JP7042315B2 - 可動装置を予測保全する方法 - Google Patents

可動装置を予測保全する方法 Download PDF

Info

Publication number
JP7042315B2
JP7042315B2 JP2020172476A JP2020172476A JP7042315B2 JP 7042315 B2 JP7042315 B2 JP 7042315B2 JP 2020172476 A JP2020172476 A JP 2020172476A JP 2020172476 A JP2020172476 A JP 2020172476A JP 7042315 B2 JP7042315 B2 JP 7042315B2
Authority
JP
Japan
Prior art keywords
sensor data
vibration sensor
templates
vibration
similarity
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
JP2020172476A
Other languages
English (en)
Other versions
JP2021079537A (ja
Inventor
ウェイ ヒュアン
チェタン グプタ
アーメド カイリー ファラハット
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of JP2021079537A publication Critical patent/JP2021079537A/ja
Application granted granted Critical
Publication of JP7042315B2 publication Critical patent/JP7042315B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • 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
    • G05B2219/37351—Detect vibration, ultrasound
    • 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
    • G05B2219/37435—Vibration of machine

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Manipulator (AREA)

Description

本開示は、可動装置の振動測定値を利用した予測保全に関する。
ロボットアームは、異なる作業タスクを実行するように制御又は再プログラミング可能な、電動機械式マニピュレータである。通常、その終端点は作業中に移動でき、その運動動作は計画又はプログラミングによって制御できる。
可動機構を有するこのような装置の動き及び振動を監視するため、異なるタスクや用途に応じて、様々な振動センサが利用されている。加速度センサは、産業機械の監視における振動測定のために、最も一般的に使用されているタイプのセンサである。加速度センサが物体に取り付けられると、速度の変化率である加速度を測定する。
装置の振動は、加速度計のような装着された振動センサを使用して測定できる。振動は、基準の位置についての振動運動として定義される。振動測定の一般的な例は、基準又は平衡が安定な物体である静的物体（例えば、電動機、タービン、ベアリング）を監視することを含む。振動測定のより複雑な例は、例えば、ロボットアームなどの移動物体の運動の監視である。
一つの関連技術において、振動信号解析は、ベアリング、モータ及びギアボックスを有する装置や回転機械のような、産業用装置の予測保全タスクのために使用されている。一般に、関連技術の方法は、３つのカテゴリに分類できる。（１）時間領域解析、（２）周波数領域解析、及び（３）時間－周波数領域解析である。
振動データに基づいて装置の健全性状態を監視するために、関連技術は、正常から故障までの劣化状態に関する傾向を表す特徴量（健全性指標）を、振動データから、領域専門家の知識又は特徴量抽出法に基づいて開発することを目的とする。時間領域解析において、振動信号から、平均、二乗平均平方根（ＲＭＳ）、分散、ピーク対ピーク値、歪度及び尖度などの、統計的特徴量を抽出し、正常状態と故障状態との間の相違を特定する。
一つの関連技術において、加速度計測定値から抽出された時間領域特徴量が使用され、正常状態の振動構造と異なる振動構造を発生させたローラベアリング表面の欠陥が検出される。小さい表面欠陥の状態と正常状態との間の振動構造における相違を監視することで、欠陥を特定できる。
一つの関連技術において、高速フーリエ変換（ＦＦＴ）は、予測保全タスク、特にベアリングの故障検出のための周波数領域解析において利用される。ベアリングで測定された振動信号が与えられると、ＦＦＴは、転動体と欠陥点との間の周期的な接触に起因する特定の障害の反復インパルス周期の突出した周波数を測定する。これにより、ベアリングの欠陥を検出できる。
一つの関連技術において、モータの振動信号が、ＦＦＴを介したスペクトル解析を用いて解析される。三つの故障例（アンバランス、機械的緩み、及びベアリング障害）の振動データのスペクトルを、健全なモータのスペクトルと比較することによって、各障害状態に対応する特定の固有周波数が特定される。関連技術は、回転機械システムにおける特定の障害が、振動解析を用いて決定できることを示す。ＦＦＴを使用することで、ボールベアリング障害を有する誘導モータ及び有していない誘導モータから取得された振動信号の周波数スペクトルが比較される。障害に関する特徴的な周波数が観察及び計算される。
ＦＦＴは、定常な（ｓｔａｔｉｏｎａｒｙ）周期的信号において効果的に実行される。しかし、ＦＦＴの実装における重要な制限は、所与の信号に対する時間変化の特性を提供できなかったことである。ＦＦＴは、提供できる大域スペクトルは、定常信号に対してのみである。定常ではない信号に対して、ＦＦＴは異なる周波数での振動の時間情報を提供することができなかった。
非定常（ｎｏｎ－ｓｔａｔｉｏｎａｒｙ）振動信号を使用した解析アプローチは、ロボットアームのような非常に複雑な振動測定値を伴う装置の健全性監視や予測保全のために利用されている。振動信号解析において、時間周波数領域における関連技術の手法が広く利用されており、過渡的信号又は時間変化する特性を有する非定常機械振動信号の監視において有効であることが知られている。
短時間フーリエ変換（ＳＴＦＴ）は、ＦＦＴの限界を克服するために開発され、スライド窓を用いて、信号全体の小さなセグメントに毎回ＦＦＴを適用する。このため、ＳＴＦＴは、信号の局所的な周波数情報を捉え、信号における経時的な周波数変化を監視することができる。ＳＴＦＴの限界は、時間領域と周波数領域の双方で同時に高分解能を達成することができないことであり、これは不確定性原理又はハイゼンベルグの不等式として知られる。
一つの関連技術において、ＳＴＦＴは、可変速度モータのボールベアリングにおける振動測定に基づく損傷検出のための特徴量抽出のために実装される。振動信号は、まず、モータのスピードプロファイルに基づいてセグメント化され、ＳＴＦＴスペクトログラムは、時間周波数領域においてサイクルごとに平均化され、局所的な障害指標を強化する。平均化されたＳＴＦＴ係数の積分は、損傷の指標として使用される。
ウェーブレット解析は、関連技術において利用され、時間に対し急速に変化する周波数を有する信号を解析し、局所的な特徴、過渡的な信号又は時間変化する特性を捉えることができる。ウェーブレット解析は、可変／スケーリングサイズを持つ窓関数を利用して、一連の時間－周波数分解能を達成する。ウェーブレット変換のスケーリングによる多分解能特性は、低い周波数に対するより大きな時間幅を提供し、高い周波数に対して小さな時間グリッドを維持することができる。したがって、ウェーブレット変換は、異なる周波数スケールにおける分解された成分の系列によって、異なる時間において異なる時間窓内の特徴を捉えることができる。
加速度センサからの振動測定値に対するウェーブレット解析は、ベアリングの状態監視における有用なツールであることが示されており、そこでは、離散ウェーブレット変換（ＤＷＴ）を利用して、異なる周波数スケールにおいて振動信号を分解する。各分解レベルにおける振動エネルギ保持量を参照することによって、各分解レベルの平均平方根（ＲＭＳ）が算出される。その結果に基づいて、欠陥のあるベアリングは、数レベルの分解後のＲＭＳ値の維持に大きな偏差を示す。関連技術では、ウェーブレットパケットの分解及び異なる周波数帯域におけるエネルギ分析は、ローリングベアリングの障害診断に使用される。振動信号は、異なる種類のウェーブレットを用いて異なる周波数帯域に分解され、異なる周波数帯域における信号エネルギ（例えば、平均エネルギ、レベル間のエネルギ差等）の分析に基づいて、異なる特徴が抽出される。そして、サポートベクターマシン（ＳＶＭ）が、障害の分類に使用される。その結果は、関連技術が、ローイングベアリングにおける異なる障害カテゴリ及び重大性を、確実に特定できることを示している。
DOGUER, T. et al. "Vibration Analysis using Time Domain Methods for the Detection of small Roller Bearing Defects" SIRM 2009 - 8th International Conference on Vibrations in Rotating Machines, February 23 - 25, 2009, pp. 23-25, Vienna, Austria (12 pages)
しかし、上記関連技術は、いくつかの課題がある。例えば、１つの課題は、欠陥又は故障を検出するための単純な閾値処理メカニズム又は比較メカニズムを使用することである。この閾値処理又は比較は、時間領域における信号のエネルギ（例えば、振動ピーク）、時間領域、周波数領域又は時間周波数領域において抽出された統計的特徴、及び周波数スペクトル上の様々な周波数における信号のエネルギレベルのような、１つ又は複数の抽出された特徴において起こり得る
