JP7268722B2 - 異常検知装置、及び異常検知方法 - Google Patents

Description

本発明は、異常検知装置、及び異常検知方法に関する。

従来から、多関節型ロボットの異常判定装置として、特許文献１に記載されたものが知られている。特許文献１では、ロボットの動作中において所定の周期毎にロボット関節軸の移動位置及び関節軸に加えられる外乱トルクを検出し、検出された移動位置毎の外乱トルクの平均値を演算する。そして、演算した平均値と所定の閾値とを比較し、平均値が閾値を超えている場合に、ロボットが異常であると判定する。

特開平９－１７４４８２号公報

外乱トルクは様々な要因により数値が大きく変動する。閾値が一定値に固定されているため、外乱トルクの変化幅が小さい場合、異常又はその予兆を見逃してしまう。逆に、これらを抑制するために閾値を小さい値に設定すると、ロボットが正常である場合でも異常と誤判定してしまう。

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、変化幅の大小に関わらず、継続的に変化する時系列データから機器の異常を精度良く検知する異常検知装置及び異常検知方法を提供することである。

本発明の一態様は、可動部を有する機器から取得された時系列データに基づいて機器の異常を検知する異常検知装置である。異常検知装置は、特定の時刻での時系列データが特定の時刻よりも一定時間前の時系列データから増加しているか又は減少しているかを、特定の時刻をずらしながら判定して、時系列データの増加又は減少を一定の数値で示し、一定の数値を積算した積算値に基づいて機器の異常を検知する。

本発明の一態様によれば、変化幅の大小に関わらず、継続的に変化する時系列データから機器の異常を精度良く検知することができる。

図１は、第１実施形態に係る異常検知装置１０２、及びその周辺機器の構成を示すブロック図である。 図２は、図１の異常検知装置１０２の動作の一例を示すフローチャートである。 図３は、図２のステップＳ０２の詳細な手順の一例を示すフローチャートである。 図４は、図２のステップＳ０２の詳細な手順の他の例を示すフローチャートである。 図５Ａは、外乱トルク（ＲＤ１）の時間変化、及び外乱トルク（ＲＤ１）の移動平均（ＡＤ１）を示すグラフである。 図５Ｂは、外乱トルク（ＲＤ１）の時間変化、及び外乱トルク（ＲＤ１）から算出された積算値の移動平均（ＦＤ１）の時間変化を示すグラフである。 図５Ｃは、外乱トルク（ＲＤ２）の時間変化、及び外乱トルク（ＲＤ２）の移動平均（ＡＤ２）を示すグラフである。 図５Ｄは、外乱トルク（ＲＤ２）の時間変化、及び外乱トルク（ＲＤ２）から算出された積算値の移動平均（ＦＤ２）の時間変化を示すグラフである。 図５Ｅは、外乱トルク（ＲＤ３）の時間変化、及び外乱トルク（ＲＤ３）の移動平均（ＡＤ３）を示すグラフである。 図５Ｆは、外乱トルク（ＲＤ３）の時間変化、及び外乱トルク（ＲＤ３）から算出された積算値の移動平均（ＦＤ３）の時間変化を示すグラフである。 図６は、第２実施形態に係る異常検知装置１０２、及びその周辺機器の構成を示すブロック図である。 図７は、図６の異常検知装置１０２の直列型の動作の一例を示すフローチャートである。 図８は、図６の異常検知装置１０２の並列型の動作の一例を示すフローチャートである。 図９Ａは、正常モデルデータベース３４に記憶されている評価用正常モデル６０の一例を示すグラフである。 図９Ｂは、第２異常検知部２７により算出された外乱トルクの確率分布６１ａの一例を示すグラフである。 図９Ｃは、第２異常検知部２７により算出された外乱トルクの確率分布６１ｂの他の例を示すグラフである。 図９Ｄは、図９Ａの評価用正常モデル６０の平均値を、図９Ｂの確率分布６１ａの平均値（２００）と一致するように修正した修正後の評価用正常モデル６２ａを示すグラフである。 図９Ｅは、図９Ａの評価用正常モデル６０の平均値を、図９Ｃの確率分布６１ｂの平均値（７０）と一致するように修正した修正後の評価用正常モデル６２ｂを示すグラフである。

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。

（第１実施形態）
図１を参照して、第１実施形態に係る異常検知装置１０２、及びその周辺機器（１０１、１０３）の構成を説明する。第１実施形態に係る異常検知装置１０２は、ロボット１０１及びユーザインターフェース１０３に接続されている。異常検知装置１０２は、可動部を有する機器の一例としてのロボット１０１の異常を検知する。ここで、「機器（ロボット１０１）の異常」とは、機器の動作停止、機器の動作不良、潤滑油の劣化などの、機器の故障、及び機器の正常な動作を阻む種々の要因を含む概念である。「異常を検知する」とは、現在生じている異常のみならず、将来発生する異常を予測すること、及び異常の予兆を検知することが含まれる。

「可動部を有する機器」の一例としてのロボット１０１は、可動部の一例として１又は２以上の関節軸を有する生産ロボットである。ロボット１０１には、例えば、車体の溶接作業などを自動で実行する生産ロボット又は生産機器が含まれる。ロボット１０１は、関節軸として複数のモータ駆動系を備える。モータ駆動系は、ロボットアームなどの回転機構の駆動源としてサーボモータを備え、サーボモータが減速機１４を介してロボットアームを駆動する。サーボモータを動作させることにより、例えば、ロボットアームの先端に搭載した溶接電極を、加工の対象となる対象物、例えば、金属製のブランク材に接触させて、溶接作業を実施する。「可動部を有する機器」には、溶接作業を行うロボット以外にも、対象物のプレス、塗装、樹脂成形、組み立て、等の各種の作業を実施するロボットが含まれる。

