、必ずしもプログラムにより各機能モジュールを構成するものに限られない。例えばロボットコントローラ１００，メンテナンス支援装置２００，機械学習装置３００の各機能モジュールは、専用の論理回路又はこれを集積したＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）により構成されていてもよい。

〔濃度予測モデルのデータ生成方法〕
続いて、濃度予測モデルのデータ生成方法の一例として、制御システム１の機械学習装置３００及びメンテナンス支援装置２００が実行する処理の内容を説明する。この処理は、機械学習装置３００による機械学習処理と、メンテナンス支援装置２００によるモデル更新処理とを含む。以下、各処理の手順を説明する。

（機械学習処理手順）
図５は、機械学習処理手順を示すフローチャートである。図５に示されるように、機械学習装置３００は、まずステップＳ０１を実行する。ステップＳ０１では、データ受信部３０１が、上記一定期間の速度データ及びトルクデータと当該一定期間に対応する時刻の実測鉄粉濃度とを含む一つの学習用データセットがメンテナンス支援装置２００のデータ記憶部２０３に蓄積されるのを待機する。

次に、機械学習装置３００はステップＳ０２を実行する。ステップＳ０２では、データ受信部３０１が、メンテナンス支援装置２００のデータ送信部２０４から学習用データセットを取得し、データベース３０２に保存する。

次に、機械学習装置３００は、ステップＳ０３を実行する。ステップＳ０３では、モデル構築部３０３が、データベース３０２に所定数の新たな学習用データセット（機械学習に使用されていない学習用データセット）が蓄積されたか否かを判定する。データベース３０２に蓄積された新たな学習用データセットの数が所定数に達していないと判定した場合、機械学習装置３００は処理をステップＳ０１に戻す。以後、所定数の新たな学習用データセットがデータベース３０２に蓄積されたと判定するまで、機械学習装置３００は、学習用データセットの取得と保存を繰り返す。

ステップＳ０３において、所定数の新たな学習用データセットがデータベース３０２に蓄積されたと判定した場合、機械学習装置３００はステップＳ０４を実行する。ステップＳ０４では、モデル構築部３０３が、データベース３０２に記憶された情報に基づく機械学習により上記濃度予測モデルを構築する。

次に、機械学習装置３００は、ステップＳ０５を実行する。ステップＳ０５では、モデル評価部３０４が、上記新たな学習用データセットのいずれかが、旧モデル（例えば現在２０６に記憶されている濃度予測モデル）を用いて導出された上記旧予測結果を含むか否かを確認する。

ステップＳ０５において、新たな学習用データセットのいずれかが旧予測結果を含むと判定した場合、機械学習装置３００は、ステップＳ０６を実行する。ステップＳ０６では、モデル評価部３０４が、当該濃度予測データに対応する速度データ及びトルクデータを新モデル（モデル構築部３０３がステップＳ０５において今回構築した濃度予測モデル）に入力して、上記新予測結果を算出する。

次に、機械学習装置３００はステップＳ０７を実行する。ステップＳ０７では、モデル評価部３０４が、旧モデルと比較して新モデルの濃度予測データの予測精度が向上しているか否かを確認する。具体的には、モデル評価部３０４は、新予測結果が旧予測結果に比較して実測鉄粉濃度に近いか否かを確認する。

ステップＳ０７において、新予測結果が旧予測結果に比較して実測鉄粉濃度に近いと判定した場合、機械学習装置３００はステップＳ０８を実行する。ステップＳ０５において、新たな学習用データセットのいずれも予測鉄粉濃度を含まないと判定した場合、機械学習装置３００はステップＳ０６，Ｓ０７を実行することなくステップＳ０８を実行する。ステップＳ０８では、モデル評価部３０４が、新モデルのデータをモデル記憶部３０５に上書き保存する。以上で機械学習処理が完了する。ステップＳ０７において、旧予測結果が新予測結果に比較して実測鉄粉濃度に近いと判定した場合、機械学習装置３００はステップＳ０８を実行することなく機械学習処理を完了する。機械学習装置３００は、以上の機械学習処理を繰り返し実行する。