そのような関連技術は、多くの誤報を生成し、重要な故障を容易に見逃し得る。これは、非静的なロボットアームからの振動信号は、通常、ノイズが多く複雑であるからである。非静的な装置の正常動作からの逸脱は、典型的には、振動信号上の複雑なパターンによって特徴付けられる。これは、正常な振動信号との比較において、振動信号の形状及び複雑な振動情報の双方を考慮することができる、より複雑な異常スコアリング関数の重要性を示す。
関連技術における他の課題は、装置が実行しているタスクを考慮することなく、振動信号の異常を検出することである。関連技術は、多くの誤報を発生し、重要な故障を見逃し得る。異なるタスク又は作業に対応する振動測定値は、非常に異り得る。固定パラメータを使用した障害検出アプローチは、動的な作業条件や様々な作業タスクを有する装置に対して、有効ではない可能性がある。これは、各タスクの正常動作を捉えるテンプレートのライブラリを構築することの重要性を示す。
本発明の一態様に係る方法は、複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、前記複数のテンプレートの中から基準テンプレートを選択し、前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含む。
本発明の一態様は、コンピュータ装置の処理を実行させる命令を含むプログラムであって、前記処理は、複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、前記複数のテンプレートの中から基準テンプレートを選択し、前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含む。
本発明の一態様のシステムは、複数のタスクを実行するように構成された可動装置の振動センサデータを受信する手段と、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出する手段と、前記複数のタスクのための予測保全モデルに前記類似度係数を入力するする手段と、を含み、前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、前記振動センサデータの特徴量抽出を行って前記振動センサデータと複数のテンプレートとの間の類似度係数を算出する手段は、前記複数のテンプレートの中から基準テンプレートを選択する手段と、前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成する手段と、前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成するする手段と、を含む
本発明の一態様は、複数のタスクを実行するように構成された可動装置に通信可能に接続された装置であって、プロセッサを含み、前記プロセッサは、複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、前記複数のテンプレートの中から基準テンプレートを選択し、前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含む。
例示的な実装に係る、装置の簡略化された性能劣化曲線の例を示す。 例示的な実装に係る、振動測定値に基づく予測保全ソリューションの処理例を示す。 例示的な実装に係る、訓練セットを与えられたソリューションの学習フェーズの処理例を示す。 例示的な実装に係る、与えられた振動信号のための特徴量抽出処理の例を示す。 例示的な実装に係る、現在の振動測定信号が与えられた適用フェーズのための処理例をす。 例示的な実装に係る、振動信号クラスタリングアプローチの例を示す。 例示的な実装に係る、ＤＷＴを使用した４レベル分解の２分木表現を示す。 例示的な実装に係る、管理情報の例を示す。 例示的な実装に係る、システムの物理的な構造の例を示す。 いくつかの例示的な実装で使用するのに適した例示的なコンピュータ装置を備えたコンピューティング環境例を示す。 例示的な実装に係る、学習フェーズ及び適用フェーズのための基準テンプレートを選択するためのフロー例を示す。 例示的な実装に係る、学習フェーズ及び適用フェーズのための基準テンプレートを選択するためのフロー例を示す。 例示的な実装に係る、テンプレートを選択するためのフロー例を示す。
以下の詳細な説明は、本願の図及び実施例のさらなる詳細を提供する。図面間の冗長要素の参照番号及び説明は、明確にするために省略されている。説明全体で使用される用語は例として提供されており、限定することを意図したものではない。例えば、「自動」という用語の使用は、本願の実装を実施する当業者の所望の実装に応じて、実装の特定の側面に対するユーザまたは管理者の制御を伴う完全自動または半自動実装を含み得る。選択は、ユーザがユーザインターフェイスまたは他の入力手段を介して実行するか、目的のアルゴリズムを使用して実装できる。本明細書で説明される実施例は、単独でまたは組み合わせて利用することができ、実施例の機能は、所望の実装による任意の手段を通じて実装することができる。
ロボットアームは、産業の異なる分野及び異なる用途において広く使用されている。振動センサは、通常、ロボットアームの端点に取り付けられ、ロボットアームの作業中、その動き及び振動を測定する。振動測定値は、通常、高サンプリング周波数で送信される。
ロボットアームは静的ではない。ロボットアームは作業の間に移動し、作業条件は異なる（例えば、負荷及び移動速度等）。したがって、それらの振動信号は複雑である、つまり、非定常、非線形、そして時間変化する特性を有する。このような可動物体の監視において、振動センサの測定値は、時間経過と共に変化し得る平衡点を伴う異なるレートでの振動の組み合わせである。時に、非定常な過渡現象が重畳される。ギアボックス内部の亀裂や疲労などの多くの障害は、障害要素の損傷面が噛み合ったときの急激な振動変化に起因する振動信号における異常な過渡現象を発生させ得る。いずれの故障も、機械振動の変化を引き起こす可能性があり、欠陥及び摩耗レベルのそれぞれが、固有の振動信号（ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｔｕｒｅ）を持ち得る。
したがって、装置の振動を測定、監視及び分析することは、健全性監視及び予測保全のために、重要であり得る。振動測定値は、内部損傷又は故障の存在を特定し、装置の性能を評価するために使用できる。例示的実装は、振動測定値に基づいたロボットアームの予測保全のためのアルゴリズムを含むことができる。このアルゴリズムは、二つのフェーズを利用する。それらは、学習フェーズと適用フェーズである。
図１は、例示的な実装に係る、装置の性能劣化曲線の簡略化された例を示す。図１に示すように、装置の履歴全体にわたって、装置の性能は、劣化の発症後に最終的に故障するまで劣化する。正常期間において、装置の性能は一定を維持するがが、一旦劣化が発症すると、故障が発生するまで性能は劣化し続ける。
図２は、例示的な実装に係る、振動測定値に基づく予測保全ソリューションのための処理例を示す。学習フェーズ２００において、３つのステップが存在し、それらは、クラスタリング及びテンプレート構築２０１、特徴量抽出２０２、及び予測保全（ＰｄＭ）モデルの学習２０３である。
クラスタリング及びテンプレート構築２０１のステップにおいて、アルゴリズムは、訓練データ２２０の正常期間（例えば、装置の初期の使用段階で測定されたデータ、又は保全若しくは修理後の期間に測定されたデータ）に、クラスタリングアプローチを適用して、装置が実行している異なるタスクに対応する可能性がある動きの異なるクラスタを特定することによって、振動信号の変動性を捉える。振動測定値の各クラスタに対して、クラスタの正常挙動を記述するいくつかの代表的なテンプレートを選択し、テンプレートセットに含める。クラスタリングステップにおいて、テンプレートセットが、クラスタリングモデルと共に学習され、次の特徴量抽出及びＰｄＭモデルの学習ステップで使用される。さらなる詳細は、図１１（ａ）及び図１１（ｂ）を参照して説明される。
特徴量抽出２０２のステップにおいて、アルゴリズムは、全訓練データセット（装置の正常状態から故障状態までの測定信号を含む）を受け取り、類似度推定関数を適用して特徴量抽出を実行する。類似度推定関数は、２つの振動信号間の類似度を表す類似度係数の集合を算出できる。このステップにおいて、訓練データにおける各振動信号について、アルゴリズムは、まず、基準テンプレート選択処理を適用することによって、その理想的な参照基準としての正しいテンプレートを割り当て、次に、各振動信号とその理想的な参照基準との間の類似度を表す類似度係数の集合を特徴量として算出する。これら類似度係数は、異なる時間周波数スケールレベルにおける、各振動信号の理想例からの偏差を記述する。現在の振動信号と対応する理想テンプレートとの間で測定された類似度係数を外挿することによって、ロボットアームシステムの現在の性能を推定できる。
ＰｄＭモデルの学習２０３のステップにおいて、アルゴリズムは、特徴量として抽出された類似度係数を、故障例から生成された対応するラベルと共に使用して、異なるＰｄＭタスクのための機械学習モデルを構築する。ＰｄＭタスクは、１）障害検出、2）故障予測、3）残存耐用年数推定を含む。
このフェーズにおいて、異なる作業での、装置の正常動作を表すテンプレートの集合と、クラスタの重心として表されるクラスタリングモデルが、ＰｄＭタスクのための機械学習モデルと共に、適用フェーズ２１０における使用のために学習される。
適用フェーズ２１０は、ロボットアームのＰｄＭのためのアルゴリズムの展開段階である。このフェーズにおいて、アルゴリズムは、現在の振動測定が与えられると、装置の現在の性能を推定する。各現在の振動信号に対して、アルゴリズムは、学習フェーズで学習された、正常テンプレートとテンプレートマッチングのためのクラスタリングモデルを取得し、特徴量抽出２１１を実行し、類似度係数の集合を特徴量として出力する。そして、関連するＰｄＭタスクに対して学習フェーズ２００で学習した機械学習モデルが採用され２１２、現在の振動信号から抽出された類似度係数に基づき予測又は推定が行われる。