ロボット１０１には、センサ１３が取り付けられている。具体的には、減速機１４には、トルクセンサが内蔵されている。トルクセンサが内蔵されているのは、減速機に限らず、減速機と連結されたモータであってもよい。センサ１３は、所定の周期で繰り返し、ロボット１０１の状態を示す様々な物理量を検出して時系列データとして出力する。ロボット１０１の状態を示す様々な物理量（以後、単に「物理量」と略する）は、一定間隔毎に観測される。物理量には、ロボット１０１の異常を判定する為に必要となるモータ駆動系の様々なデータが含まれる。物理量には、例えば、サーボモータの回転角位置、回転速度、消費電力、消費電流、減速機１４から出力されるトルク値、減速機１４の回転機構の振動値が含まれる。センサ１３は、サーボモータ又は関節軸に加わる加速度を検出する加速度センサであってもよく、この場合、時系列データとして加速度の検出値を出力する。

ロボット１０１は、センサ１３により検出されたトルク値（トルク検出値）から、減速機１４に発生する外乱トルクを演算する外乱トルク演算部１５を備える。外乱トルクとは、減速機１４を制御する際のトルク指令値と、センサ１３により検出されたトルク検出値との差分を示す。減速機１４が正常であり安定的に動作しているときは、トルク指令値とトルク検出値との差分はほぼ一定となるので、外乱トルクは安定した数値を示す。減速機１４に異常が発生している場合には減速機１４は安定的に動作せず、外乱トルクに変化が生じる。

なお、「外乱トルク」は、ロボット１０１から取得された時系列データの一例である。トルク指令値及びトルク検出値は、それぞれ一定の時間間隔をおいて取得される時系列データであるため、外乱トルクも同様にして時系列データである。センサ１３が関節軸又はサーボモータに加わる加速度を検出する加速度センサである場合、ロボット１０１に取り付けられたセンサ１３から取得された時系列データは、
「加速度の検出値」となる。

ロボット１０１は、更に、動作制御部１２と、通信部１１とを備える。動作制御部１２は、予め設定された動作プログラムに従ってサーボモータを動作させ、ロボット１０１に搭載されたロボットアーム及び関節軸が所望の動作を行うように制御する。ロボット１０１がティーチプレイバック型のロボットである場合、動作制御部１２は、ティーチングにより設定された動作プログラムに従ってサーボモータを動作させる。更に、動作制御部１２は、ロボット１０１を稼働させた時の稼働データを通信部１１へ出力する。

通信部１１は、ロボット１０１の稼働データ及び外乱トルク、及びセンサ１３で検出された各種のセンサデータを異常検知装置１０２へ送信する。

上記した外乱トルク演算部１５及び動作制御部１２は、１又は２以上の演算回路により実装することができる。演算回路は、ＣＰＵ、メモリを備える汎用のマイクロコンピュータ、特定用途向け集積回路（ＡＳＩＣ）、又は、従来型の電気回路により実現可能である。

異常検知装置１０２は、ロボット１０１との間で通信を行う通信部２１と、制御部５１と、センサデータベース３１と、稼働履歴データベース３２と、保全データベース３３とを備える。

通信部２１は、ロボット１０１の通信部１１との間で通信を行い、データの送受信を行う。具体的には、通信部２１は、ロボット１０１から、稼働データ、外乱トルク、及び各種のセンサデータを受信する。通信部２１は、「センサ信号入力部」の一例である。通信部２１は、有線の通信又は無線の通信を行う。例えば、通信部２１は、ＬＡＮケーブルにより通信部１１に接続され、近距離無線通信（ＮＦＣ）により通信部１１に接続されている。

制御部５１は、通信部２１が受信したデータに基づいて、ロボット１０１の異常を検知する。制御部５１は、ＣＰＵ（中央処理装置）、ＲＡＭ及びＲＯＭなどのメモリ、及び入出力部を備える汎用のマイクロコンピュータを実現可能である。もちろん、ＡＳＩＣ等の専用のハードウェアを用意して、制御部５１を構成することも可能である。また、制御部５１を複数のハードウェアにより構成してもよい。

制御部５１は、第１異常検知部２６と、報知制御部２３と、パラメータ設定部２５とを備える。第１異常検知部２６は、通信部２１が受信した外乱トルクに基づいて、ロボット１０１に発生する異常を検知する。

具体的には、第１異常検知部２６は、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から増加しているか又は減少しているかを判定する。外乱トルクが増加している場合、及び外乱トルクが減少している場合を、それぞれ「一定の数値」で示す。第１異常検知部２６は、増加しているか又は減少しているかの判定を、特定の時刻（ｔ）をずらしながら繰り返し行う。よって、「一定の数値」は時系列データとなる。そして、第１異常検知部２６は、「一定の数値」を所定時間で積算した積算値を求め、積算値に基づいてロボット１０１（機器）の異常を検知する。以下に、第１異常検知部２６が有する複数の演算処理機能を詳細に説明する。

［差分演算］
第１異常検知部２６は、先ず、差分演算を行う。具体的に、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）と特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）との差（ｘ）を算出する。第１異常検知部２６は、特定の時刻（ｔ）をずらしながら差（ｘ）を算出する為、差（ｘ）は時系列データである。一定時間（ｋ）は、例えば、３０秒～５分である。

［分類／数値化］
次に、第１異常検知部２６は、分類／数値化の処理を行う。具体的に、第１異常検知部２６は、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から増加しているか又は減少しているかを、特定の時刻（ｔ）をずらしながら判定する。そして、第１異常検知部２６は、外乱トルクの増加又は外乱トルクの減少をそれぞれ「一定の数値」で示す。第１異常検知部２６は、特定の時刻（ｔ）をずらしながら増加又は減少を判定するため、増加又は減少を示す「一定の数値」もまた時系列データである。例えば、（２）式に示すように、外乱トルクの増加又は外乱トルクの減少を、それぞれ「一定の数値（１、０、－１）」で示す。ここで、第１基準値（ｐ_ａ）は第２基準値（ｐ_ｂ）に等しい定数、又は、第２基準値（ｐ_ｂ）よりも大きい定数である。

特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）と特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）との差（ｘ）が、第１基準値（ｐ_ａ）よりも大きい場合、第１異常検知部２６は、外乱トルクは増加していると判定して「ｆ（ｘ）＝１」を出力する。差（ｘ）が、第２基準値（ｐ_ｂ）よりも小さい場合、第１異常検知部２６は、外乱トルクは減少していると判定して「ｆ（ｘ）＝－１」を出力する。差（ｘ）が第１基準値（ｐ_ａ）以下であり、且つ前記第２基準値（ｐ_ｂ）以上である場合、第１異常検知部２６は、外乱トルクは増加も減少もしていないと判定して「ｆ（ｘ）＝０」を出力する。