（モデル更新処理手順）
図６は、モデル更新処理手順を示すフローチャートである。図６に示されるように、メンテナンス支援装置２００は、まずステップＳ２１を実行する。ステップＳ２１では、モデル受信部２０５が、所定期間が経過するのを待機する。所定期間は、モデルの更新期間に合わせてユーザにより適宜設定される。

所定期間の経過後、機械学習装置３００は、ステップＳ２２を実行する。ステップＳ２２では、モデル受信部２０５が、濃度予測モデルが更新されたか否かを確認する。具体的には、モデル受信部２０５が機械学習装置３００のモデル送信部３０６を介してモデル記憶部３０５の濃度予測モデルの更新有無を確認する。

ステップＳ２２において濃度予測モデルが更新されたと判定した場合、メンテナンス支援装置２００は、ステップＳ２３を実行する。ステップＳ２３では、モデル受信部２０５が、機械学習装置３００のモデル送信部３０６から濃度予測モデルを受信し、受信した当該濃度予測モデルをモデル記憶部２０６に上書き保存する。以上でモデル更新処理が完了する。ステップＳ２２において、濃度予測モデルは更新されていないと判定した場合、メンテナンス支援装置２００はステップＳ２３を実行することなくモデル更新処理を終了する。メンテナンス支援装置２００は、以上のモデル更新処理を繰り返し実行する。

〔減速機のメンテナンス支援方法〕
続いて、減速機のメンテナンス支援方法の一例として、制御システム１のメンテナンス支援装置２００が実行する処理の内容を説明する。この処理は、上昇予測モデルによるメンテナンス推奨時期の導出処理と、予測式によるメンテナンス推奨時期の導出処理とを含む。以下、各処理の手順を説明する。

（上昇予測モデルによるメンテナンス推奨時期の導出処理手順）
図７は、モデルによるメンテナンス推奨時期導出処理手順を示すフローチャートである。図７に示されるように、メンテナンス支援装置２００は、まずステップＳ３１を実行する。ステップＳ３１では、濃度予測部２０７が、上記一定期間の速度データ及びトルクデータの新たな入力データセット（濃度予測に用いられていない入力データセット）がデータ記憶部２０３に蓄積されるのを待機する。

次に、メンテナンス支援装置２００はステップＳ３２を実行する。ステップＳ３２では、濃度予測部２０７が新たな入力データセットをモデル記憶部２０６の濃度予測モデルに入力し、予測鉄粉濃度を導出する。その後、濃度データ取得部２０２が当該予測鉄粉濃度をデータ記憶部２０３に保存する。

次に、メンテナンス支援装置２００は、ステップＳ３３を実行する。ステップＳ３３では、モデル構築部２０８が、データ記憶部２０３に所定数の新たな予測鉄粉濃度（上昇予測モデルへの入力に未使用の予測鉄粉濃度）が蓄積されたか否かを判断する。蓄積された新たな予測鉄粉濃度の数が所定数に達していないと判定した場合、メンテナンス支援装置２００は処理をステップＳ３１に戻す。以後、所定数の新たな予測鉄粉濃度がデータ記憶部２０３に蓄積されたと判定するまで、メンテナンス支援装置２００は、予測鉄粉濃度の導出と保存を繰り返す。

ステップＳ３３において、所定数の新たな予測鉄粉濃度がデータ記憶部２０３に蓄積されたと判定した場合、メンテナンス支援装置２００はステップＳ３４を実行する。ステップＳ３４では、モデル構築部２０８が、所定数の新たな予測鉄粉濃度に基づいて濃度データの上昇予測モデルを構築する。

次に、メンテナンス支援装置２００は、ステップＳ３５を実行する。ステップＳ３５では、メンテナンス支援部２０９が、上昇予測モデルに基づいて、上記第一の推奨時期（上昇予測モデルによる減速機１８のメンテナンスの推奨時期）を導出する。

次に、メンテナンス支援装置２００は、ステップＳ３６を実行する。ステップＳ３６では、メンテナンス支援部２０９が、第一の推奨時期を表示するための画像データを生成し、モニタ２１に出力する。