図２に示すように、例示的な実装は、作業中の端点の動き及び振動を測定するために取り付けられた振動センサを有するロボットアームの予測保全のためのソリューションに向けらる。本明細書に記載された例示的な実装は、ロボットアームに取り付けられたセンサからの複雑な振動測定値に基づく包括的な異常スコアリング機能として動作し得る、新規な類似度推定機能を提供する。振動測定値は、通常、高いサンプリング周波数で与えられる。ロボットアームシステムの端点で測定された振動信号は、より高次の振動が重畳された一般的な運動シグネチャ（ｍｏｖｅｍｅｎｔ ｓｉｇｎａｔｕｒｅ）を含み得る。一般的な運動シグネチャは、作業中のロボットアームの移動軌跡を記述する。より高次の振動は、異なるレートでの様々な振動の組み合わせであり、重畳された非定常な過渡現象（局所的な時間周波数特性を持つ）でもある。どのような故障も、装置が正常な時に測定された振動と比較して、機械の振動信号に変化を与え得る。全ての欠陥及び摩耗レベルは、通常の振動測定値と異なる、対応する固有の振動シグネチャ（ｕｎｉｑｕｅ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｔｕｒｅ）を含み得る。これらの相違は、正常測定値からの逸脱であり、作業全体における振動信号に渡る大域的なパターン、又は、特定の局所的な時間周波数特性を持つ過渡的なパターンを含み得る。
例示的な実装において、包括的な異常スコアの計算を可能とする類似性推定機能を使用した、複雑な振動測定値に基づく、ロボットアームの予測保全のためのソリューションが提供される。類似性推定機能は、ロボットアームが実行している全ての可能な作業条件又はタスクを考慮するために採用される。図２の一般的な処理図に示すように、ソリューションは、２つのフェーズ、つまり、学習フェーズ２００と適用フェーズ２１０を含む。訓練データ２２０が学習フェーズ２００において使用され、振動テンプレート、振動信号クラスタリングモデル、及びＰｄＭモデルが構築される。学習フェーズ２００の完了後、適用フェーズ２１０において現在の振動信号が与えられると、ソリューションは、装置の現在の性能の推定／予測２３０を提供できる。
学習フェーズ２００で使用される訓練データセット２２０は、ロボットアームシステムの多数の故障例からの振動信号を含んでいる。ロボットアームシステムには振動センサが取り付けられ、正常状態から故障状態までの作業中の動きを連続的に測定する。訓練データセット２２０において、正常な期間に測定された振動信号が、クラスタリング及びテンプレート構築２０１のステップで使用される。次の特徴量抽出２０２及びＰｄＭモデル構築２０３のステップは、訓練データセット全体にわたって実行され、関連するＰｄＭタスクのための機械学習モデルが生成される。
図３は、例示的な実装に係る、訓練データセットが与えられたソリューションにおける学習フェーズの処理例を示す。
クラスタリング及びテンプレート構築２０１の処理において、訓練データ３００の正常な期間（例えば、装置の初期使用段階、又はメンテナンス若しくは修理後の期間に測定されたデータ）を使用して、動きの異なるグループを識別することにより、振動信号の変動性を捉える。動きの異なるグループは、装置が実行している異なるタスク又は異なる作業条件に対応し得る。クラスタリング３０１において、正常な元の多変量振動信号をベクトル化して、等しい要素数の複数の１次元ベクトルを生成する。
そして、クラスタリングアルゴリズムを適用して、グループ化を実行する。可動装置が行うように構成されている複数のタスクは、それらグループから導出／特定され得る（例えば、各グループは、正常な挙動中の基礎となるラベル付けされたデータに基づき、対応するタスクに関連付けられる）。そして、振動測定値の各グループに対して、そのグループの正常な挙動を記述する多数の代表的なテンプレートが選択され、テンプレートセットに含まれる。
テンプレート選択３０２は、既存のテンプレートに最大の相関関係を持つ振動信号を、ある値未満の値で漸増的に追加するためのしきい値機構に基づく。各グループに対して複数のテンプレートを選択する理由は、各動きのグループにある程度の正常な変動を許容するためである。このステップにおいて、正常な挙動を表すテンプレートの集合は、クラスタの重心として表されるクラスタリングモデルと共に、学習され、次の特徴量抽出及びＰｄＭモデルの学習のステップで使用される。
図４は、例示的な実装に係る、所与の振動信号に対する特徴量抽出処理例を示す。
特徴量抽出２０２の処理において、アルゴリズムは、全訓練データセット３１０（例えば、装置の正常状態から故障状態までの測定信号を含む）を取得し、類似度推定機能を適用して、特徴量抽出を実行する。類似度推定機能は、２つの振動信号間の類似度を表す類似度係数の集合を算出できる。訓練データに含まれる各振動信号に対して、アルゴリズムは、まず、クラスタリングモデルを使用したテンプレートマッチングを実行することによって、その理想的な参照基準としての正しいテンプレートを割り当てる（４００）。
そして、時間－周波数分解４０１を振動信号４１０及びその理想的な参照基準に適用して、それらを特定レベルの成分信号に分解する。ここで、異なるレベルは、詳細情報の異なるレベルを表す異なる周波数スケールでの情報を運ぶ。次に、アルゴリズムは、類似度係数を４０２で計算することにより、各分解レベルにおける２つの元の信号を比較する。
本例の解決策において、各分解されたレベルで計算される２つの類似度が存在する。それらは、相関係数と距離係数である。最後に、様々なレベルでの類似度係数を連結して、類似度係数４０３の１次元ベクトルを形成する。類似度係数４０３は、異なる時間－周波数スケールレベルでの各振動信号の理想的な例からの偏差を記述する、抽出された特徴量である。現在の振動信号と対応する理想的なテンプレートとの間で測定された類似度係数を外挿することにより、ロボットアームシステムの現在の性能を推定することができる。
例示的な実装において、任意の時間－周波数分解技術を適用することができる。離散ウェーブレット変換は、分解を容易にできる例である。２つの時系列間の相関や距離を計算する方法を適用して、相関係数や距離を推定することができる。相互相関係数は、相関係数を算出する方法の例である。動的時間ゆがみは、距離係数を推定する方法の例である。
ＰｄＭモデル２０３を学習するために、アルゴリズムは、特徴量として抽出された類似度係数を、対応するラベルと共に使用して、ＰｄＭタスクのための機械学習モデルを構築する。ＰｄＭタスクは、１）障害検出、２）故障予測、および３）残存有用寿命推定を含む。
このフェーズが完了すると、異なる作業における装置の正常な動作を表すテンプレートの集合、クラスタリングモデル、及びＰｄＭタスクのための機械学習モデルが、適用フェーズ２１０での使用のために学習される。
図５は、例示的な実装に係る、現在の振動測定信号が与えられた適用フェーズの処理を示す。適用フェーズ２１０は、ロボットアームのＰｄＭのためのアルゴリズムの展開段階である。このフェーズにおいて、アルゴリズムは、現在の振動測定信号５００を与えられた、装置の現在の性能を推定する。
現在の各振動信号５００に対して、アルゴリズムは、学習フェーズ２００で学習したテンプレートマッチングのための正常テンプレート及びクラスタリングモデルを取得し、特徴量抽出２１１を行い、類似度係数の集合を特徴量として出力する。そして、学習フェーズ２００で学習した関連するＰｄＭタスクのための機械学習モデルを適用して２１２、現在の振動信号から抽出した類似度係数に基づく予測又は推定５１０を提供する。
通常、センサ測定値は、いくつかの予め定義されたサンプリング周波数を有する高い周波数の一変量又は多変量の時系列である。各振動データファイルは、１つの作業処理中のロボットアームの振動測定値を記録する。これらの振動データファイルは、破壊記録機構に起因して、異なる時間を有し得る。スマートロボットアームは、通常、作業処理の開始及び終了についてのトリガ信号を有しており、そのため、振動測定値はセグメント化されてそれぞれ個別のファイルに保存され、各ファイルは作業処理の１サイクルに対応する。各データファイルは、ロボットアームの端点に取り付けられたＭ次元振動センサからのＭ次元実値測定値を含み、これは次のように表すことができる。
Figure 0007042315000001
ここで、各Ｖiは、長さＮを有する、振動測定値の１位次元系列である。
Figure 0007042315000002
例えば、ロボットアームの端点に取り付けられた一つの直交座標空間３軸加速度センサは、直交座標空間３次元振動測定値を出力する。より高次の振動センサ又はセンサの組み合わせからの測定された任意の高次の測定値は、所望の実装に応じて、より高次元の振動信号を測定できる。
図６は、例示的な実装に係る、振動信号クラスタリングアプローチの例を示す。具体的には、図６は、振動信号クラスタリング３０１の例を示す。ロボットアームの異なるタスク又は作業に対応する振動信号は、非常に異なったものであり得る。ロボットアームシステムの端点で測定された振動信号は、より高次の振動が重畳された一般的な運動シグネチャ（ｇｅｎｅｒａｌ ｍｏｖｅｍｅｎｔ ｓｉｇｎａｔｕｒｅ）を含む。
一般的な運動シグネチャは、１つの作業における端点の移動軌跡を記述し、これは、振動信号を異なるグループに分離するクラスタリングアプローチで使用され、各グループは、装置の異なるタスク又は作業に対応し得る。クラスタリングアプローチは、ベクトル化段階６００及びグループ化段階６１０の２つのステージを含む。ベクトル化段階６００において、以下の２つのステップが存在する。
元のＭ次元振動信号の要約６００：このステップにおいて、スライド平均化窓を用いて振動の変動を平滑化し、元の振動信号から一般的な運動軌跡を運動シグネチャとして抽出する。各Ｍ次元の元の振動信号の抽出された運動シグネチャも、元の振動信号と同じ長さのＭ次元である。
Ｍ次元運動シグネチャを連結６０１：このステップにおいて、抽出されたＭ次元運動シグネチャを各次元において固定長ｎ（例えば、ｎ＝５０）にダウンサンプリングし、そして、連結して１次元ベクトルを形成する。ベクトル化ステップの出力は，長さＮ＝Ｍ×ｎを有する１次元ベクトルである。
グループ化段階６１０において、ベクトル化段階からの１次元ベクトルは、任意の教師なしクラスタリングアルゴリズム（例えば、ｋ－ｍｅａｎｓ）への入力であり、教師なしクラスタリングアルゴリズムは、例示的な実装に係るグループ化タスクを実行する。
図７は、例示的な実装に係る、ＤＷＴを使用した４レベル分解の２分木表現を示す。特徴量抽出２０２のために、２つの多変量振動信号間の類似度を計算するための類似度推定機能４０２が構成される。この類似度推定機能４０２は、振動に存在する複雑なパターンを考慮する。２つの振動信号は、まず、様々な時間－周波数スケールに分解される。