（２）式の代わりに、（３）式を用いてもよい。この場合、第１異常検知部２６は、差（ｘ）が、第１基準値（ｐａ）以上である場合、第１異常検知部２６は、外乱トルクは増加していると判定して「ｆ（ｘ）＝１」を出力する。差（ｘ）が、第１基準値（ｐａ）よりも小さい場合、第１異常検知部２６は、外乱トルクは減少していると判定して「ｆ（ｘ）＝－１」を出力する。第１異常検知部２６は、外乱トルクは増加も減少もしていないと判定することはなく、「ｆ（ｘ）＝０」を出力しない。即ち、増加又は減少のいずれか一方が判断される。即ち、第１異常検知部２６は、外乱トルクの時間変化、即ち差（ｘ）を符号化することができる。なお、第１基準値（ｐａ）が第２基準値（ｐｂ）に等しい場合、（３）式と同様にして、実質的に外乱トルクの時間変化（ｘ）を符号化することができる。なぜなら、差（ｘ）が第１基準値（ｐａ）である時だけ「ｆ（ｘ）＝０」が出力されるからである。

［後処理／特徴量抽出］
次に、第１異常検知部２６は、後処理を行う。具体的に、第１異常検知部２６は、「一定の数値」を所定時間（積算時間）で積算した積算値を求める。第１異常検知部２６は、この積算値の移動平均（ＦＤ１）を特徴量として抽出する。第１異常検知部２６は、積算値の移動平均（ＦＤ１）と所定のしきい範囲とを比較することにより、ロボット１０１の異常を検知する。つまり、第１異常検知部２６は、図５Ｂにおいて、移動平均（ＦＤ１）がゼロを含むしきい範囲から超えた場合に、ロボット１０１に異常があると判断する。所定のしきい範囲は、ゼロを含む－１～＋１の範囲に設定される。

以上説明したように、第１異常検知部２６は、外乱トルクの差（ｘ）を、その絶対値に関わらず、予め定めた数値に固定されている「一定の数値」に変換し、変換された「一定の数値」を積算した積算値に基づいてロボット１０１の異常を判定する。これにより、第１異常検知部２６は、外乱トルクの差（ｘ）の絶対値に依存せず、外乱トルクの継続的な増加又は減少、即ち、継続的な傾向（トレンド）に応じて、異常を判定することができる。よって、ノイズやトルク検出値の変化幅が大きい場合であっても、微少且つ継続的な増加又は減少を見逃すことなく、継続的に変化する外乱トルクからロボット１０１の故障を精度良く検出することができる。

報知制御部２３は、第１異常検知部２６により検知されたロボット１０１の異常を、ロボット１０１の使用者に報知する。具体的には、使用者が保持するタブレット端末、スマートフォンなどの移動通信機に、異常判定の結果又は警告を表示したり、警報を発する。

パラメータ設定部２５は、第１異常検知部２６による異常判定処理において使用する種々のパラメータを設定する。具体的に、パラメータ設定部２５は、差分演算における「一定時間（ｋ）」、分類／数値化の処理における「第１基準値（ｐ_ａ）」及び「第２基準値（ｐ_ｂ）」、後処理における「積算時間」、特徴量抽出処理における「所定のしきい範囲」を、設定する。パラメータ設定部２５は、これらのパラメータを設定する際に、アンサンブル学習などの機械学習法を用いて、これらのパラメータを最適化してもよい。

センサデータベース３１は、通信部２１が受信した外乱トルクを一時的に記憶する記憶装置である。外乱トルクに限らず、サーボモータの回転角位置、回転速度、消費電力、電流、減速機１４の回転機構に発生する振動値を含む、ロボット１０１の状態を示す様々な物理量として検出された全てのセンサデータは、センサデータベース３１に記憶される。第１異常検知部２６は、異常の検知を行う際に、センサデータベース３１に記憶された外乱トルクを読み出す。

稼働履歴データベース３２は、通信部２１が受信した稼働データを一時的に記憶する記憶装置である。稼働履歴データベース３２は、稼働データとして、ロボット１０１の稼働日、稼働を開始した時刻、稼働を停止した時刻、連続して稼働した時間、を含む稼働に関する各種のデータを記憶する。

保全データベース３３は、異常が発生し、又は異常の発生が予測されたロボット１０１に対して保全を実施した場合、その保全の内容を示す保全データを記憶する。保全データは、ユーザインターフェース（ＵＩ）１０３によりロボット１０１の操作者が入力することができる。保全データには、保全を実施したロボット１０１の識別番号、保全を実施した日時、保全の内容（交換、修理、グリスの更油など）が含まれる。

ユーザインターフェース（ＵＩ）１０３は、例えば、タブレット端末、スマートフォンなどの移動通信機であり、使用者が各種の入力操作を行う操作機能、及び、各種のデータを使用者に提示する提示機能を備える。ユーザインターフェース（ＵＩ）１０３は、報知制御部２３により発報された警報、報知制御部２３から送信された異常判定の結果、又は異常を知らせる警告を、ディスプレイに表示し、又は、音声で使用者に知らせる。

図２を参照して、図１の異常検知装置１０２を用いた異常検知方法の一例について説明する。先ず、ステップＳ０１において、通信部２１は、ロボット１０１に取り付けられたセンサ１３及び外乱トルク演算部１５により算出された外乱トルクを、ロボット１０１の通信部１１から受信する。

ステップＳ０２へ進み、第１異常検知部２６は、通信部２１が受信した外乱トルクに基づいて、ロボット１０１に発生する異常を検知する。ステップＳ０２の詳細な手順は、図３及び図４を参照して後述する。

第１異常検知部２６によりロボット１０１に異常が検知された場合（ステップＳ０３でＹＥＳ）、ステップＳ０４へ進み、報知制御部２３は、第１異常検知部２６により検知されたロボット１０１の異常を、ロボット１０１の使用者に報知して、図２のフローチャートは終了する。第１異常検知部２６によりロボット１０１に異常が検知されない場合（ステップＳ０３でＮＯ）、ステップＳ０４は実施せずに、図２のフローチャートは終了する。