次に、メンテナンス支援装置２００は、ステップＳ３７，Ｓ３８を順に実行する。ステップＳ３７では、メンテナンス支援部２１１が、上記式（１）で示される予測式に基づき上記第二の推奨時期（予測式による減速機１８のメンテナンスの推奨時期）を導出する。ステップＳ３８では、予測式修正部２１０が、第二の推奨時期を、第一の推奨時期に近付けるように予測式を修正する。例えば予測式修正部２１０は、ステップＳ３７において算出された第二の推奨時期と、ステップＳ３５において算出された第一の推奨時期との比率を乗算して上記補正係数Ａの値を修正する。以上により、上昇予測モデルによるメンテナンス推奨時期の導出処理が完了する。メンテナンス支援装置２００は、以上のメンテナンス推奨時期の導出処理を繰り返し実行する。

（予測式によるメンテナンス推奨時期の導出処理手順）
図８は、予測式によるメンテナンス推奨時期導出処理手順を示すフローチャートである。図７に示されるように、メンテナンス支援装置２００は、まずステップＳ５１を実行する。ステップＳ５１では、メンテナンス支援部２１１が、減速機１８の回転速度及びトルクの設定値が入力デバイス２２に入力されるのを待機する。

回転速度のデータ及びトルクのデータの変更後、メンテナンス支援装置２００は、ステップＳ５２を実行する。ステップＳ５２では、メンテナンス支援部２１１が、入力された設定値と予測式修正部２１０により修正された予測式とに基づいて、上記第二の推奨時期を導出する。例えばメンテナンス支援部２１１は、上記の式（１）に基づいて第二の推奨時期を導出する。

次に、メンテナンス支援装置２００は、ステップＳ５３を実行する。ステップＳ５３では、メンテナンス支援部２１１が、第二の推奨時期を表示するための画像データを生成し、モニタ２１に出力する。以上により、予測式によるメンテナンス推奨時期の導出処理が完了する。メンテナンス支援装置２００は、以上のメンテナンス推奨時期の導出処理を繰り返し実行する。

〔本実施形態の効果〕
アクチュエータの制御システム１は、減速機１８を含むアクチュエータ１１〜１６における減速機１８の回転速度に関する速度データと、減速機１８に作用するトルクに関するトルクデータと、減速機１８のグリースの鉄粉濃度を示す濃度データとを対応付けて記憶したデータベース３０２と、データベース３０２に記憶された情報に基づく機械学習により、速度データ及びトルクデータと濃度データとの関係を示す濃度予測モデルを構築するモデル構築部３０３と、を備える。

この制御システム１によれば、機械学習により構築された濃度予測モデルに基づくことで、速度データ及びトルクデータから濃度データを高精度に予測することができる。このため、実測を伴わずに濃度データ（濃度予測データ）を経時的に蓄積することができる。経時的に蓄積された濃度予測データは、減速機１８のメンテナンス推奨時期を適切に導出することに寄与する。

アクチュエータの制御システム１は、濃度予測モデルに、速度データ及びトルクデータを入力して、濃度予測データを導出する濃度予測部２０７と、濃度予測データの経時的推移に基づいて、濃度データの上昇予測モデルを構築するモデル構築部２０８と、上昇予測モデルに基づいて、減速機１８のメンテナンスの推奨時期（第一の推奨時期）を導出するメンテナンス支援部２０９と、を更に備えていてもよい。この場合、高精度の濃度予測データにより高精度の濃度データの上昇予測モデルを構築することができる。この濃度データの上昇予測モデルに基づくことで、減速機１８のメンテナンスの推奨時期を適切に導出することができる。

アクチュエータの制御システム１は、減速機１８の回転速度及び当該減速機１８に作用するトルクと減速機１８のメンテナンスの推奨時期との関係を示す予測式に基づき導出される減速機１８のメンテナンスの推奨時期を、第一の推奨時期に近付けるように、予測式を修正する予測式修正部２１０と、減速機１８の回転速度及び当該減速機１８に作用するトルクと予測式修正部２１０により修正された予測式とに基づいて、減速機１８のメンテナンスの推奨時期（第二の推奨時期）を導出するメンテナンス支援部２１１と、を更に備えていてもよい。この場合、回転速度及びトルクと１８のメンテナンス推奨時期との関係を適切に示すように予測式を修正できる。このため、回転速度及びトルクを含む動作条件の変更の際に、鉄粉濃度の予測値の蓄積を待つことなく、修正後の予測式に基づいてメンテナンスの推奨時期を適切に導出することができる。

