JPH1049223A - ニューラルネットワークを用いた故障診断方法およびその装置 - Google Patents
ニューラルネットワークを用いた故障診断方法およびその装置Info
- Publication number
- JPH1049223A JPH1049223A JP20215996A JP20215996A JPH1049223A JP H1049223 A JPH1049223 A JP H1049223A JP 20215996 A JP20215996 A JP 20215996A JP 20215996 A JP20215996 A JP 20215996A JP H1049223 A JPH1049223 A JP H1049223A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- diagnosed
- vibration component
- vibration
- diagnosis
- 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.)
- Pending
Links
Abstract
(57)【要約】
【課題】 機器の発する振動成分を元に、自動的に被診
断機器の状態を定量的に表すことができる故障診断装置
を提供する。 【解決手段】 被診断機器３が発する振動成分を検出す
る波形データ通信モジュール１１と、前記通信モジュー
ル１１が検出した振動成分から角速度および変動量を算
出する演算モジュール１２と、前記演算モジュール１２
によって算出された角速度および変動量を入力とし、予
め、該入力に用いた振動成分に対して前記被診断機器の
動作状態をもとにした教師値を出力として定めて学習さ
せたバックプロパゲーションニューラルネットワーク１
３と、該バックプロパゲーションニューラルネットワー
ク１３の出力値から被診断機器の故障状態を判断する判
断モジュール１４とよりなることを特徴とするニューラ
ルネットワークを用いた故障診断装置。
断機器の状態を定量的に表すことができる故障診断装置
を提供する。 【解決手段】 被診断機器３が発する振動成分を検出す
る波形データ通信モジュール１１と、前記通信モジュー
ル１１が検出した振動成分から角速度および変動量を算
出する演算モジュール１２と、前記演算モジュール１２
によって算出された角速度および変動量を入力とし、予
め、該入力に用いた振動成分に対して前記被診断機器の
動作状態をもとにした教師値を出力として定めて学習さ
せたバックプロパゲーションニューラルネットワーク１
３と、該バックプロパゲーションニューラルネットワー
ク１３の出力値から被診断機器の故障状態を判断する判
断モジュール１４とよりなることを特徴とするニューラ
ルネットワークを用いた故障診断装置。
Description
【０００１】
【発明の属する技術分野】本発明は、例えば産業用ロボ
ットを動作させているモータなどの動力源の故障を診断
するための方法およびその装置に関し、特にニューラル
ネットワークを用いた故障診断方法およびその装置に関
する。
ットを動作させているモータなどの動力源の故障を診断
するための方法およびその装置に関し、特にニューラル
ネットワークを用いた故障診断方法およびその装置に関
する。
【０００２】
【従来の技術】機器の診断においては、以前より振動成
分を用いた診断が行われている。例えば機器の発する動
作音、モータであれば回転速度の変化や電流、電圧の変
化などから、機械の異常を診断している。このような機
器が発する振動成分による診断は、明らかな異常音や大
きな速度変化などが見られれば異常と分かるが、機器の
動作自体は正常であるがごく僅かに振動成分に変化が現
れているような場合では、熟練した作業者の判断に頼ら
なければならない。
分を用いた診断が行われている。例えば機器の発する動
作音、モータであれば回転速度の変化や電流、電圧の変
化などから、機械の異常を診断している。このような機
器が発する振動成分による診断は、明らかな異常音や大
きな速度変化などが見られれば異常と分かるが、機器の
動作自体は正常であるがごく僅かに振動成分に変化が現
れているような場合では、熟練した作業者の判断に頼ら
なければならない。
【０００３】このような振動成分から機器診断を機械的
に行うことができれば作業者の熟練度の違いによる診断
結果の誤差が生じることもなくなるため、機器が発する
振動成分を元にした故障診断装置が求められている。
に行うことができれば作業者の熟練度の違いによる診断
結果の誤差が生じることもなくなるため、機器が発する
振動成分を元にした故障診断装置が求められている。
【０００４】
【発明が解決しようとする課題】しかしながら、従来、
速度の変化、電流や電圧値の変化そのものから診断を行
うような故障診断装置はあるものの、それらは振動成分
をＦＦＴ解析を行った上で、正常時の振動波形と、また
は異常時の振動波形を予め記憶して、それら記憶した波
形と被診断機器が発している振動波形が一致、または不
一致により判断するものが多く、このような装置では、
微妙な振動成分の変化、すなわち、記憶した振動波形と
一致するわけでもなく、不一致ではあるがよく似ている
場合など、はっきりとした機器の異常、例えば機器の停
止などが観察されない場合、これを異常と判断すること
が非常に難しく、最終的には作業者の経験に頼っている
のが現状である。
速度の変化、電流や電圧値の変化そのものから診断を行
うような故障診断装置はあるものの、それらは振動成分
をＦＦＴ解析を行った上で、正常時の振動波形と、また
は異常時の振動波形を予め記憶して、それら記憶した波
形と被診断機器が発している振動波形が一致、または不
一致により判断するものが多く、このような装置では、