時間－周波数分解４０１において、ウェーブレット解析を採用して、元の振動信号を、ウェーブレット変換における多分解能スケーリング特性に基づいて、異なる周波数スケール内の複数の成分信号に分解する。複雑な元の振動信号に埋もれている過渡信号は、その明瞭な時間－周波数特性のために、バックグラウンドから抽出できる。これらの過渡的なセグメントは、特定の分解レベルでのみ存在することができ、故障に関連し得る。
分解は、図７に示すように、２分木の形式でフィルタバンクとして表現することができる。図７に示されるような以下の例は、ＤＷＴに向けられているが、所望の実装に応じて、信号の時間－周波数分解のための他の方法を利用できる。本技術分野の当業者であれば、所望の実装に従って、以下の式および技法を修正して、非ＤＷＴベースの方法（例えば、連続ウェーブレット変換やウェーブレットパケット分解）を容易なものとすることができることを理解できる。
数学的に、１次元の振動測定値 Ｖi、ｉ＝（１,・・・ ,Ｍ）が与えられると、ｆ1 は Ｌレベルの時間－周波数分解を行うために定義された関数である。
Figure 0007042315000003
異なる分解レベルでの成分信号の長さは異なる。ここで、Ｖi L+1とＶi Lは、最も高い分解レベルでの近似係数と詳細係数として定義され、最も短い長さを有し、最も低い周波数スケールでの情報を表す。Ｖi L+1とＶi Lの長さは等しく、Ｖiの長さ及び最大分解レベルＬに依存する。
Figure 0007042315000004
先行する各レベルは、より高い周波数スケールに対応し、元の信号のより詳細な情報を運ぶ後続レベルの長さを２倍にする。最も低いレベルＶi 1は、元の信号Ｖiの長さの半分の長さを有し、最も高い周波数スケールに対応し、最も詳細な情報を運ぶ。
一般に、２つのデータ系列間の類似度の測定値は、関数Ｓｉｍｉｌａｒｉｔｙ（Ｘ，Ｙ）として定義できる。ここで、Ｘ及びＹは、同じ種類のデータ又は測定値の２つの異なるデータ系列である。この関数によって計算された値は、通常０と１の間である。値が大きいほど、２つのデータ系列間の類似度が高く、その逆も同様である。相関及び距離は、２つのデータ系列間の類似度の異なる側面を捉え、振動信号間の類似度を測定するために適用できる。
相互相関を利用して、２つのデータ系列が相関している度合いを測定できる。これは、２つのデータ系列間のスライド内積として知られており、一方の系列Ｖaの他方の系列Ｖbに対する変位の関数（Ｃｒｏｓｓ＿Ｃ）として類似性を測定する。
Figure 0007042315000005
通常、最も高い係数は、相互相関係数として選択される。
Figure 0007042315000006
相互相関は、２つのデータ系列間の相関の度合いとして、類似性を推定する。２つの振動信号の相互相関は、それらの形状及び変化点の類似性を捉える。
相互相関における限界は、ターゲットシーケンスが、テンプレートに対して、通常、伸長／圧縮されている場合、又は「伸縮されている（ｗａｒｐｅｄ）」場合に、適切に機能しない場合があることである。動的時間伸縮法（ＤＴＷ）は、時間的系列のマッチングに使用することができ、振幅伸張又は平行移動、及び時間軸の屈曲／伸張の状況において、２つの系列間の類似度を効果的に決定できる。
ＤＴＷの目的は、２つのデータ系列を時間軸に沿って非線形に伸縮させることによって、２つのデータ系列間の最適なパスを決定することである。ＤＴＷを使用する利点は、異なる長さの２つのデータ系列を扱うことができることである。ＤＴＷを適用した例は、異なる速度で話された同一単語を認識することである。ロボットアームの振動計測において、異なるタスク又は作業条件に対応した運動プロファイルは、必ずしも同じ長さを有するものではない。
図４に示すように、特徴量抽出２０２は、以下のように、時間－周波数分解４０１及び類似度推定４０２を含むことができる。
同種類の振動で測定された、２つの１次元振動信号Ｖi a、Ｖi bが与えられるとする。ｉは振動信号のｉ番目の次元を表す。実際には、振動信号は１次元センサを使用する場合は一変量であり、高次元空間で振動を測定するセンサを使用する場合は、多変量となり得る。類似度測定関数ｆは、次のように定義される。
Figure 0007042315000007
ここで、ｆ1は、上記において定義した関数であり、時間周波数分解を行って、振動信号を、異なる時間－周波数分解能スケールでのＬレベルの成分信号に分解する。
ここで、ｆ2は、上記の相関及び距離の２つの類似度推定法を組み合わせる。関数ｆ2は、２つのデータ系列Ｖi aとＶi bにそれぞれ対応する成分信号Ｖi,l a及びＶi,l bを取得することによって、各分解レベルでの類似度を推定する。
Figure 0007042315000008
まとめると、関数ｆは、同種類のセンサで測定された２つの１次元振動信号を入力として取得し、双方にウェーブレット分解（Ｌレベル）を行い、そして、各分解レベルｌにおける、相互相関係数ｃi,l ab及びスケーリングされた距離係数ｄi,l abをそれぞれ計算する。
特徴量抽出２０２が行われると、機械学習を適用して２０３におけるＰｄＭモデルの学習を行い、障害検出、故障予測、及びＲＵＬ（ｒｅｍａｉｎｉｎｇ ｕｓｅｆｕｌ ｌｉｆｅ：残存耐用年数）推定のための関数を決定し、予測２３０を生成する。
ＰｄＭモデルの障害検出について、ＰｄＭモデルが振動測定値の集合５００（例えば、ロボットアームの３次元軸の加速度計）に適用されると、ＰｄＭモデルの障害検出の側面は、予測２３０のため、装置の障害（例えば、減速ギアにおける障害）の存在を検出する。
障害検出の後、ＰｄＭモデルは、予め設定された時間窓内でのシステム故障の可能性を推定し（例えば、理想的な例からのあるレベルでの振動の偏差は、ギアボックスが２日後に故障する確率が７０％であることを示す）、予測２３０において故障予測を提供する。
障害検出の後、ＰｄＭモデルは、システムが故障するまでの残り時間（例えば、理想的な例からのあるレベルでの振動の偏差は、１５日後にギアボックスが故障することを示す）を推定して、予測２３０においてＲＵＬ推定予測を提供する。
以下において、障害検出、故障予測、及びＲＵＬ推定のための機械学習処理について説明する。
障害検出
課題：ロボットアームの現在の作業処理の振動信号が与えられ、Ｖcで表される。ロボットアームの現在の性能を推定する。ＶcはＭ次元の多変量信号である。
ソリューション
１．現在の振動信号及び対応するテンプレートに類似度推定関数を適用することによって、現在の振動Ｖcを類似度係数の集合として表現する。双方ともＭ次元である。
Figure 0007042315000009
２．現在の性能指標Ｐは、全ての係数Ｆを平均化することによって定量化される。
Figure 0007042315000010
３．Ｐの閾値を生成し、Ｐが閾値を下回ると、アラート／障害イベントを生成する。これらのイベントは、故障との関係を見つけるため、ドメイン専門家によって検証されてもよい。
故障予測
課題：ロボットアームの現在の作業処理に対応する振動信号が与えられ、Ｖcで表される。所定の時間窓τ内でシステムが故障する可能性を推定する。
ソリューション
１．現在の振動信号及び対応するテンプレートに類似度推定関数を適用して、現在の振動Ｖcを類似度係数の集合として表現する。双方ともＭ次元である。
Figure 0007042315000011
２．故障時間（ｔf）及び予測時間窓（τ）に基づいて、ラベルを割り当てる。
Figure 0007042315000012
３．Ｓc,tを特徴量として、Ｙをラベルとして取得し、故障予測のための分類モデルを訓練する。
ＲＵＬ推定
課題：ロボットアームの現在の作業処理に対応する振動信号が与えられ、Ｖcで表される。システムが故障するまでの残存時間を推定する。
ソリューション
１．現在の振動信号及び対応するテンプレートに類似度推定関数を適用することによって、現在の振動Ｖcを類似度係数の集合として表現する。双方ともＭ次元である。
Figure 0007042315000013
２．故障時間（ｔf）に基づいてラベルを割り当てる。
Figure 0007042315000014
特徴量としてＳc,tを、ラベルとしてＹを取得して、ＲＵＬ推定のための回帰モデルを訓練する。
図８は、例示的な実装に係る、管理情報の例を示す。具体的には、図８は、例示的な実装に係る、テンプレート構成の一例を示す。図８に示すように、生成されたテンプレートの各々は、テンプレート識別子（ＩＤ）、利用された可動装置の種類、振動センサデータの記録中に装置が行っていたタスク、及び振動センサデータを含むことができる。
各種類の可動装置（例えば、可動アーム、加工装置、コンベアベルト等）は、工場の作業に応じて１又は複数種類のタスク（例えば、積込、積卸し等）を実行する。振動センサデータは、例えば、工場内で様々な可動装置が作業を行うようにスケジュールされていた間に記録されたデータである。可動装置の種類は、所望の実装に応じて、工場内で同一種類の作業を行う１又は複数の可動装置を包含できる。
図９は、例示的な実装に係る、システムの物理構造例を示す。工場９０１において、加工装置９０５及びロボットアーム９０４などの１又は複数の作動装置を含むラインがあり、部品のロード、部品のアンロード、部品の組み立てなどの製造プロセスを実行するように構成されている。
例えば、製造工程例は、装置９０５が製品９０８を加工し、ロボットアーム９０４がスケジュールに従って製品９０８を運ぶ工程を含むことができる。所望の実装に応じて、複数種類又はタイプの製品が、同時に処理され得る。ロボットアーム９０４及び装置９０５は、プログラマブル・ロジック・コントローラ（ＰＬＣ）１９０９によって制御され、複数のタスクのうちの１つを実行することができる。
作業者９０２は、プログラマブル・ロジック・コントローラ９０９に接続されているコンピュータ装置９０３に、期日及びスケジューリングポリシを与え、所望の実装応じて、コンピュータ装置９０３を、対応するＰＬＣ及び任意のネットワークを介して可動装置に通信的に結合する。例示的な実装に応じて、ラインにおいて、ローディング製品９０６及びアンローディング製品９０７は、生産管理システムによって管理される。所望の実施形態に応じて、カメラシステム９１０が、工場フロア９０１を監視してもよい。
例示的な実装において、各可動装置（処理装置９０５、ロボットアーム１９０４）は、それに取り付けられた１又は複数の振動センサを有し、所望の実装に応じて、振動センサは、ＰＬＣに接続されたネットワークと別のネットワーク又はＰＬＣと同じネットワークを介して、センサデータをコンピュータ装置９０３に提供する。このような振動センサデータは、バッチデータ又はストリーミングデータとしてコンピュータ装置９０３のメモリに格納されてもよく、コンピュータ装置９０３によってアクセス可能なデータベースに格納されてもよい。