［第１異常検知部２６による異常検知方法（その１）］
図３を参照して、図２のステップＳ０２の詳細な手順の一例を説明する。先ず、ステップＳ２０１において、第１異常検知部２６は、先ず、差分演算を行う。具体的に、（１）式に示すように、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）と特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）との差（ｘ）を、特定の時刻（ｔ）をずらしながら繰り返し算出する。

ステップＳ２０２へ進み、第１異常検知部２６は、差（ｘ）を分類する。具体的に、（２）式に従い、第１異常検知部２６は、差（ｘ）を、以下の＜区分１＞～＜区分３＞のいずれか１つに分類する。

＜区分１＞第１基準値（ｐ_ａ）よりも大きい、
＜区分２＞第２基準値（ｐ_ｂ）よりも小さい、
＜区分３＞第１基準値（ｐ_ａ）以下であり、且つ前記第２基準値（ｐ_ｂ）以上である。

＜区分１＞は、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から増加していることを示し、＜区分２＞は、減少していることを示し、＜区分３＞は、増加も減少もしていないことを示す。

ステップＳ２０３へ進み、第１異常検知部２６は、上記した分類結果に基づき、差（ｘ）を数値化する。具体的に、第１異常検知部２６は、（２）式に従い、＜区分１＞～＜区分３＞に対して、「一定の数値」として、１、０、－１を割り当てる。＜区分１＞に分類された差（ｘ）に対して「１」を割り当て、＜区分２＞に分類された差（ｘ）に対して「－１」を割り当て、＜区分３＞に分類された差（ｘ）に対して「０」を割り当てる。

ステップＳ２０４へ進み、第１異常検知部２６は、後処理を行う。具体的に、第１異常検知部２６は、「一定の数値」を所定時間（積算時間）で積算した積算値を求める。ステップＳ２０５へ進み、第１異常検知部２６は、この積算値の移動平均（ＦＤ１）を特徴量として算出する。ステップＳ２０６へ進み、第１異常検知部２６は、積算値の移動平均（ＦＤ１）と所定のしきい範囲とを比較することにより、ロボット１０１の異常を検知する。第１異常検知部２６は、図５Ｂにおいて、移動平均（ＦＤ１）が所定のしきい範囲から超えた場合に、ロボット１０１に異常があると判断する。

［第１異常検知部２６による異常検知方法（その２）］
図４を参照して、図２のステップＳ０２の詳細な手順の他の例を説明する。図３と比較すると、図４に示す異常検知方法は、ステップＳ２０１、Ｓ２０４～Ｓ２０６が図３と一致し、図３のステップＳ２０２、Ｓ２０３の代わりに、ステップＳ２１１を実施する点が異なる。よって、ステップＳ２１１について説明する。

ステップＳ２１１では、符号化処理を行う。具体的に、（３）式に従い、第１異常検知部２６は、差（ｘ）を、以下の＜区分４＞又は＜区分５＞に分類する。

＜区分４＞第１基準値（ｐ_ａ）と等しい、又は第１基準値（ｐ_ａ）よりも大きい、
＜区分５＞第１基準値（ｐ_ａ）よりも小さい。

＜区分４＞は、特定の時刻（ｔ）での外乱トルク（ＲＤｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤｔ－ｋ）から増加していることを示し、＜区分５＞は、減少していることを示す。＜区分３＞は、ステップＳ２１１では、ステップＳ２０２とは異なり、「増加も減少もしていない」という判定結果はない。

続いて、第１異常検知部２６は、上記した分類結果に基づき、差（ｘ）を符号化する。具体的に、第１異常検知部２６は、（３）式に従い、＜区分４＞及び＜区分５＞に対して、「一定の数値」として、１、－１を割り当てる。＜区分４＞に分類された差（ｘ）に対して「１」を割り当て、＜区分５＞に分類された差（ｘ）に対して「－１」を割り当てる。

このように、外乱トルクの時間変化を、３つの区分（増加／減少／変化無し）又は２つの区分（増加／減少）に分類し、各々の区分に対して、「一定の数値」を割り当てる。これにより、外乱トルクの時間変化の大きさに依存しない、継続的な傾向を数値化又は符号化することができる。勿論、ここで示した区分の数（３つ、２つ）は例示であり、これに限定されるものではない。例えば、（２）式及び（３）式とは異なる式に従い、４つ又は５つの区分に分類してもよい。また、各々の区分（増加／減少／変化無し）に割り当てた「１」、「－１」、「０」は一例であり、予め定められた固定値であれば、他の数値であってもよい。

以上説明したように、第１実施形態によれば、以下の作用効果を得ることができる。

機器の異常は、対象物（機器）から出力される時系列データの中で、いつもと異なるパターンを特定することにより、検出することができる。一般的に、機器に搭載されたセンサを用いて抽出された時系列データは異常に対応する特徴的なパターンを有すると同時に、異常に対応しない様々な特徴のパターン（ここではノイズという）を有することが多い。

対象物（機器）としての生産設備及び車両など産業機械では、摩耗・劣化といった経時変化や機械損傷などが発生する。このため、生産設備及び産業機械の突然の故障による停止を未然に防ぐために、定期的な点検及び部品交換などのメンテナンスが行われる。しかし、生産設備及び産業機械に、いったん故障による停止が発生してしまうと、原因究明、交換部品の手配又は製作、更には大規模な修理の実施も必要となるため、生産設備及び産業機械のダウンタイムが長くなってしまう。

例えば、自動車の生産には、非常に多くのロボットが用いられている。これらロボットの内、１台でも故障してしまうと、生産ラインの全体もしくは一部が長時間にわたり停止し、巨額の損失が発生する可能性がある。このような長時間に亘る生産停止を防止するため、ロボットの異常を精度良く検知する必要がある。

生産ラインで使用される複数の関節軸を備える多関節型ロボットは、その関節軸に減速機を有する。減速機に内蔵されたトルクセンサのデータを活用し、減速機の故障診断用パラメータとしてトルクの制御指令値と実測値の差分である外乱トルクを用いた異常検出の手法がある。この手法では、外乱トルクの所定期間の平均値や分散値などの統計量を求め、予め設定された閾値を比較し、異常を判定することにより故障を予測している。