微妙な振動成分の変化、すなわち、記憶した振動波形と
一致するわけでもなく、不一致ではあるがよく似ている
場合など、はっきりとした機器の異常、例えば機器の停
止などが観察されない場合、これを異常と判断すること
が非常に難しく、最終的には作業者の経験に頼っている
のが現状である。
【０００５】そこで、本発明の目的は、機器の発する振
動成分を元に、自動的に被診断機器の状態を定量的に表
すことができる診断方法およびその装置を提供すること
である。
動成分を元に、自動的に被診断機器の状態を定量的に表
すことができる診断方法およびその装置を提供すること
である。
【０００６】
【課題を解決するための手段】上記目的を達成するため
の請求項１記載の本発明は、ニューラルネットワークを
用いた故障診断方法であって、被診断機器の動作状態が
予め分かっている状態で、該被診断機器が発する振動成
分を検出する段階と、該検出した振動成分の角速度およ
び変動量を入力とし、該入力に用いた振動成分に対して
前記被診断機器の動作状態をもとにした教師値を出力に
定めて、バックプロパゲーションニューラルネットワー
クに学習させる段階と、被診断機器の故障診断のために
該被診断機器の信号成分を検出し、該検出した振動成分
の角速度および変動量を、前記学習させた後のバックプ
ロパゲーションニューラルネットワークに入力して、そ
の出力値から該被診断機器の故障状態を判断する段階と
よりなることを特徴とするニューラルネットワークを用
いた故障診断方法である。
の請求項１記載の本発明は、ニューラルネットワークを
用いた故障診断方法であって、被診断機器の動作状態が
予め分かっている状態で、該被診断機器が発する振動成
分を検出する段階と、該検出した振動成分の角速度およ
び変動量を入力とし、該入力に用いた振動成分に対して
前記被診断機器の動作状態をもとにした教師値を出力に
定めて、バックプロパゲーションニューラルネットワー
クに学習させる段階と、被診断機器の故障診断のために
該被診断機器の信号成分を検出し、該検出した振動成分
の角速度および変動量を、前記学習させた後のバックプ
ロパゲーションニューラルネットワークに入力して、そ
の出力値から該被診断機器の故障状態を判断する段階と
よりなることを特徴とするニューラルネットワークを用
いた故障診断方法である。
【０００７】また、請求項２記載の本発明は、前記請求
項１記載の構成において、前記被診断機器がモータであ
ることを特徴とするニューラルネットワークを用いた故
障診断方法である。
項１記載の構成において、前記被診断機器がモータであ
ることを特徴とするニューラルネットワークを用いた故
障診断方法である。
【０００８】また、上記目的を達成するための請求項３
記載の本発明は、ニューラルネットワークを用いた故障
診断装置であって、被診断機器が発する振動成分を検出
する振動検出手段と、前記振動診断手段が検出した振動
成分から角速度および変動量を算出する演算手段と、前
記演算手段によって算出された角速度および変動量を入
力とし、予め、該入力に用いた振動成分に対して前記被
診断機器の動作状態をもとにした教師値を出力として定
めて学習させたバックプロパゲーションニューラルネッ
トワークと、該バックプロパゲーションニューラルネッ
トワークの出力値から被診断機器の故障状態を判断する
判断手段とよりなることを特徴とするニューラルネット
ワークを用いた故障診断装置である。
記載の本発明は、ニューラルネットワークを用いた故障
診断装置であって、被診断機器が発する振動成分を検出
する振動検出手段と、前記振動診断手段が検出した振動
成分から角速度および変動量を算出する演算手段と、前
記演算手段によって算出された角速度および変動量を入
力とし、予め、該入力に用いた振動成分に対して前記被
診断機器の動作状態をもとにした教師値を出力として定
めて学習させたバックプロパゲーションニューラルネッ
トワークと、該バックプロパゲーションニューラルネッ
トワークの出力値から被診断機器の故障状態を判断する
判断手段とよりなることを特徴とするニューラルネット
ワークを用いた故障診断装置である。
【０００９】また、請求項４記載の本発明は、前記請求
項３記載の構成において、前記判断手段が、前記バック
プロパゲーションニューラルネットワークの出力値に比
例した異常の度合いを判断するものであることを特徴と
するニューラルネットワークを用いた故障診断装置であ
る。
項３記載の構成において、前記判断手段が、前記バック
プロパゲーションニューラルネットワークの出力値に比
例した異常の度合いを判断するものであることを特徴と
するニューラルネットワークを用いた故障診断装置であ
る。
【００１０】また、請求項５記載の本発明は、前記請求
項３または請求項４記載の構成において、前記被診断機
器がモータであることを特徴とするニューラルネットワ
ークを用いた故障診断装置である。
項３または請求項４記載の構成において、前記被診断機
器がモータであることを特徴とするニューラルネットワ
ークを用いた故障診断装置である。
【００１１】
【発明の効果】以上説明した本発明によれば、請求項ご
とに以下のような効果を奏する。
とに以下のような効果を奏する。
【００１２】請求項１記載の本発明によれば、被診断機
器が発する振動成分の角速度と変動量をニューラルネッ
トワークの入力に用いたことで、機器の異常を知るため
の振動成分をニューラルネットワークの学習に用いるこ
とができるようになり、機器診断に際して振動成分がど
の様なものであっても、診断時には学習されたニューラ
ルネットワークにより、その機器の振動状態から正常か
どうかを診断することができるようになる。また、振動
成分の角速度と変動量を用いているため振動のＦＦＴ解