図１０は、図９に示すコンピュータ装置のような、例示的に実装における使用に適した例示的なコンピュータ装置を備えた例示的なコンピューティング環境を示している。このような例示的な実装において、コンピュータ装置９０３は、図９に図示されているように、ネットワークを介して、工場フロア上の１又は複数の装置に関連付けられた１又は複数のプログラマブル・ロジック・コントローラに接続される。
コンピューティング環境１０００内のコンピュータ装置１００５は、１以上の処理ユニット、コア、またはプロセッサ１０１０、メモリ１０１５（例えば、ＲＡＭ、ＲＯＭなど）、内部ストレージ１０２０（例えば、磁気ストレージ、光学ストレージ、ソリッドステートストレージ及び／またはオーガニックストレージ）、及び／又はＩ／Ｏインターフェイス１０２５を含むことができる。これらのいずれのデバイスも、情報を通信するための通信機構またはバス１０３０に結合されるか、またはコンピュータ装置１００５に埋め込まれ得る。Ｉ／Ｏインターフェイス１０２５は、所望の実装に応じて、カメラから画像を受信する、又は、プロジェクタやディスプレイに画像を提供することができる。
コンピュータ装置１００５は、入力／ユーザインターフェイス１０３５及び出力デバイス／インターフェイス１０４０に通信可能に結合され得る。入力／ユーザインターフェイス１０３５及び出力デバイス／インターフェイス１０４０のいずれか一方または両方は、有線または無線インターフェイスであってよく、取り外し可能であり得る。入力／ユーザインターフェイス１０３５には、入力を提供するために使用できる物理的または仮想的なデバイス、コンポーネント、センサ、またはインターフェイスが含まれる（たとえば、ボタン、タッチスクリーンインターフェイス、キーボード、ポインティング／カーソルコントロール、マイク、カメラ、点字、モーションセンサ、光学式リーダなど）。出力デバイス／インターフェイス１０４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、点字などを含み得る。いくつかの例示的な実装では、入力／ユーザインターフェイス１０３５及び出力デバイス／インターフェイス１０４０は、コンピュータ装置１００５に埋め込むか、または物理的に結合することができる。他の例示的な実装において、他のコンピュータ装置は、コンピュータ装置１００５の入力／ユーザインターフェイス１０３５および出力デバイス／インターフェイス１０４０として機能してもよい。
コンピュータ装置１００５の例は、これらに限定されないが、特にモバイル性が高いデバイス（例えば、スマートフォン、車両及び他の機械内のデバイス、人間及び動物によって運ばれるデバイスなど）、モバイルデバイス（例えば、タブレット、ノートブック、ラップトップ、パーソナルコンピュータ、ポータブルテレビ、ラジオなど）、及びモバイル向けに設計されていないデバイス（デスクトップコンピュータ、他のコンピュータ、情報キオスク、１以上のプロセッサが埋め込まれた、または結合されたテレビ、ラジオなど）が含まれ得る。
コンピュータ装置１００５は、（例えば、Ｉ／Ｏインターフェイス１０２５を介して）外部ストレージ１０４５及びネットワーク１０５０に通信可能に結合され、同一または異なる構成の１以上のコンピュータ装置を含む、多くのネットワーク化されたコンポーネント、デバイス、及びシステムと通信することができる。コンピュータ装置１００５または任意の接続されたコンピュータ装置は、サーバ、クライアント、シンサーバ、汎用機械、専用機械、または別の名称で参照され、サービスを提供するように機能することができる。
Ｉ／Ｏインターフェイス１０２５は、任意の通信またはＩ／Ｏプロトコルまたは標準（例えば、イーサネット、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、携帯電話ネットワークプロトコルなど）、コンピューティング環境１０００の少なくともすべての接続されたコンポーネント、デバイス、及びネットワークと情報をやり取りするための、有線及び／または無線インターフェイスを含むことができるが、これらに限定されない。ネットワーク１０５０は、任意のネットワークまたはネットワークの組み合わせであってよい（たとえば、インターネット、ローカルエリア、広域ネットワーク、電話ネットワーク、携帯電話ネットワーク、衛星ネットワークなど）。
コンピュータ装置１００５は、一過性媒体及び非一過性媒体を含むコンピュータ使用可能またはコンピュータ可読媒体を、使用する、及び／または、使用して通信することができる。一過性媒体には、伝送媒体（金属ケーブル、光ファイバーなど）、信号、搬送波などが含まれる。非一過性の媒体には、磁気メディア（ディスクやテープなど）、光学メディア（ＣＤＲＯＭ、デジタルビデオディスク、ブルーレイディスクなど）、ソリッドステートメディア（ＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドステートストレージなど）、及びその他の不揮発性ストレージまたはメモリが含まれる。
コンピュータ装置１００５は、いくつかの例示的なコンピューティング環境において、技術、方法、アプリケーション、プロセス、またはコンピュータ実行可能命令を実装するために使用することができる。コンピュータで実行可能な命令は、一過性の媒体から取得し、非一過性の媒体に格納して取得できる。実行可能命令は、１以上の任意のプログラミング、スクリプト、及びマシン言語（Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ（登録商標）、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ（登録商標）など）から生成できる。
プロセッサ１０１０は、ネイティブまたは仮想的な環境で、任意のオペレーティングシステム（ＯＳ）（図示せず）の下で実行することができる。論理ユニット１０６０、アプリケーションプログラミングインターフェイス（ＡＰＩ）ユニット１０６５、入力ユニット１０７０、出力ユニット１０７５、及び、相互間で、ＯＳと、そして他のアプリケーション（図示せず）と通信するための異なるユニット用のユニット間通信メカニズム１０９５を含む、１以上のアプリケーションを展開することができる。上記ユニット及び要素は、設計、機能、構成、または実装が異なる可能性があり、提供された説明に限定されない。プロセッサ１０１０は、メモリ１０１５からロードされた命令を実行するように構成された物理プロセッサまたは中央処理装置（ＣＰＵ）の形態であり得る。
いくつかの例示的な実装では、情報または実行命令がＡＰＩユニット１０６５によって受信されると、それは１以上の他のユニット（たとえば、論理ユニット１０６０、入力ユニット１０７０、出力ユニット１０７５）に通信され得る。いくつかの例では、論理ユニット１０６０は、ユニット間の情報フローを制御し、上記のいくつかの例示的な実装においてＡＰＩユニット１０６５、入力ユニット１０７０、出力ユニット１０７５によって提供されるサービスを指示するように構成され得る。たとえば、１以上のプロセスまたは実装のフローは、論理ユニット１０６０によって単独で、またはＡＰＩユニット１０６５と連動して制御され得る。入力ユニット１０７０は、例示的な実装で説明した計算のための入力を取得するように構成され得る。ユニット１０７５は、例示的な実装で説明される計算に基づいて出力を提供するように構成され得る。
メモリ１０１５は、図８に示すように、工場のために生成されたテンプレートを格納し、プロセッサ１０１０に提供するように構成される。
図２から５に示すように、プロセッサ１０１０は、可動装置から受信した振動センサデータに関連付けられている複数のテンプレートに対して特徴量抽出を行って、複数のタスクのための予測保全モデルを生成するように構成することができる。予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成することができる。
図８、図２及び３の２０１に示すように、プロセッサ１０１０は、複数のテンプレートを生成するように構成することができる。各テンプレートは、可動装置が正常状態において作業しているときの複数のタスクにおける一つのタスクに関連付けられる。図３及び６に示すように、例えば、プロセッサは、さらに、複数のテンプレートを、振動センサデータをクラスタリングすることによって生成するように構成することができる。クラスタリングは、正常期間の振動センサデータを複数のベクトルにベクトル化し、教師なしクラスタリングアルゴリズムによって複数のベクトルをグループ化することを含むことができる。
所望の実装に応じて、可動装置は、例えば、図９に示すように、ロボットアームである。
図４から７に示すように、適用フェーズにおいて、プロセッサ１０１０は、複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、振動センサデータの特徴量抽出を行って振動センサデータと複数のテンプレートとの間の類似度係数を算出し、複数のタスクのための予測保全モデルに類似度係数を入力するように構成することができる。予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成することができる。プロセッサ１０１０は、複数のタスクを実行するように構成された可動装置の振動センサデータに関連付けられた複数のテンプレートに対して特徴量抽出を行い、図４の４００に示すように複数のテンプレートから基準テンプレートを選択することによって複数のタスクのための予測保全モデルを生成するために、図４の４０１及び図７に示すように、基準テンプレート及び振動センサデータに対して時間－周波数分解を行って複数の分解レベルにわたる成分信号を生成し、図４の４０２に示すように、分解レベルそれぞれについて成分信号に対して類似度推定を実行して、振動センサデータと基準テンプレートとの間の類似度係数を生成し、図４－７に示すように類似度係数の機械学習を利用して予測保全モデルを生成する。図４の４００に示すように、複数のテンプレートから基準テンプレートを選択することは、振動センサデータのクラスタリングからのテンプレートマッチングに基づくことができる。