機械学習装置３００は、メンテナンス支援装置２００から、速度データ及びトルクデータと、当該速度データ及び当該トルクデータを濃度予測モデルに入力して導出された濃度予測データとを受信するデータ受信部３０１を更に備え、データベース３０２は、データ受信部３０１によって受信された速度データとトルクデータと濃度予測データとを対応付けて更に記憶してもよい。メンテナンス支援装置２００は、速度データ及びトルクデータと、濃度予測部２０７が濃度予測モデルに当該速度データ及び当該トルクデータを入力して導出された濃度予測データとを対応付けて機械学習装置３００に送信するデータ送信部２０４を更に備えていてもよい。この場合、メンテナンス支援装置２００における濃度予測モデルの使用実績を濃度予測モデルのブラッシュアップに活用することができる。

メンテナンス支援装置２００は、機械学習装置３００から、モデル構築部３０３によって構築された濃度予測モデルのデータを受信するモデル受信部２０５を更に備えていてもよい。この場合、機械学習装置３００における機械学習の結果をメンテナンス支援装置２００に転用することで、メンテナンス支援装置２００の処理負担を軽減できる。

以上、実施形態について説明したが、本発明は必ずしも上述した実施形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。

１…制御システム、１１〜１６…アクチュエータ、１８…減速機、２００…メンテナンス支援装置、２０４…データ送信部、２０５…モデル受信部、２０７…濃度予測部、２０８…モデル構築部（第二モデル構築部）、２０９…メンテナンス支援部（第一メンテナンス支援部）、２１０…予測式修正部、２１１…メンテナンス支援部（第二メンテナンス支援部）、３００…機械学習装置、３０１…データ受信部、３０２…データベース、３０３…モデル構築部（第一モデル構築部）。

Claims (12)