析が不要となるのでＦＦＴ解析自体が困難な振動であっ
ても、診断に用いることが可能となる。さらには、バッ
クプロパゲーションニューラルネットワークの出力値を
異常診断に用いたことで、その出力値に応じた異常の度
合いとして被診断機器の状態を定量的に表すことができ
る。
器が発する振動成分の角速度と変動量をニューラルネッ
トワークの入力に用いたことで、機器の異常を知るため
の振動成分をニューラルネットワークの学習に用いるこ
とができるようになり、機器診断に際して振動成分がど
の様なものであっても、診断時には学習されたニューラ
ルネットワークにより、その機器の振動状態から正常か
どうかを診断することができるようになる。また、振動
成分の角速度と変動量を用いているため振動のＦＦＴ解
析が不要となるのでＦＦＴ解析自体が困難な振動であっ
ても、診断に用いることが可能となる。さらには、バッ
クプロパゲーションニューラルネットワークの出力値を
異常診断に用いたことで、その出力値に応じた異常の度
合いとして被診断機器の状態を定量的に表すことができ
る。
【００１３】請求項２記載の本発明によれば、上記請求
項１記載の構成による診断方法を、被診断機器がモータ
である場合に用いることとしたので、モータの状態を定
量的に知ることができる。
項１記載の構成による診断方法を、被診断機器がモータ
である場合に用いることとしたので、モータの状態を定
量的に知ることができる。
【００１４】請求項３記載の本発明は、被診断機器が発
する振動成分から、角速度と変動量を演算手段により算
出して、これを入力に用いて学習させたバックプロパゲ
ーションニューラルネットワークを用いて機器の異常を
診断することとしたので、診断時には学習されたニュー
ラルネットワークにより、その機器が発する振動から正
常かどうかを診断することができるようになる。また、
振動成分の角速度と変動量を用いているため振動のＦＦ
Ｔ解析が不要となるのでＦＦＴ解析自体が困難な振動で
あっても、診断に用いることが可能となる。
する振動成分から、角速度と変動量を演算手段により算
出して、これを入力に用いて学習させたバックプロパゲ
ーションニューラルネットワークを用いて機器の異常を
診断することとしたので、診断時には学習されたニュー
ラルネットワークにより、その機器が発する振動から正
常かどうかを診断することができるようになる。また、
振動成分の角速度と変動量を用いているため振動のＦＦ
Ｔ解析が不要となるのでＦＦＴ解析自体が困難な振動で
あっても、診断に用いることが可能となる。
【００１５】請求項４記載の本発明は、請求項３記載の
構成において、判断手段がバックプロパゲーションニュ
ーラルネットワークの出力値に応じた異常の度合いを判
断することとしたので、被診断機器の状態を定量的に表
すことができる。
構成において、判断手段がバックプロパゲーションニュ
ーラルネットワークの出力値に応じた異常の度合いを判
断することとしたので、被診断機器の状態を定量的に表
すことができる。
【００１６】請求項５記載の本発明によれば、請求項３
または請求項４記載の構成による故障診断装置を、被診
断機器がモータである場合に用いることとしたので、モ
ータの状態を定量的に知ることができる。
または請求項４記載の構成による故障診断装置を、被診
断機器がモータである場合に用いることとしたので、モ
ータの状態を定量的に知ることができる。
【００１７】
【発明の実施の形態】以下、添付した図面を参照して、
本発明の一実施の形態を説明する。
本発明の一実施の形態を説明する。
【００１８】図１は、本発明を適用した故障診断装置を
説明するためのブロック図である。この故障診断装置１
は、図１に示すように、被診断機器であるサーボモータ
３を制御しているサーボアンプ２に接続されており、こ
のサーボアンプ２からサーボモータ３の振動成分の信号
を取得している。
説明するためのブロック図である。この故障診断装置１
は、図１に示すように、被診断機器であるサーボモータ
３を制御しているサーボアンプ２に接続されており、こ
のサーボアンプ２からサーボモータ３の振動成分の信号
を取得している。
【００１９】故障診断装置１は、サーボアンプ２から振
動成分を取得するための振動検出手段である波形データ
通信モジュール１１と、取得した振動波形から角速度お
よび変動量を算出する演算手段である演算モジュール１
２と、該演算モジュール１２により算出された角速度お
よび変動量を入力するニューラルネットワーク１３と、
該ニューラルネットワーク１３の出力値から被診断機器
の状態を定量的に判断する判断モジュール１４とからな
る。そして、診断結果はディスプレイ１５に表示され
る。
動成分を取得するための振動検出手段である波形データ
通信モジュール１１と、取得した振動波形から角速度お
よび変動量を算出する演算手段である演算モジュール１
２と、該演算モジュール１２により算出された角速度お
よび変動量を入力するニューラルネットワーク１３と、
該ニューラルネットワーク１３の出力値から被診断機器
の状態を定量的に判断する判断モジュール１４とからな
る。そして、診断結果はディスプレイ１５に表示され
る。
【００２０】波形データ通信モジュール１１は、サーボ
アンプ２から、サーボアンプ２がサーボモータ３の動作
を制御、監視するために得ている電流値、速度フィード
バック、速度指令などのデータを取得する。取得したデ
ータは、いずれも図２に示すように、時間の経過に対し
てその変動を表せば波形となる。したがって取得したこ
れらのデータはサーボモータ３が発する振動成分であ
る。なお、振動成分としては、この他、例えば動作音や
機械的振動なども振動成分である。
アンプ２から、サーボアンプ２がサーボモータ３の動作
を制御、監視するために得ている電流値、速度フィード