図１１（ａ）に示す学習フェーズ及び図１２に示すテンプレート選択のように、複数のテンプレートは、クラスタリング処理から生成された複数のグループから選択されたテンプレートのグループであってもよい。図１１（ｂ）の１１１０に示すように、テンプレートのグループは、複数のグループから振動センサデータに最も近い重心を有するグループの決定に基づき選択されてもよい
図１１（ｂ）の１１２０に示すように、プロセッサ１０１０は、基準テンプレートを複数のテンプレートから、振動センサデータと複数のテンプレートそれぞれとの間の相関を計算することによって選択するように構成することができる。最も高い相関を有するテンプレートが、基準テンプレートとして複数のテンプレートから選択される。
図１２に示すしょうに、プロセッサ１０１０は、クラスタリング処理から生成された複数のグループのそれぞれに対して、複数のテンプレートとして使用するために、正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択するように、構成することができる。例えば、プロセッサ１０１０は、図１２のテンプレート選択１１０５のフローに示すように、上記１以上のサンプルの複数のグループのそれぞれにおける他のサンプルに対する相関に基づき、正常状態において作業する可動装置の振動データサンプルから上記１以上のサンプルを選択するように構成することができる。
図１１（ａ）および図１１（ｂ）は、例示的な実装に係る、学習フェーズ及び適用フェーズの、基準テンプレートを選択するフロー例を示す。図１１（ａ）及び図１１（ｂ）の例示的な実装において、基準テンプレートを選択するための２つの側面が存在する。すなわち、一つは、クラスタリングアルゴリズムを使用した訓練データ振動サンプルのグループ化基づいて、入力振動サンプルのグループＩＤを見つけることである（１１１０）。他の一つは、入力振動サンプルのグループＩＤ及び既知の各グループに与えられる代表テンプレートの集合に基づいて、基準テンプレート１１２０を見つけることとである。図１１（ａ）はテンプレートマッチングの学習フェーズの側面を示し、図１１（ｂ）はテンプレートマッチングの適用フェーズの側面を示す。
図１１（ａ）の学習フェーズにおいて、訓練データ１１００は、ベクトル化１１０１のために与えられる。具体的には、訓練データ１１００は、作業の正常期間における可動装置の振動サンプルを含む。このようなサンプルは、ベクトル化１１０１された後、本明細書に開示されているクラスタリングアルゴリズムを用いて、グループ化１１１１される。グループ化１１１１の結果は、振動サンプルのグループ１１０４と、振動サンプルのグループのそれぞれの重心を示すグループ重心１１１２と、を含む。
グループ重心１１１２は、最も近い重心に基づくグループＩＤ割り当て１１１３を可能とするために利用される。振動サンプル１１０４のグループは、図１２に示す処理を介して、各グループ１１２１のための代表的なテンプレートを選択するテンプレート選択１１０５において利用される。各グループ１１２１のために使用されるテンプレートは、所望の実装に従って設定された閾値を介して決定できる。各グループ１１２１のためのテンプレートは、実際の振動サンプルの相関計算１１２４において使用され、基準テンプレートが決定される。
図１１（ｂ）の適用フェーズにおいて、システムは、振動サンプル１１０２を受け取り、ベクトル化プロセス１１０１を通して振動サンプルを処理する。ベクトル化されると、ベクトル化されたサンプルは、最も近い重心に基づいてグループＩＤが割り当てられる（１１１３）。割り当てられたグループＩＤは、ベクトル化されたサンプルに最も近い重心を有するグループである。
現在の振動サンプルに対してグループＩＤ１１２２が決定されると、グループＩＤ１１２２は、学習フェーズで構築された各グループ１１２１のための代表テンプレートの集合から、当該グループに関連付けられる代表テンプレートの集合を抽出するために使用される。グループＩＤに関連付けられたテンプレートは、相関処理１１２４に与えられる。相関処理１１２４は、提供されたサンプル１１０２と、各グループに関連付けられた代表のテンプレートの集合からの各テンプレートと、の間の相関を、計算するように構成される。そして、最も高い相関関係を有するテンプレートが、１１２５において、基準テンプレートとして選択される。
図１２は、例示的な実装に係る、テンプレート選択のフロー例を示す。具体的には、図１２は、各グループ１１２１の代表的なテンプレートの集合を生成するために利用される、テンプレート選択１１０５のための処理を示す。最初に、テンプレート選択１１０５は、正常期間における作業の振動サンプル１１０４のグループを受け取り、１２０２において、振動サンプルのグループごとに反復処理を実行する。１２０３において、最初のサンプルがベースラインとしてテンプレートセット１２０５に含まれる。そして、１２０４において、処理すべきサンプルがグループ内に残っているかの判定が行われる。そうであれば（ＹＥＳ）、フローは１２０６に進み、そうでなければ（ＮＯ）、現在のグループは１２０７－１で終了する。
１２０６において、グループ内の次の振動サンプルが読み込まれる。１２０８において、処理対象の振動サンプルとテンプレートセット１２０５に含まれる振動サンプルとの間の相関が計算される。次に、１２０９において、最も高い相関値が、処理対象の振動サンプルがテンプレートセットに含まれるための閾値より小さいか判定するために使用される。実装例において、閾値は０．９に設定することができるが、所望の実装に従った任意の値を使用できる。振動サンプルが閾値を満たしている場合（ＹＥＳ）、フローは、処理済みサンプルを現在のテンプレートセット１２０５に含めるために１２１０に進み、その後、フローは、次のサンプルを処理するために１２０４に進む。そうでなければ（ＮＯ）、フローは、１２１１に進んで現在の処理済みサンプルを破棄し、その後、フローは、次のサンプルを処理するために１２０４に進む。
現在のグループが１２０７－１において終了している場合、１２０７－２において、サンプルの残りのグループが存在するかの判定がなされる。その場合（ＹＥＳ）、１２０７－３において次のサンプルグループが読み込まれ、フローは１２０２に戻る。そうでない場合（ＮＯ）、１２１１において、各グループの代表的なテンプレートの集合が出力される。
詳細な説明のいくつかの部分は、コンピュータ内の動作のアルゴリズム及び記号的表現に関して提示されている。これらのアルゴリズム記述及び記号的表現は、データ処理技術の当業者が、その革新の本質を他の当業者に伝えるために使用する手段である。アルゴリズムは、目的の最終状態または結果に至る一連の定義済みステップでる。例示的な実装では、実行されるステップは、具体的な結果を得るために具体的な量を物理的に操作する必要がある。
議論から明らかなように、以下のことが理解される。説明全体を通して、「処理」、「コンピューティング」、「計算」、「決定」、「表示」などの用語を利用する議論は、コンピュータシステムまたは他の情報処理装置の動作及び処理を含むことができる。これら装置は、コンピュータシステムのレジスタ及びメモリ内の物理（電子）量として表されるデータを、コンピュータシステムのメモリ、レジスタ、その他の情報ストレージ、送信または表示デバイス内の物理量として同様に表される他のデータに操作及び変換する。
例示的な実装はまた、本明細書のオペレーションを実行するための装置に関連してもよい。この装置は、必要な目的のために特別に構築されてもよいし、１以上のコンピュータプログラムによって選択的に起動または再構成される１以上の汎用コンピュータを含んでもよい。そのようなコンピュータプログラムは、コンピュータ可読記憶媒体またはコンピュータ可読信号媒体などのコンピュータ可読媒体に格納されてもよい。コンピュータ可読記憶媒体は、限定ではないが、電子情報を保存するための、光ディスク、磁気ディスク、読み取り専用メモリ、ランダムアクセスメモリ、ソリッドステートデバイス及びドライブ、またはその他の適切な有形または非一過性の媒体などの有形媒体を含み得る。コンピュータ可読信号媒体には、搬送波などの媒体が含まれ得る。本明細書で提示されるアルゴリズム及び表示は、特定のコンピュータまたは他の装置に本質的に関連するものではない。コンピュータプログラムには、目的の実装のオペレーションを実行する命令を含む純粋なソフトウェア実装を含めることができる。
本明細書の例に従って、様々な汎用システムをプログラム及びプログラムモジュールとともに使用することができ、または所望の方法ステップを実行するための専用の装置を構築することがより適切であることが判明する場合がある。さらに、例示的な実装は、特定のプログラミング言語を参照して説明されていない。様々なプログラミング言語を使用して、本明細書で説明する例示的な実装の教示を実装できることが理解される。プログラミング言語の命令は、１以上の処理デバイス、たとえば中央処理装置（ＣＰＵ）、プロセッサ、またはコントローラによって実行されてよい。
当技術分野で知られているように、上記オペレーションは、ハードウェア、ソフトウェア、またはソフトウェアとハードウェアの何らかの組み合わせによって実行することができる。例示的な実装のさまざまな態様は、回路及び論理デバイス（ハードウェア）を使用して実装できるが、他の態様は、プロセッサによって実行されるとプロセッサに本願の実装を実行する方法を実行させる、機械可読媒体（ソフトウェア）に格納された命令を使用して実装できる。さらに、本願のいくつかの例示的な実装は、ハードウェアのみで実行されてもよく、他の例示的な実装は、ソフトウェアのみで実行されてもよい。さらに、説明されているさまざまな機能は、単一のユニットで実行することも、さまざまな方法で多数のコンポーネントに分散させることもできる。ソフトウェアによって実行される場合、これらの方法は、コンピュータ可読媒体に格納された命令に基づいて、汎用コンピュータなどのプロセッサによって実行され得る。必要に応じて、命令は圧縮及び／または暗号化された形式で媒体に保存できる。
さらに、本願の他の実装は、本願の教示の仕様及び実施を考慮することにより、当業者には明らかであろう。説明した例示的な実装の様々な態様及び／または構成要素は、単独でまたは任意の組み合わせで使用することができる。本明細書及び例示的な実装は、例としてのみ考慮されることが意図されており、本願の真の範囲及び精神は、添付の特許請求の範囲によって示される。
２０２ 特徴量抽出、４００ 基準テンプレート選択、４０１ 時間‐周波数分解、４０２ 類似度推定、４１０ 入力振動信号