しかし、例えば、グリスの粘度変化の影響や、ロボットの動作変更に代表されるメンテナンスの影響などの種々の要因により、外乱トルクが大きく変動する。その一方で、異常の発生による外乱トルクの変化幅は、僅かであること多い。このため、許容範囲を広く設定すると、検出しなければならない異常を見逃ししてしまう。その一方で、許容範囲を狭めてしまうと、正常であるのに異常であると誤って判定してしまう。

第１実施形態に関わる異常検知装置及び異常検知方法は、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から増加しているか又は減少しているかを、特定の時刻（ｔ）をずらしながら、判定して外乱トルクの増加及び減少をそれぞれ一定の数値で示し、一定の数値を積算した積算値に基づいてロボット１０１の異常を検知する。これにより、時系列データ（外乱トルク）の変化幅の大小に関わらず、継続的な変化を検出することでできる。よって、ノイズやセンサ信号の変化幅の大きい中から、微小だが継続的な外乱トルクの変化を精度良く抽出し、ロボット１０１の故障を精度良く検知することができる。

図５Ａに示すように、外乱トルク（ＲＤ１）が微少だが継続的に減少している場合、外乱トルク（ＲＤ１）又はその移動平均（ＡＤ１）としきい値とを対比しても、微少だが継続的な外乱トルク（ＲＤ１）又はその移動平均の減少（ＡＤ１）を、抽出することは難しい。なぜなら、微少な変化幅に対してノイズの方が大きいからである。これに対して、図５Ｂに示すように、外乱トルク（ＲＤ１）の継続的な変化を「一定の数値」で置き換え、「一定の数値」の積算値（ＦＤ１）としきい値とを対比することにより、微少だが継続的な外乱トルク（ＲＤ１）又はその移動平均（ＡＤ１）の減少を、抽出することができる。

更に、図５Ｃに示すように、外乱トルク（ＲＤ１）が大きく減少する場合、その減少が継続していれば、当該減少はノイズではないと判断できる。よって、図５Ｄに示すように、「一定の数値」の積算値（ＦＤ２）としきい値とを対比することにより、継続的な外乱トルク（ＲＤ２）又はその移動平均（ＡＤ２）の減少を、抽出することができる。

一方、図５Ｅに示すように、外乱トルク（ＲＤ３）が大きく減少する場合であっても、その減少が一時的であり、継続していなければ、当該減少はノイズである恐れがある。この場合、図５Ｆに示すように、「一定の数値」の積算値（ＦＤ３）の変化幅は、図５Ｂ及び図５Ｄに比べて小さい。よって、第１異常検知部２６は、積算値（ＦＤ３）としきい値とを対比することにより、一時的な外乱トルク（ＲＤ３）又はその移動平均（ＡＤ３）の減少を、排除することができる。よって、第１異常検知部２６は、図５Ｅのような一時的な外乱トルク（ＲＤ３）の減少を、その減少幅に関わらず、ノイズとして捉えて、異常とは判断しない。

第１異常検知部２６は、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）と特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）との差（ｘ）が第１基準値（ｐ_ａ）より大きい場合に増加していると判定する。第１異常検知部２６は、差（ｘ）が第１基準値（ｐ_ａ）と同じ又は第１基準値（ｐ_ａ）よりも小さい第２基準値（ｐ_ｂ）より小さい場合に減少していると判定する。差（ｘ）を用いて、外乱トルクの増加／減少を判断することができる。

第１異常検知部２６は、更に、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から増加も減少もしていないことを判定し、増加及び減少のいずれでもないことを一定の数値で示してもよい。外乱トルクのノイズ部分を除去することができる。

第１異常検知部２６は、差（ｘ）が第１基準値（ｐ_ａ）以下であり、且つ第２基準値（ｐ_ｂ）以上である場合に、外乱トルクは増加も減少もしていないと判定する。差（ｘ）を用いて、外乱トルクの増加／減少を判断することができる。

一定の数値は、差（ｘ）の絶対値に関わらず、予め定めた値に固定されている。これにより、外乱トルクの大きな変化だけでなく、継続的なわずかな変化をも検出することができる。

（２）式に示したように、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から増加していることを示す一定の数値（ｆ（ｘ）＝１）と、特定の時刻（ｔ）での外乱トルク（ＲＤ_ｔ）が特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルク（ＲＤ_ｔ－ｋ）から減少していることを示す一定の数値（ｆ（ｘ）＝－１）とは、互いに絶対値が等しく、且つ符号が異なる。増加／減少の絶対量を排除して増加／減少の傾向だけを抽出することができる。

第１異常検知部２６は、ステップＳ２０５の特徴量抽出処理において、積算値の移動平均（ＦＤ１）を特徴量として算出する。そして、第１異常検知部２６は、積算値の移動平均（ＦＤ１）に基づいてロボット１０１の異常を検知する。微小だが継続的な外乱トルクの変化を精度良く抽出し、ロボット１０１の故障を精度良く検知することができる。

パラメータ設定部２５は、アンサンブル学習などの機械学習を用いて第１基準値及び前記第２基準値の各々を最適化する。これにより、増加も減少もしていない外乱トルクの範囲を最適化することができる。パラメータ設定部２５は、積算値の移動平均をとる時間の長さをアンサンブル学習などの機械学習を用いて最適化してもよい。

（変形例）
差分演算（ステップＳ２０１）において、第１異常検知部２６は、外乱トルクの移動平均を算出し、特定の時刻（ｔ）での外乱トルクの移動平均と特定の時刻よりも一定時間前（ｔ－ｋ）の外乱トルクの移動平均との差（ｘ’）を、特定の時刻（ｔ）をずらしながら繰り返し算出してもよい。つまり、外乱トルク（ＲＤ）自体を使う代わりに、外乱トルク（ＲＤ）の移動平均を用いてもよい。例えば、図５Ａ、５Ｃ、５Ｅに示すように、ノイズ成分が大きい外乱トルク（ＲＤ１、ＲＤ２、ＲＤ３）の代わりに、ノイズ成分を除去した移動平均（ＡＤ１、ＡＤ２、ＡＤ３）を使用して、差（ｘ’）を算出することができる。差（ｘ’）からノイズ成分を除去することができるので、より精度良く故障を検知することができる。パラメータ設定部２５は、外乱トルクの移動平均をとる時間の長さをアンサンブル学習などの機械学習を用いて最適化してもよい。