バック、速度指令などのデータを取得する。取得したデ
ータは、いずれも図２に示すように、時間の経過に対し
てその変動を表せば波形となる。したがって取得したこ
れらのデータはサーボモータ３が発する振動成分であ
る。なお、振動成分としては、この他、例えば動作音や
機械的振動なども振動成分である。
【００２１】演算モジュール１２は、波形データ通信モ
ジュール１１が取得した波形から角速度と変動量とを算
出するものである。
ジュール１１が取得した波形から角速度と変動量とを算
出するものである。
【００２２】算出方法は、取得した波形の時間微分成分
を見ると、例えば図３に示すような波形である。この時
間微分成分の角速度（Δθ／Δｔ、ただしθは波形の角
度、ｔは時間）は、（Δθ／Δｔ）＝θ２−θ１（ただ
し、θ１は時間微分成分における立上がり角度、θ２は
時間微分成分における立下がり角度）である。また時間
微分成分の変動量（ΔＬ／Δｔ、ただしＬは振幅）は、
（ΔＬ／Δｔ）＝Ｌ２−Ｌ１（ただし、Ｌ１は時間微分
成分における振幅０から立上がり点までの距離、Ｌ２は
時間微分成分における振幅０から立下がり点までの距
離）である。
を見ると、例えば図３に示すような波形である。この時
間微分成分の角速度（Δθ／Δｔ、ただしθは波形の角
度、ｔは時間）は、（Δθ／Δｔ）＝θ２−θ１（ただ
し、θ１は時間微分成分における立上がり角度、θ２は
時間微分成分における立下がり角度）である。また時間
微分成分の変動量（ΔＬ／Δｔ、ただしＬは振幅）は、
（ΔＬ／Δｔ）＝Ｌ２−Ｌ１（ただし、Ｌ１は時間微分
成分における振幅０から立上がり点までの距離、Ｌ２は
時間微分成分における振幅０から立下がり点までの距
離）である。
【００２３】そして、ニューラルネットワーク１３に入
力する角速度および変動量は、前記時間微分成分を一定
区間ｔ１〜ｔｎの間の平均した値であり、ここでは、角
速度は下記（１）式のように、ｔ１〜ｔｎまでの時間微
分成分の差を正規化して２乗したものをその間のデータ
点数Ｎ個分合計してＮで割った値である。
力する角速度および変動量は、前記時間微分成分を一定
区間ｔ１〜ｔｎの間の平均した値であり、ここでは、角
速度は下記（１）式のように、ｔ１〜ｔｎまでの時間微
分成分の差を正規化して２乗したものをその間のデータ
点数Ｎ個分合計してＮで割った値である。
【００２４】
【数１】
【００２５】また、入力する変動量は下記（２）式のよ
うに、一定区間ｔ１〜ｔｎまでの時間微分成分の平均値
と前記時間微分成分の差を２乗したものをその間のデー
タ点数Ｎ個分合計したものＮで割って正規化したもので
ある。
うに、一定区間ｔ１〜ｔｎまでの時間微分成分の平均値
と前記時間微分成分の差を２乗したものをその間のデー
タ点数Ｎ個分合計したものＮで割って正規化したもので
ある。
【００２６】
【数２】
【００２７】なお、（１）式および（２）式中、関数ｆ
（ｔ）は、時間ｔにおける振幅、すなわち、前記図３に
おけるΔＬ／Δｔにあたる。また、正規化用係数１およ
び正規化用係数２は、上記（１）式および（２）式の値
がおよそ−１から１の範囲におさまるように調整するた
めのものである。このような正規化用係数を用いて
（１）式および（２）式の値を−１〜１の範囲となる用
にしたのは、ニューラルネットワーク中で使用される伝
達関数が入力レンジ−１〜１に対して、その出力特性が
線形なため（それ以外のレンジでは準線形な特性であ
る）、（１）式および（２）式の値を−１〜１の間に線
形写像（正規化）しておかないと、次の段の層にうまく
出力が行われずニューラルネットワークの学習が進行し
ないためである。
（ｔ）は、時間ｔにおける振幅、すなわち、前記図３に
おけるΔＬ／Δｔにあたる。また、正規化用係数１およ
び正規化用係数２は、上記（１）式および（２）式の値
がおよそ−１から１の範囲におさまるように調整するた
めのものである。このような正規化用係数を用いて
（１）式および（２）式の値を−１〜１の範囲となる用
にしたのは、ニューラルネットワーク中で使用される伝
達関数が入力レンジ−１〜１に対して、その出力特性が
線形なため（それ以外のレンジでは準線形な特性であ
る）、（１）式および（２）式の値を−１〜１の間に線
形写像（正規化）しておかないと、次の段の層にうまく
出力が行われずニューラルネットワークの学習が進行し
ないためである。
【００２８】ニューラルネットワーク１３は、図４に示
すように、入力層に２つの入力ＡおよびＢをもち、出力
層として１つの出力を持つバックプロパゲーションニュ
ーラルネットワークである。入力ＡおよびＢには既述の
ようにそれぞれ角速度と変動量が入力され、出力では予
め行われている学習結果に基づいて０〜１の出力値が出
力される。
すように、入力層に２つの入力ＡおよびＢをもち、出力
層として１つの出力を持つバックプロパゲーションニュ
ーラルネットワークである。入力ＡおよびＢには既述の
ようにそれぞれ角速度と変動量が入力され、出力では予
め行われている学習結果に基づいて０〜１の出力値が出
力される。
【００２９】診断モジュール１４は、前記ニューラルネ
ットワーク１３からの出力値から被診断機器の状態を判
断してディスプレイ１５上に表示する。例えばニューラ
ルネットワーク１３の出力が０．８であれば、正常時よ
り８０％振動が多くなってるので、故障または故障が起
こる確率が高いことをディスプレイ上に表示する。同様
に出力値が０のときには正常であることを表示する。
ットワーク１３からの出力値から被診断機器の状態を判
断してディスプレイ１５上に表示する。例えばニューラ
ルネットワーク１３の出力が０．８であれば、正常時よ
り８０％振動が多くなってるので、故障または故障が起
こる確率が高いことをディスプレイ上に表示する。同様