Claims (15)

  1. 複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、
    前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、
    前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、
    前記複数のテンプレートの中から基準テンプレートを選択し、
    前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、
    前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含み、
    前記複数のテンプレートは、クラスタリング処理から生成された複数のグループから選択されたテンプレートのグループであり、
    前記テンプレートのグループは、前記複数のグループから前記振動センサデータに最も近い重心を有するグループの決定に基づき選択され、
    前記複数のタスクは、前記クラスタリング処理により識別される、方法。
  2. 請求項１に記載の方法であって、前記クラスタリング処理から生成される前記複数のグループのそれぞれに対して、前記複数のテンプレートとして使用するために、前記複数のグループのそれぞれについて、正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択する、ことをさらに含む方法。
  3. 請求項２に記載の方法であって、前記複数のグループのそれぞれに対して前記複数のテンプレートとして使用するために、前記正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択することは、前記１以上のサンプルの前記複数のグループのそれぞれにおける他のサンプルに対する相関に基づく、方法。
  4. 複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、
    前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、
    前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、
    前記複数のテンプレートの中から基準テンプレートを選択し、
    前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、
    前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含み、
    前記複数のテンプレートから前記基準テンプレートを選択することは、前記振動センサデータと前記複数のテンプレートそれぞれとの間の相関を計算し、最も高い相関を有するテンプレートを前記基準テンプレートとして選択することを含む、方法。
  5. 請求項１又は４に記載の方法であって、前記可動装置はロボットアームである、方法。
  6. コンピュータ装置の処理を実行させる命令を含むプログラムであって、前記処理は、
    複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、
    前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、
    前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、
    前記複数のテンプレートの中から基準テンプレートを選択し、
    前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、
    前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含み、
    前記複数のテンプレートは、クラスタリング処理から生成された複数のグループから選択されたテンプレートのグループであり、
    前記テンプレートのグループは、前記複数のグループから前記振動センサデータに最も近い重心を有するグループの決定に基づき選択され、
    前記複数のタスクは、前記クラスタリング処理により識別される、プログラム。
  7. 請求項６に記載のプログラムであって、前記処理は、前記クラスタリング処理から生成される前記複数のグループのそれぞれに対して前記複数のテンプレートとして使用するために、前記複数のグループのそれぞれについて、正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択する、ことをさらに含むプログラム。
  8. 請求項７に記載のプログラムであって、前記複数のグループのそれぞれに対して前記複数のテンプレートとして使用するために、前記正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択することは、前記１以上のサンプルの前記複数のグループのそれぞれにおける他のサンプルに対する相関に基づく、プログラム。
  9. コンピュータ装置の処理を実行させる命令を含むプログラムであって、前記処理は、
    複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、
    前記複数のタスクのための予測保全モデルに前記類似度係数を入力する、ことを含み、
    前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、
    前記複数のテンプレートの中から基準テンプレートを選択し、
    前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、
    前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含み
    前記複数のテンプレートから前記基準テンプレートを選択することは、前記振動センサデータと前記複数のテンプレートそれぞれとの間の相関を計算し、最も高い相関を有するテンプレートを前記基準テンプレートとして選択することを含む、プログラム。
  10. 請求項６又は９に記載のプログラムであって、前記可動装置はロボットアームである、プログラム。
  11. 複数のタスクを実行するように構成された可動装置に通信可能に接続された装置であって、
    プロセッサを含み、
    前記プロセッサは、
    複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、
    前記複数のタスクのための予測保全モデルに前記類似度係数を入力し、
    前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、
    前記複数のテンプレートの中から基準テンプレートを選択し、
    前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、
    前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含み、
    前記複数のテンプレートは、クラスタリング処理から生成された複数のグループから選択されたテンプレートのグループであり、
    前記テンプレートのグループは、前記複数のグループから前記振動センサデータに最も近い重心を有するグループの決定に基づき選択され、
    前記複数のタスクは、前記クラスタリング処理により識別される、装置。
  12. 請求項１１に記載の装置であって、前記プロセッサは、前記クラスタリング処理から生成される前記複数のグループのそれぞれに対して前記複数のテンプレートとして使用するために、前記複数のグループのそれぞれについて、正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択する、装置。
  13. 請求項１２に記載の装置であって、前記プロセッサは、前記１以上のサンプルの前記複数のグループのそれぞれにおける他のサンプルに対する相関に基づき、前記複数のグループのそれぞれに対して前記複数のテンプレートとして使用するために、前記正常状態において作業する可動装置の振動データサンプルから１以上のサンプルを選択する、装置。
  14. 複数のタスクを実行するように構成された可動装置に通信可能に接続された装置であって、
    プロセッサを含み、
    前記プロセッサは、
    複数のタスクを実行するように構成された可動装置の振動センサデータを受信し、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出し、
    前記複数のタスクのための予測保全モデルに前記類似度係数を入力し、
    前記予測保全モデルは、障害検出、故障予測、及び残存耐用年数推定のうちの１つ以上を提供するように構成され、
    前記振動センサデータの特徴量抽出を行って、前記振動センサデータと複数のテンプレートとの間の類似度係数を算出することは、
    前記複数のテンプレートの中から基準テンプレートを選択し、
    前記基準テンプレート及び前記振動センサデータに対して時間－周波数分解を行って、複数の分解レベルにわたる成分信号を生成し、
    前記分解レベルそれぞれについて前記成分信号に対して類似度推定を実行して、前記振動センサデータと前記基準テンプレートとの間の類似度係数を生成する、ことを含み、
    前記プロセッサは、前記振動センサデータと前記複数のテンプレートそれぞれとの間の相関を計算し、最も高い相関を有するテンプレートを前記基準テンプレートとして選択することによって、前記複数のテンプレートから前記基準テンプレートを選択する、装置。
  15. 請求項１１又は１４に記載の装置であって、前記可動装置はロボットアームである、装置。
JP2020172476A 2019-11-14 2020-10-13 可動装置を予測保全する方法 Active JP7042315B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/684,269 US11215535B2 (en) 2019-11-14 2019-11-14 Predictive maintenance for robotic arms using vibration measurements
US16/684,269 2019-11-14