（第２実施形態）
第２実施形態では、異なる２つの異常検知アルゴリズムを組み合わせた異常検知装置及び異常検知方法について説明する。図６に示すように、第２実施形態に関わる異常検知装置１０２は、図１の異常検知装置１０２に比べて、次の２つの点で相違する。第１に、制御部５１が第２異常検知部２７を更に備える。第２に、異常検知装置１０２が正常モデルデータベース３４を更に備える。

第２異常検知部２７は、第１異常検知部２６とは異なる異常検知アルゴリズムによって、ロボット１０１の異常を検知する。第２異常検知部２７の異常検知アルゴリズムは、いずれの既知のアルゴリズムであってもよい。

［確率分布を用いた異常検知］
例えば、第２異常検知部２７は、外乱トルクの確率分布（確率密度分布を含む）に基づいて、異常を検知可能である。第２異常検知部２７は、センサデータベース３１から所定期間における外乱トルク（時系列データ）を読み出し、読み出した外乱トルクに基づいて、確率分布を演算する。具体的に、第２異常検知部２７は、現在から所定の時間（例えば、１２時間）だけ遡った期間を所定期間に設定し、例えば、周知のカーネル密度推定を用いて、所定期間における外乱トルクの確率分布を算出する。

正常モデルデータベース３４には、外乱トルクの平均値をゼロとした、評価用正常モデルを記憶している。評価用正常モデルの作成方法として、分散と平均値を用いたｔ分布、正規分布を用いることができる。また、ヒストグラムを用いることもできる。第２異常検知部２７は、外乱トルクの確率分布と評価用正常モデルとを比較することにより、確率密度比を特徴量として算出する。第２異常検知部２７は、確率密度比としきい値とを比較することにより、異常を判定する。

図９Ａは、正常モデルデータベース３４に記憶されている評価用正常モデル６０の一例を示す。図９Ｂは、第２異常検知部２７により算出された外乱トルクの確率分布６１ａの一例を示す。第２異常検知部２７は、図９Ｄに示すように、評価用正常モデル６０の平均値を、確率分布６１ａの平均値（２００）と一致するように修正する。修正後の評価用正常モデル６２ａと確率分布６１ａとを対比し、両者の相違が所定値以上に大きい場合に、異常があると判定する。例えば、図９Ｂの確率分布６１ａは、図９Ｄに示す修正後の評価用正常モデル６２ａから大きくはずれていないため、異常はないと判定される。一方、図９Ｃの確率分布６１ｂは、図９Ｅ修正後の評価用正常モデル６２ｂから大きくはずれているため、異常があると判定される。

［異常度を用いた異常検知］
或いは、第２異常検知部２７は、（４）式により定義される外乱トルクの異常度（Ｇ（ｒ））に基づいて、異常を検知してもよい。（４）式において、ｍは外乱トルクの標本平均、ｓは外乱トルクの標準偏差、ｒが外乱トルクである。第２異常検知部２７は、外乱トルクの異常度（Ｇ（ｒ））が所定の閾値を上回った時に、異常があると判定する。

第２異常検知部２７は、上記した確率分布又は異常度を用いた異常検知アルゴリズムの代わりに、その他の既知の異常検知アルゴリズムを用いて、ロボット１０１の異常を検知しても構わない。

このように、第２実施形態の異常検知装置１０２は、第１異常検知部２６による異常の検知結果と第２異常検知部２７による異常の検知結果とを組み合わせて、１つの検知結果を出力する。検知結果の組合せ型の例として、直列型と並列型とを説明する。

［直列型］
第１異常検知部２６又は第２異常検知部２７は、第２異常検知部２７又は第１異常検知部２６により検出された異常が発生した時刻又は時刻を含む時間帯における時系列データに基づいてロボット１０１の異常を検知する。先ず、第１異常検知部２６及び第２異常検知部２７の一方が異常を検知する。第１異常検知部２６及び第２異常検知部２７の他方は、当該一方が検知した異常が発生した時刻又は時刻を含む時間帯に限り、異常の有無を探索する。第１異常検知部２６及び第２異常検知部２７の他方は、一方が異常を検知していない時刻又は時間帯について、異常の有無を探索しない。

図７を参照して、図６の異常検知装置１０２の直列型の動作の一例を説明する。先ず、ステップＳ０１において、通信部２１は、ロボット１０１に取り付けられたセンサ１３及び外乱トルク演算部１５により算出された外乱トルクを、ロボット１０１の通信部１１から受信する。

ステップＳ５１へ進み、第１異常検知部２６は、通信部２１が受信した外乱トルクに基づいて、ロボット１０１に発生する異常を検知する。ステップＳ５１の詳細な手順は、図３又は図４を参照して説明したステップＳ０２の詳細な手順と同じである為、説明を省略する。

第１異常検知部２６によりロボット１０１に異常が検知された場合（ステップＳ５２でＹＥＳ）、ステップＳ５４へ進み、制御部５１は、第１異常検知部２６により異常が検知された時刻又は時間帯を設定する。

ステップＳ５４へ進み、第２異常検知部２７は、通信部２１が受信した外乱トルクの確率分布又は異常度に基づいて、ロボット１０１に発生する異常を検知する。この時、第２異常検知部２７は、第１異常検知部２６が検知した異常が発生した時刻又は時間帯に限り、異常の有無を探索する。第２異常検知部２７は、外乱トルクの確率分布又は異常度の代わりに、他の既知の方法により、ロボット１０１に発生する異常を検知してもよい。

第２異常検知部２７によりロボット１０１に異常が検知された場合（ステップＳ５５でＹＥＳ）、ステップＳ０４へ進み、報知制御部２３は、第１異常検知部２６及び第２異常検知部２７の双方により検知されたロボット１０１の異常を、ロボット１０１の使用者に報知して、図７のフローチャートは終了する。第１異常検知部２６によりロボット１０１に異常が検知されない場合（ステップＳ５２でＮＯ）、及び、第２異常検知部２７によりロボット１０１に異常が検知されない場合（ステップＳ５５でＮＯ）、ステップＳ０４は実施せずに、図７のフローチャートは終了する。