に出力値が０のときには正常であることを表示する。
【００３０】なお、本実施の形態の被検査機器であるサ
ーボモータ３は、工場の生産設備としては、例えば産業
用ロボットやタレットマシンなどといったその動作に精
密な動きを要求されるものに多く用いられていて、サー
ボアンプ２の速度指令によって一定の速度で回転するモ
ータである。そしてサーボアンプ２はサーボモータ３の
速度フィードバックや電流値、電圧値などをモニタして
いる。なお、本実施の形態におけるサーボモータ３は電
流が変化することによりモータの回転速度が変化するタ
イプのものである。
ーボモータ３は、工場の生産設備としては、例えば産業
用ロボットやタレットマシンなどといったその動作に精
密な動きを要求されるものに多く用いられていて、サー
ボアンプ２の速度指令によって一定の速度で回転するモ
ータである。そしてサーボアンプ２はサーボモータ３の
速度フィードバックや電流値、電圧値などをモニタして
いる。なお、本実施の形態におけるサーボモータ３は電
流が変化することによりモータの回転速度が変化するタ
イプのものである。
【００３１】以下この故障診断装置１の動作について説
明する。
明する。
【００３２】この故障診断装置１では、上述のように、
ニューラルネットワークを用いているため、診断に先立
ち、まず、ニューラルネットワーク１３の学習を行う必
要がある。
ニューラルネットワークを用いているため、診断に先立
ち、まず、ニューラルネットワーク１３の学習を行う必
要がある。
【００３３】ニューラルネットワーク１３の学習は、被
診断機器の動作状態が分かっているものについて、その
振動成分を取得して、取得した振動成分から演算モジュ
ール１２によって算出された角速度と変動量とを入力Ａ
およびＢに入力し、同時に出力の値として教師信号を出
力側に設定する。
診断機器の動作状態が分かっているものについて、その
振動成分を取得して、取得した振動成分から演算モジュ
ール１２によって算出された角速度と変動量とを入力Ａ
およびＢに入力し、同時に出力の値として教師信号を出
力側に設定する。
【００３４】具体的には、取得した振動波形の、ある一
定区間を決めて、その区間内の角速度と変動量の時間微
分成分を、前述した（１）式および（２）式によって平
均化してこれを入力し、その状態にあった教師信号の値
を出力として設定する。これを複数のサンプル振動波形
について行うことによりニューラルネットワーク１３の
学習が行われる。
定区間を決めて、その区間内の角速度と変動量の時間微
分成分を、前述した（１）式および（２）式によって平
均化してこれを入力し、その状態にあった教師信号の値
を出力として設定する。これを複数のサンプル振動波形
について行うことによりニューラルネットワーク１３の
学習が行われる。
【００３５】ここで、学習に用いる振動波形の具体例を
図５〜図１０に示す。ここではサーボモータ３の速度指
令に対する実際のモータの速度である速度フィードバッ
クを振動成分として学習させた例である。ここで、図５
および図６はほぼ正常な状態であり、したがって、教師
信号としては０に近い値（図５では０．１、図６では
０．３）を設定している。図７および図８は正常と異常
の間ぐらいの振動が見られる状態であり、教師信号とし
ては中くらいの値（図７では０．５、図８では０．６）
を設定している。図９および図１０は振動が大きく異常
状態であり、教師信号として１もしくは１に近い値（図
９では０．９、図１０では１．０）を設定している。な
お、図５〜１０においては各図の縦軸のスケールがそれ
ぞれ異なる。
図５〜図１０に示す。ここではサーボモータ３の速度指
令に対する実際のモータの速度である速度フィードバッ
クを振動成分として学習させた例である。ここで、図５
および図６はほぼ正常な状態であり、したがって、教師
信号としては０に近い値（図５では０．１、図６では
０．３）を設定している。図７および図８は正常と異常
の間ぐらいの振動が見られる状態であり、教師信号とし
ては中くらいの値（図７では０．５、図８では０．６）
を設定している。図９および図１０は振動が大きく異常
状態であり、教師信号として１もしくは１に近い値（図
９では０．９、図１０では１．０）を設定している。な
お、図５〜１０においては各図の縦軸のスケールがそれ
ぞれ異なる。
【００３６】設定する教師信号の値は、これまでの作業
者、特に熟練者の経験などに基づき、振動成分の波形の
大きさや変動の仕方などを総合的に判断して設定する。
者、特に熟練者の経験などに基づき、振動成分の波形の
大きさや変動の仕方などを総合的に判断して設定する。
【００３７】このようなニューラルネットワークの学習
に用いるサンプルデータの数は、できるだけ多い方が診
断時の精度が向上するものであり、データ数としては少
なくとも入力した角速度と変動量に対して、出力される
値が教師信号の値に近くなるまで行われる。例えば出力
の値を０．１きざみとするのであれば、出力と教師信号
の差が０．１以下となるまで続けるとよい。もちろん、
それ程の精度を要求しない場合にはデータの数は少なく
てもよい。
に用いるサンプルデータの数は、できるだけ多い方が診
断時の精度が向上するものであり、データ数としては少
なくとも入力した角速度と変動量に対して、出力される
値が教師信号の値に近くなるまで行われる。例えば出力
の値を０．１きざみとするのであれば、出力と教師信号
の差が０．１以下となるまで続けるとよい。もちろん、
それ程の精度を要求しない場合にはデータの数は少なく
てもよい。
【００３８】なお、学習させる振動成分としては上記の
ような速度フィードバックに限られるものではなく、例
えばモニタしている電流値や電圧値、さらに動作音や機
械的振動などでもよく、これらを診断に用いる振動成分
として適宜学習させればよい。