Publications (2)

Publication Number Publication Date
JP2021079537A JP2021079537A (ja) 2021-05-27
JP7042315B2 true JP7042315B2 (ja) 2022-03-25

Family

ID=72826804

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020172476A Active JP7042315B2 (ja) 2019-11-14 2020-10-13 可動装置を予測保全する方法

Country Status (3)

Country Link
US (1) US11215535B2 (ja)
EP (1) EP3822595B1 (ja)
JP (1) JP7042315B2 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
DE112020007131T5 (de) * 2020-04-27 2023-03-09 Mitsubishi Electric Corporation Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm
US11599104B2 (en) * 2021-03-07 2023-03-07 Mitsubishi Electric Research Laboratories, Inc. System control based on time-series data analysis
US11531329B1 (en) * 2021-08-19 2022-12-20 Ford Global Technologies, Llc Predictive maintenance systems and methods of a manufacturing environment
US12105507B2 (en) * 2021-08-31 2024-10-01 Rockwell Automation Technologies, Inc. Automated diagnosis of augmented acoustic measurement in industrial environments
CN114932546B (zh) * 2022-03-23 2023-10-03 燕山大学 一种基于未知机械臂模型的深度强化学习抑振系统及方法
CN116038773B (zh) * 2023-03-29 2023-07-07 之江实验室 一种柔性关节机械臂振动特性分析方法及装置
CN117350323A (zh) * 2023-09-28 2024-01-05 广东工业大学 一种基于GA-SSA-BiLSTM模型的轴承性能预测方法
CN117056692B (zh) * 2023-10-09 2024-01-23 山东芯赛思电子科技有限公司 一种SiC基电机驱动器件的老化预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090101A (ja) 1998-09-09 2000-03-31 Minolta Co Ltd 類似画像検索装置、類似画像検索方法及び記録媒体
US20020103626A1 (en) 2000-02-03 2002-08-01 Feng Zhao Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes
JP2002366397A (ja) 2001-06-06 2002-12-20 Omron Corp メンテナンス時期決定装置、メンテナンス時期決定方法、およびメンテナンス時期決定システム
JP2007251917A (ja) 2005-11-21 2007-09-27 Nippon Telegr & Teleph Corp <Ntt> 類似度計算装置、エコー消去装置、類似度計算方法、エコー消去方法
CN102542262A (zh) 2012-01-04 2012-07-04 东南大学 一种基于高铁运行特征工况波形库的波形识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0315439A (ja) * 1989-06-13 1991-01-23 Koorin Denshi Kk 生理年齢測定装置
US20070088550A1 (en) 2005-10-13 2007-04-19 Dimitar Filev Method for predictive maintenance of a machine
JP4201012B2 (ja) * 2006-04-06 2008-12-24 ソニー株式会社 データ処理装置、データ処理方法、およびプログラム
US20110246123A1 (en) * 2010-03-30 2011-10-06 Welch Allyn, Inc. Personal status monitoring
US11318499B2 (en) * 2019-12-19 2022-05-03 Nimble Robotics, Inc. Robotic system having shuttle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090101A (ja) 1998-09-09 2000-03-31 Minolta Co Ltd 類似画像検索装置、類似画像検索方法及び記録媒体
US20020103626A1 (en) 2000-02-03 2002-08-01 Feng Zhao Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes
JP2002366397A (ja) 2001-06-06 2002-12-20 Omron Corp メンテナンス時期決定装置、メンテナンス時期決定方法、およびメンテナンス時期決定システム
JP2007251917A (ja) 2005-11-21 2007-09-27 Nippon Telegr & Teleph Corp <Ntt> 類似度計算装置、エコー消去装置、類似度計算方法、エコー消去方法
CN102542262A (zh) 2012-01-04 2012-07-04 东南大学 一种基于高铁运行特征工况波形库的波形识别方法

Also Published As

Publication number Publication date
US20210148791A1 (en) 2021-05-20
JP2021079537A (ja) 2021-05-27
US11215535B2 (en) 2022-01-04
EP3822595B1 (en) 2022-05-04
EP3822595A1 (en) 2021-05-19

Similar Documents

Publication Publication Date Title
JP7042315B2 (ja) 可動装置を予測保全する方法
Wang et al. Temporal convolutional network with soft thresholding and attention mechanism for machinery prognostics
Lee et al. A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes
Borgi et al. Data analytics for predictive maintenance of industrial robots
Cabrera et al. Automatic feature extraction of time-series applied to fault severity assessment of helical gearbox in stationary and non-stationary speed operation
Langarica et al. An industrial internet application for real-time fault diagnosis in industrial motors
JP7408653B2 (ja) 非定常性機械性能の自動分析
JP6816190B2 (ja) 故障した事例および打ち切られた事例を基にしたエンティティの残存耐用年数（ｒｕｌ）推定
EP2327019B1 (en) Systems and methods for real time classification and performance monitoring of batch processes
US10810508B1 (en) Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data
US20230176562A1 (en) Providing an alarm relating to anomaly scores assigned to input data method and system
Qiu et al. A piecewise method for bearing remaining useful life estimation using temporal convolutional networks
EP3796115B1 (en) Anomaly detection for robotic arms using vibration data
WO2022132898A1 (en) Monitoring system for estimating useful life of a machine component
CN110757510B (zh) 一种机器人剩余寿命预测方法及系统
Adam et al. Multiple faults diagnosis for an industrial robot fuse quality test bench using deep-learning
US20160239000A1 (en) TS-DIST: Learning Adaptive Distance Metric in Time Series Sets
JP2020042519A (ja) 異常検知装置、異常検知方法、及び異常検知プログラム
Kumar et al. Latest innovations in the field of condition-based maintenance of rotatory machinery: a review
Dorst et al. Influence of synchronization within a sensor network on machine learning results
Akcan et al. Diagnosing bearing fault location, size, and rotational speed with entropy variables using extreme learning machine
Awawdeh et al. Application of outlier detection using re-weighted least squares and R-squared for IoT extracted data
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
Kemnitz et al. Towards robust and transferable iiot sensor based anomaly classification using artificial intelligence
Kumar et al. Entropy-based domain adaption strategy for predicting remaining useful life of rolling element bearing

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201013

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210929

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211005

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211122

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: 20220308

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220314

R150 Certificate of patent or registration of utility model

Ref document number: 7042315

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150