なお、図７の例では、第１異常検知部２６が先に異常判定を実施し、その後、第２異常検知部２７が異常判定を実施する例を示したが、第１異常検知部２６と第２異常検知部２７とを入れ替えて実施しても構わない。

［並列型］
第１異常検知部２６と第２異常検知部２７との組合せ型は、上記した直列型に限らない。例えば、第１異常検知部２６と第２異常検知部２７とを並列に組み合わせてもよい。つまり、第２実施形態に係わる異常検知装置は、図８に示す並列型の動作により、異常を検知してもよい。図８は、図６の異常検知装置１０２の並列型の動作の一例を示すフローチャートである。

報知制御部２３は、第１異常検知部２６により検出された異常と、第２異常検知部２７により検出された異常とが同じ時刻又は同じ時間帯に発生している場合、ロボット１０１の異常を報知するよう制御してもよい。換言すれば、異常検知装置１０２は、第１異常検知部２６により検出された異常の発生時刻と、第２異常検知部２７により検出された異常の発生時刻と対比し、発生時刻が一致する場合、或いは、所定の時間帯に収まっている場合、当該異常を、ロボット１０１の異常として認識してもよい。これにより、報知制御部２３は、異なる２つの異常検知アルゴリズムの双方によって検知された異常のみを出力することができる。よって、第１実施形態に比べて、異常の過検知を低減することができる。

図８を参照して、図６の異常検知装置１０２の並列型の動作の一例を説明する。先ず、ステップＳ０１において、通信部２１は、ロボット１０１に取り付けられたセンサ１３及び外乱トルク演算部１５により算出された外乱トルクを、ロボット１０１の通信部１１から受信する。

ステップＳ５１へ進み、第１異常検知部２６は、通信部２１が受信した外乱トルクに基づいて、ロボット１０１に発生する異常を検知する。ステップＳ５１の詳細な手順は、図３又は図４を参照して説明したステップＳ０２の詳細な手順と同じである為、説明を省略する。

ステップＳ５６へ進み、第２異常検知部２７は、通信部２１が受信した外乱トルクの確率分布又は異常度に基づいて、ロボット１０１に発生する異常を検知する。この時、第２異常検知部２７は、検知対象となる時刻又は時間帯を限定すること無く、ステップＳ５１と同じ範囲において、異常の有無を探索する。

ステップＳ５１（第１異常検知部２６）及びステップＳ５６（第２異常検知部２７）の各々で、ロボット１０１に異常が検知された場合（ステップＳ５７でＹＥＳ）、ステップＳ５８へ進み、制御部５１は、ステップＳ５１及びステップＳ５６で検知した異常が発生した時刻又は時間帯が一致するか否かを判断する。ここで、「時刻又は時間帯が一致する」とは、異常が発生した時刻が完全に一致する場合に限らず、ステップＳ５１及びステップＳ５６で検知された異常の双方の時刻が同じ時間帯に属している場合も含まれる。時間帯の長さは、例えば、１分以下であればよい。パラメータ設定部２５は、機械学習を用いて時間帯の長さを最適化してもよい。

時刻又は時間帯が一致する場合（Ｓ５８でＹＥＳ）、ステップＳ５９へ進み、制御部５１は、ロボット１０１に異常が発生したと判定する。ステップＳ０４へ進み、報知制御部２３は、制御部５１により判定されたロボット１０１の異常を、ロボット１０１の使用者に報知して、図８のフローチャートは終了する。ステップＳ５１又はステップＳ５６の少なくとも一方で、異常が検知されなかった場合（ステップＳ５７でＮＯ）、又は、ステップＳ５１及びステップＳ５６で検知した異常が発生した時刻又は時間帯が一致しなかった場合（ステップＳ５８でＮＯ）、ステップＳ０４は実施せずに、図８のフローチャートは終了する。

以上説明したように、報知制御部２３は、第１異常検知部２６と第２異常検知部２７とを組み合わせて検知されたロボット１０１の異常を報知するよう制御する。つまり、報知制御部２３は、異なる２つの異常検知アルゴリズムの双方によって検出された異常のみを出力する。よって、第１実施形態に比べて、正常であるにも関わらず、誤って異常があると判定する、所謂、異常の過判定を低減することができる。

第２異常検知部２７は、外乱トルクの確率分布に基づいてロボット１０１の異常を検知する。互いに異なる異常検知アルゴリズムを用いて、精度良く異常を検知することができる。

また、図７に示したように、第２異常検知部２７は、第１異常検知部２６により異常が検知された場合（Ｓ５２でＹＥＳ）のみ、且つ、第１異常検知部２６により検知された異常が発生した時刻又は時間帯に限り、ロボット１０１の異常を探索する。よって、第２異常検知部２７の演算処理負担が軽減され、処理時間が短縮される。

また、図８に示したように、第１異常検知部２６及び第２異常検知部２７が、それぞれ独立して異常を検知し、制御部５１が、検知した異常の発生時刻又は時間帯を照合することにより、異常の発生の有無を最終的に判断する。これにより、第２異常検知部２７を有さない第１実施形態の異常検知装置に比べて、異常の誤判定を抑制することができる。つまり、異常の過判定を抑制することができる。

パラメータ設定部２５は、アンサンブル学習などの機械学習を用いてステップＳ５８の時間帯の長さを最適化する。これにより、過検知を抑制して、検知精度を向上させることができる。

なお、上述の実施形態は本発明の一例である。このため、本発明は、上述の実施形態に限定されることはなく、この実施形態以外の形態であっても、本発明に係る技術的思想を逸脱しない範囲であれば、設計などに応じて種々の変更が可能であることは言うまでもない。

可動部を有する機器から取得された時系列データとして、外乱トルクを例に取り説明したが、これに限らず、例えば、関節軸などに設置された加速度センサにより検出された加速度の検出値であってもよい。第１異常検知部２６及び第２異常検知部２７は、外乱トルクを加速度の検出値に置き換えて、上記した方法によりロボット１０１の異常を検知することはできる。