ような速度フィードバックに限られるものではなく、例
えばモニタしている電流値や電圧値、さらに動作音や機
械的振動などでもよく、これらを診断に用いる振動成分
として適宜学習させればよい。
【００３９】以上のようなニューラルネットワーク１３
の学習が終了すれば、被診断機器の診断を実行すること
ができる。実際の診断は、診断対象の機器、ここではサ
ーボモータ３の速度フィードバックをサーボアンプ２か
ら波形データ通信モジュール１１が取得して、その波形
データの中から演算モジュール１２が一定区間の角速度
および変動量の平均値を算出して、これをニューラルネ
ットワーク１３に入力し、その出力結果の値（０〜１．
０）から判断モジュール１４がサーボモータ３に異常が
あるかどうかを定量的に判断してディスプレイ１５上に
表示する。
の学習が終了すれば、被診断機器の診断を実行すること
ができる。実際の診断は、診断対象の機器、ここではサ
ーボモータ３の速度フィードバックをサーボアンプ２か
ら波形データ通信モジュール１１が取得して、その波形
データの中から演算モジュール１２が一定区間の角速度
および変動量の平均値を算出して、これをニューラルネ
ットワーク１３に入力し、その出力結果の値（０〜１．
０）から判断モジュール１４がサーボモータ３に異常が
あるかどうかを定量的に判断してディスプレイ１５上に
表示する。
【００４０】これにより、診断時の振動成分の波形が学
習時の波形と異なるものであっても、また、熟練した作
業者でなくても、被診断機器の発する振動成分から被診
断機器の診断を行うことができ、その診断結果は定量的
な値として出力される。そしてその出力値が大きい程、
現状で目立った異常が観察されていなくても、異常が発
生する可能性の高いことが分かり、異常発生（故障によ
る機器の停止など）前に修理を行うといった早期の対策
を立てることが可能となる。
習時の波形と異なるものであっても、また、熟練した作
業者でなくても、被診断機器の発する振動成分から被診
断機器の診断を行うことができ、その診断結果は定量的
な値として出力される。そしてその出力値が大きい程、
現状で目立った異常が観察されていなくても、異常が発
生する可能性の高いことが分かり、異常発生（故障によ
る機器の停止など）前に修理を行うといった早期の対策
を立てることが可能となる。
【図１】 本発明を適用した故障診断装置の構成を説明
するためのブロック図である。
するためのブロック図である。
【図２】 振動成分の波形を示す図面である。
【図３】 角速度および変動量の時間微分成分を説明す
るための図面である。
るための図面である。
【図４】 バックプロパゲーションニューラルネットワ
ークを示す図面である。
ークを示す図面である。
【図５】 ニューラルネットワークの学習に用いる振動
成分の具体例を示す図面である。
成分の具体例を示す図面である。
【図６】 ニューラルネットワークの学習に用いる振動
成分の具体例を示す図面である。
成分の具体例を示す図面である。
【図７】 ニューラルネットワークの学習に用いる振動
成分の具体例を示す図面である。
成分の具体例を示す図面である。
【図８】 ニューラルネットワークの学習に用いる振動
成分の具体例を示す図面である。
成分の具体例を示す図面である。
【図９】 ニューラルネットワークの学習に用いる振動
成分の具体例を示す図面である。
成分の具体例を示す図面である。
【図１０】 ニューラルネットワークの学習に用いる振
動成分の具体例を示す図面である。
動成分の具体例を示す図面である。
１…故障診断装置、 ２…サーボアンプ、 ３…サーボモータ、 １１…波形データ通信モジュール。 １２…演算モジュール、 １３…ニューラルネットワーク、 １４…判断モジュール。
Claims (5)
- 【請求項１】 ニューラルネットワークを用いた故障診
断方法であって、 被診断機器の動作状態が予め分かっている状態で、該被
診断機器が発する振動成分を検出する段階と、 該検出した振動成分の角速度および変動量を入力とし、
該入力に用いた振動成分に対して前記被診断機器の動作
状態をもとにした教師値を出力に定めて、バックプロパ
ゲーションニューラルネットワークに学習させる段階
と、 被診断機器の故障診断のために該被診断機器の信号成分
を検出し、該検出した振動成分の角速度および変動量
を、前記学習させた後のバックプロパゲーションニュー
ラルネットワークに入力して、その出力値から該被診断
機器の故障状態を判断する段階とよりなることを特徴と
するニューラルネットワークを用いた故障診断方法。 - 【請求項２】 前記被診断機器がモータであることを特
徴とする請求項１記載のニューラルネットワークを用い
た故障診断方法。 - 【請求項３】 ニューラルネットワークを用いた故障診
断装置であって、 被診断機器が発する振動成分を検出する振動検出手段
と、 前記振動診断手段が検出した振動成分から角速度および
変動量を算出する演算手段と、 前記演算手段によって算出された角速度および変動量を
入力とし、予め、該入力に用いた振動成分に対して前記
被診断機器の動作状態をもとにした教師値を出力として
定めて学習させたバックプロパゲーションニューラルネ
ットワークと、 該バックプロパゲーションニューラルネットワークの出
力値から被診断機器の故障状態を判断する判断手段とよ
りなることを特徴とするニューラルネットワークを用い
た故障診断装置。 - 【請求項４】 前記判断手段が、前記バックプロパゲー
ションニューラルネットワークの出力値に比例した異常
の度合いを判断するものであることを特徴とする請求項
３記載のニューラルネットワークを用いた故障診断装
置。 - 【請求項５】 前記被診断機器がモータであることを特
徴とする請求項３または請求項４記載のニューラルネッ