1. 減速機を含むアクチュエータにおける前記減速機の回転速度に関する第一情報と、前記減速機に作用するトルクに関する第二情報と、前記減速機のグリースの鉄粉濃度を示す第三情報とを対応付けて記憶したデータベースと、
   前記データベースに記憶された情報に基づく機械学習により、前記第一情報及び前記第二情報と前記第三情報との関係を示す濃度予測モデルを構築する第一モデル構築部と、
   前記濃度予測モデルに、前記第一情報及び前記第二情報を入力して、前記第三情報の予測値を導出する濃度予測部と、
   前記第三情報の予測値の経時的推移に基づいて、前記第三情報の上昇予測モデルを構築する第二モデル構築部と、
   前記上昇予測モデルに基づいて、前記減速機のメンテナンスの推奨時期を導出する第一メンテナンス支援部と、を備える、アクチュエータの制御システム。
2. 前記減速機の回転速度及び当該減速機に作用するトルクと前記減速機のメンテナンスの推奨時期との関係を示す予測式に基づき導出される前記減速機のメンテナンスの推奨時期を、前記第一メンテナンス支援部により導出される前記減速機のメンテナンスの推奨時期に近付けるように、前記予測式を修正する予測式修正部と、
   前記減速機の回転速度及び当該減速機に作用するトルクと前記予測式修正部により修正された前記予測式とに基づいて、前記減速機のメンテナンスの推奨時期を導出する第二メンテナンス支援部と、を更に備える、請求項１に記載のアクチュエータの制御システム。
3. 前記予測式は、前記減速機の軸受の寿命予測式である、請求項２に記載のアクチュエータの制御システム。
4. 減速機を含むアクチュエータにおける前記減速機の回転速度に関する第一情報と、前記減速機に作用するトルクに関する第二情報と、前記減速機のグリースの鉄粉濃度を示す第三情報とを対応付けて記憶したデータベースと、
   前記データベースに記憶された情報に基づく機械学習により、前記第一情報及び前記第二情報と前記第三情報との関係を示す濃度予測モデルを構築するモデル構築部と、
   前記第一情報及び前記第二情報を前記濃度予測モデルに入力して前記第三情報の予測値を導出する濃度予測部を有するメンテナンス支援装置から、前記第一情報及び前記第二情報と、当該第一情報及び当該第二情報を前記濃度予測モデルに入力して導出された前記第三情報の予測値とを受信するデータ受信部と、を備え、
   前記データベースは、前記データ受信部によって受信された前記第一情報と前記第二情報と前記第三情報の予測値とを対応付けて更に記憶する、機械学習装置。
5. 減速機を含むアクチュエータにおける前記減速機の回転速度に関する第一情報と、前記減速機に作用するトルクに関する第二情報と、前記第一情報及び前記第二情報と前記減速機のグリースの鉄粉濃度を示す第三情報との関係を示す濃度予測モデルに、前記第一情報及び前記第二情報を入力して前記第三情報の予測値を導出する濃度予測部と、
   前記第三情報の予測値の経時的推移に基づいて、前記第三情報の上昇予測モデルを構築するモデル構築部と、
   前記上昇予測モデルに基づいて、前記減速機のメンテナンスの推奨時期を導出する第一メンテナンス支援部と、を備える、メンテナンス支援装置。
6. 前記減速機の回転速度及び当該減速機に作用するトルクと前記減速機のメンテナンスの推奨時期との関係を示す予測式に基づき導出される前記減速機のメンテナンスの推奨時期を、前記第一メンテナンス支援部により導出される前記減速機のメンテナンスの推奨時期に近付けるように前記予測式を修正する予測式修正部と、
   前記減速機の回転速度及び当該減速機に作用するトルクと前記予測式修正部により修正された前記予測式とに基づいて、前記減速機のメンテナンスの推奨時期を導出する第二メンテナンス支援部と、を更に備える、請求項５に記載のメンテナンス支援装置。
7. 前記予測式は、前記減速機の軸受の寿命予測式である、請求項６に記載のメンテナンス支援装置。
8. 前記第一情報と前記第二情報と前記第三情報を対応付けて記憶するデータベースと、前記データベースに記憶された情報に基づく機械学習により前記濃度予測モデルを構築する第一モデル構築部と、を有する機械学習装置から、前記第一モデル構築部によって構築された前記濃度予測モデルのデータを受信するモデル受信部を更に備える、請求項５〜７のいずれか一項に記載のメンテナンス支援装置。
9. 前記第一情報及び前記第二情報と、前記濃度予測部が前記濃度予測モデルに当該第一情報及び当該第二情報を入力して導出された前記第三情報の予測値とを対応付けて前記機械学習装置に送信するデータ送信部を更に備える、請求項８に記載のメンテナンス支援装置。
10. 減速機を含むアクチュエータにおける前記減速機の回転速度に関する第一情報と、前記減速機に作用するトルクに関する第二情報と、前記第一情報及び前記第二情報と前記減速機のグリースの鉄粉濃度を示す第三情報との関係を示す濃度予測モデルに、前記第一情報及び前記第二情報を入力して前記第三情報の予測値を導出することと、
    前記第三情報の予測値の経時的推移に基づいて、前記第三情報の上昇予測モデルを構築することと、
    前記上昇予測モデルに基づいて、前記減速機のメンテナンスの推奨時期を導出することと、を含む、減速機のメンテナンス支援方法。
11. 前記減速機の回転速度及び当該減速機に作用するトルクと前記減速機のメンテナンスの推奨時期との関係を示す予測式に基づき導出される前記減速機のメンテナンスの推奨時期を、前記上昇予測モデルに基づいて導出される前記減速機のメンテナンスの推奨時期に近付けるように前記予測式を修正することと、
    前記減速機の回転速度及び当該減速機に作用するトルクと修正された前記予測式とに基づいて、前記減速機のメンテナンスの推奨時期を導出することと、を更に含む、請求項１０に記載の減速機のメンテナンス支援方法。
12. 前記予測式は、前記減速機の軸受の寿命予測式である、請求項１１に記載の減速機のメンテナンス支援方法。

Images