２１ 通信部（センサ信号入力部）
２３ 報知制御部
２５ パラメータ設定部
２６ 第１異常検知部
２７ 第２異常検知部
１０１ ロボット（機器）
ｐ_ａ 第１基準値
ｐ_ｂ 第２基準値
ｔ 特定の時刻
ＡＤ１～ＡＤ３ 時系列データの移動平均
ＦＤ１～ＦＤ３ 積算値の移動平均
ＲＤ、ＲＤ１～ＲＤ３ 外乱トルク（時系列データ）

Claims (17)

1. 可動部を有する機器から取得された時系列データが入力されるセンサ信号入力部と、
   前記時系列データに基づいて前記機器の異常を検知する第１異常検知部と、
   前記第１異常検知部により検知された異常を報知する報知制御部と、を有し、
   前記第１異常検知部は、
   特定の時刻での前記時系列データが前記特定の時刻よりも一定時間前での時系列データから増加しているか又は減少しているかを、前記特定の時刻をずらしながら判定して、前記時系列データの増加を第１の一定の数値で示し、及び、前記時系列データの減少を第２の一定の数値で示し、
   前記第１の一定の数値と前記第２の一定の数値を積算した積算値に基づいて前記機器の異常を検知する
   ことを特徴とする異常検知装置。
2. 前記第１異常検知部は、
   前記特定の時刻での時系列データと前記特定の時刻よりも一定時間前での時系列データとの差が第１基準値より大きい場合に増加していると判定し、
   前記特定の時刻での時系列データと前記特定の時刻よりも一定時間前での時系列データとの差が前記第１基準値と同じ又は前記第１基準値よりも小さい第２基準値より小さい場合に減少していると判定する
   ことを特徴とする請求項１に記載の異常検知装置。
3. 前記第１異常検知部は、
   前記特定の時刻での前記時系列データが前記特定の時刻よりも一定時間前での時系列データから増加しているか又は減少しているか、或いは増加も減少もしていないかを、前記特定の時刻をずらしながら、判定して前記増加及び前記減少のいずれでもないことを第３の一定の数値で示すことを特徴とする請求項１に記載の異常検知装置。
4. 前記第２基準値は前記第１基準値よりも小さく、
   前記第１異常検知部は、
   前記差が前記第１基準値以下であり、且つ前記第２基準値以上である場合に、増加も減少もしていないと判定する
   ことを特徴とする請求項２に記載の異常検知装置。
5. 前記第１の一定の数値及び前記第２の一定の数値は、前記差の絶対値に関わらず、予め定めた値にそれぞれ固定されていることを特徴とする請求項２に記載の異常検知装置。
6. 前記第１異常検知部は、
   前記積算値の移動平均を算出し、
   前記積算値の移動平均に基づいて前記機器の異常を検知する
   ことを特徴とする請求項１～５のいずれか一項に記載の異常検知装置。
7. 前記第２基準値は前記第１基準値に等しく、
   前記特定の時刻での前記時系列データが前記特定の時刻よりも一定時間前での時系列データから増加していることを示す前記第１の一定の数値は、前記特定の時刻での前記時系列データが前記特定の時刻よりも一定時間前での時系列データから減少していることを示す前記第２の一定の数値とは、互いに絶対値が等しく、且つ符号が異なる
   ことを特徴とする請求項２に記載の異常検知装置。
8. 前記第１の一定の数値及び前記第２の一定の数値は、前記時系列データと一定時間前の時系列データとの差の絶対値に関わらず、予め定めた値にそれぞれ固定されていることを特徴とする請求項７に記載の異常検知装置。
9. 前記第１異常検知部は、
   前記時系列データの移動平均を算出し、
   特定の時刻での前記時系列データの移動平均が前記特定の時刻よりも一定時間前での時系列データの移動平均から増加しているか又は減少しているかを、前記特定の時刻をずらしながら判定して、前記増加及び前記減少をそれぞれ前記第１の一定の数値及び前記第２の一定の数値で示す
   ことを特徴とする請求項１又は７に記載の異常検知装置。
10. 前記第１異常検知部は、
    前記積算値の移動平均を算出し、
    前記積算値の移動平均に基づいて前記機器の異常を検知する
    ことを特徴とする請求項７又は８に記載の異常検知装置。
11. 前記第１異常検知部とは異なる方法により前記機器の異常を検知する第２異常検知部を更に備え、
    前記報知制御部は、前記第１異常検知部と前記第２異常検知部とを組み合わせて検知された前記機器の異常を報知する
    ことを特徴とする請求項１～１０のいずれか一項に記載の異常検知装置。
12. 前記第２異常検知部は、前記時系列データの確率分布に基づいて前記機器の異常を検知することを特徴とする請求項１１に記載の異常検知装置。
13. 前記第１異常検知部又は前記第２異常検知部は、前記第２異常検知部又は前記第１異常検知部により検出された前記異常が発生した時刻又は前記時刻を含む時間帯における前記時系列データに基づいて前記機器の異常を検知することを特徴とする請求項１１に記載の異常検知装置。
14. 前記報知制御部は、前記第１異常検知部により検出された前記異常と、前記第２異常検知部により検出された前記異常とが同じ時刻又は同じ時間帯に発生している場合、前記機器の異常を報知することを特徴とする請求項１１に記載の異常検知装置。
15. 機械学習を用いて前記時間帯の長さを最適化するパラメータ設定部を更に備えることを特徴とする請求項１３又は１４に記載の異常検知装置。
16. 機械学習を用いて前記第１基準値及び前記第２基準値の各々を最適化するパラメータ設定部を更に備えることを特徴とする請求項２、４又は７に記載の異常検知装置。
17. 可動部を有する機器から取得された時系列データを受信し、
    特定の時刻での前記時系列データが前記特定の時刻よりも一定時間前での時系列データから増加しているか又は減少しているかを、前記特定の時刻をずらしながら判定して、前記時系列データの増加を第１の一定の数値で示し、及び、前記時系列データの減少を第２の一定の数値で示し、
    前記第１の一定の数値と前記第２の一定の数値を積算した積算値に基づいて前記機器の異常を検知し、
    検知された異常を報知する
    ことを特徴とする異常検知方法。

Images