トワークを用いた故障診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20215996A JPH1049223A (ja) | 1996-07-31 | 1996-07-31 | ニューラルネットワークを用いた故障診断方法およびその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20215996A JPH1049223A (ja) | 1996-07-31 | 1996-07-31 | ニューラルネットワークを用いた故障診断方法およびその装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1049223A true JPH1049223A (ja) | 1998-02-20 |
Family
ID=16452942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP20215996A Pending JPH1049223A (ja) | 1996-07-31 | 1996-07-31 | ニューラルネットワークを用いた故障診断方法およびその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1049223A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10176949A (ja) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | ニューラルネットワーク処理振動データ分析を用いる機械部品試験装置および方法 |
| KR20020051322A (ko) * | 2000-12-22 | 2002-06-29 | 이구택 | 회전기의 다채널 진동감시장치 |
| CN102508486A (zh) * | 2011-11-09 | 2012-06-20 | 李伟 | 一种使用can通信数据协议的励磁故障诊断方法及装置 |
| JP2017120649A (ja) * | 2015-07-31 | 2017-07-06 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
| CN110687896A (zh) * | 2019-10-24 | 2020-01-14 | 利维智能（深圳）有限公司 | 故障诊断方法、装置、设备及可读介质 |
| WO2020195537A1 (ja) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
| JP6782936B1 (ja) * | 2020-03-11 | 2020-11-11 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
| US11275345B2 (en) | 2015-07-31 | 2022-03-15 | Fanuc Corporation | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03213450A (ja) * | 1990-01-18 | 1991-09-18 | Mitsubishi Electric Corp | 車輪速検出器の故障検出装置 |
| JPH04106429A (ja) * | 1990-08-28 | 1992-04-08 | Kobe Steel Ltd | 回転機械の異常診断装置 |
| JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
| JPH07228443A (ja) * | 1994-02-15 | 1995-08-29 | Hitachi Building Syst Eng & Service Co Ltd | エレベーターの点検装置 |
-
1996
- 1996-07-31 JP JP20215996A patent/JPH1049223A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03213450A (ja) * | 1990-01-18 | 1991-09-18 | Mitsubishi Electric Corp | 車輪速検出器の故障検出装置 |
| JPH04106429A (ja) * | 1990-08-28 | 1992-04-08 | Kobe Steel Ltd | 回転機械の異常診断装置 |
| JPH0572026A (ja) * | 1991-09-18 | 1993-03-23 | Hitachi Ltd | 回転系設備故障診断装置及び方法 |
| JPH07228443A (ja) * | 1994-02-15 | 1995-08-29 | Hitachi Building Syst Eng & Service Co Ltd | エレベーターの点検装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10176949A (ja) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | ニューラルネットワーク処理振動データ分析を用いる機械部品試験装置および方法 |
| KR20020051322A (ko) * | 2000-12-22 | 2002-06-29 | 이구택 | 회전기의 다채널 진동감시장치 |
| CN102508486A (zh) * | 2011-11-09 | 2012-06-20 | 李伟 | 一种使用can通信数据协议的励磁故障诊断方法及装置 |
| JP2017120649A (ja) * | 2015-07-31 | 2017-07-06 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
| US11275345B2 (en) | 2015-07-31 | 2022-03-15 | Fanuc Corporation | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
| WO2020195537A1 (ja) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
| JP2020165673A (ja) * | 2019-03-28 | 2020-10-08 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
| CN110687896A (zh) * | 2019-10-24 | 2020-01-14 | 利维智能（深圳）有限公司 | 故障诊断方法、装置、设备及可读介质 |
| JP6782936B1 (ja) * | 2020-03-11 | 2020-11-11 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6810097B2 (ja) | 異常検出器 | |
| US10254750B2 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
| US8090475B2 (en) | Method and device for monitoring the condition of an industrial robot | |
| US20180264613A1 (en) | Abnormality detection apparatus and machine learning apparatus | |
| US20080140321A1 (en) | Method and a control system for monitoring the condition of an industrial robot | |
| US11931905B2 (en) | Failure prediction method and failure prediction apparatus | |
| US20110238329A1 (en) | Method and a device for detecting abnormal changes in play in a transmission unit of a movable mechanical unit | |
| CN113391621B (zh) | 一种电动仿真测试转台的健康状态评估方法 | |
| WO2019167171A1 (ja) | 異常検出装置及び異常検出方法 | |
| EP3719600A1 (en) | Control system, factory system, learning system, estimation model generation method, and actuator state estimation method | |
| US20210116899A1 (en) | Parameterization of a component in an automation system | |
| JPH1049223A (ja) | ニューラルネットワークを用いた故障診断方法およびその装置 | |
| JP2021076395A (ja) | 診断装置 | |
| DE112021002946T5 (de) | Diagnosevorrichtung, Server und Diagnoseverfahren | |
| WO2016185589A1 (ja) | 故障診断装置及び故障診断方法 | |
| US20210229282A1 (en) | Abnormality determination device and abnormality determination method | |
| CN111936278B (zh) | 机器人控制装置、维护管理方法以及计算机可读存储介质 | |
| US20210178615A1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
| KR101883885B1 (ko) | 로봇진단시스템 및 로봇진단방법 | |
| US11669082B2 (en) | Online fault localization in industrial processes without utilizing a dynamic system model | |
| TW202001464A (zh) | 診斷裝置、診斷方法及程式 | |
| US11820007B2 (en) | Abnormality detection device and abnormality detection method | |
| JP3165087B2 (ja) | 産業用ロボットの故障検出方法 | |
| KR20020028626A (ko) | 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법 | |
| Sathish et al. | A simulation based approach to detect wear in industrial robots |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040203 |