JPWO2019234789A1 - 異常判定装置及び異常判定方法 - Google Patents

Abstract

ロボット（１０１）の異常を判定する制御部（５１）を備える異常判定装置（１０２）であり、制御部（５１）は、所定期間において取得した外乱トルクを確率変数とした確率分布である測定確率分布を演算する。また、演算した測定確率分布の平均値と、予め設定した確率分布である評価用正常モデルの平均値とを一致させ、平均値が一致した測定確率分布と評価用正常モデルを比較し、比較の結果に基づいてロボット（１０１）の異常を判定する。

Description

本発明は、ロボット等の機器に発生する異常を判定する異常判定装置及び異常判定方法に関する。

従来より、多関節型ロボットの異常判定装置として、特許文献１に開示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

しかしながら、外乱トルクは種々の要因により数値が大きく変動するため、閾値を一定値に設定すると、ロボットが正常である場合でも異常と誤判定することがある。例えば、ロボットに設けられる減速機の交換などの保全を実施した直後、或いはティーチング（教示変更）を実施した直後には、外乱トルクに大きな変動が生じることがあり、異常が発生していないにも拘わらず外乱トルクが大きく変化して、ロボットが異常であると誤判定するという問題があった。

本発明は、このような従来の課題を解決するためになされたものであり、その目的とするところは、機器の異常判定を高精度に実施することが可能な異常判定装置、及び異常判定方法を提供することにある。

本発明の一態様は、所定期間において取得したデータを確率変数とした確率分布である測定確率分布を演算し、測定確率分布と、予め設定した確率分布である評価用正常モデルを、基準点を一致させて比較する。この比較の結果に基づいて機器の異常を判定する。

本発明の一態様によれば、機器の異常判定を高精度に実施することができる。

図１は、本発明の第１実施形態に係る異常判定装置、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に示した異常判定装置を一体型のコンピュータで構成した例を示す説明図である。 図３は、モータに生じる外乱トルクの変化を示すグラフであり、Ｔ１、Ｔ２は外乱トルクが正常な期間を示し、Ｔ３は外乱トルクが異常な期間を示す。 図４（ａ）は評価用正常モデルの波形を示し、図４（ｂ）は図３に示す各期間Ｔ１、Ｔ２、Ｔ３における測定確率分布の波形を示し、図４（ｃ）は測定確率分布に合わせて評価用正常モデルをシフトした波形を示す。 図５は、本発明の第１実施形態に係る異常判定装置の処理手順を示すフローチャートである。 図６は、本発明の第２実施形態に係る異常判定装置、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、第２実施形態に係る異常判定装置の処理手順を示すフローチャートである。 図８は、モータに生じる外乱トルクの変化を示すグラフであり、Ｔ１１は保全が実施されている期間を示し、Ｔ１２、Ｔ１３は外乱トルクを取得する期間を示す。 図９は、第３実施形態に係る異常判定装置の処理手順を示すフローチャートである。

以下、本発明の実施形態について図面を参照して説明する。

［第１実施形態の説明］
図１は、本発明の第１実施形態に係る異常判定装置、及びその周辺機器の構成を示すブロック図である。図１に示すように、本実施形態に係る異常判定装置１０２は、ロボット１０１（機器）、及びユーザインターフェース１０３（図では「ＵＩ」と表記）に接続されており、ロボット１０１の異常を判定する。なお、「異常を判定する」とは、現在生じている異常を判定するだけでなく、将来的に発生する異常を予測することを含む概念である。

ロボット１０１は、例えばティーチングプレイバック型の多軸型ロボットである。ティーチングプレイバックとは、ロボットに付属するティーチングペンダントを使用して、操作者がロボットを実際に動作させ、その動作を記録、再生させてロボットを動作させる機能を示す。なお、本実施形態では、ティーチングプレイバック型のロボットを例に挙げて説明するが、本発明はこれに限定されるものではない。

ロボット１０１は、モータ１４（可動部）と、動作制御部１５と、センサ１３と、外乱トルク演算部１２と、通信部１１を備えている。なお、モータ１４は、ロボット１０１に複数設けられているが、図１では１つのみを記載している。

モータ１４は、ロボットアームの関節軸を動作させる減速機に設けられるサーボモータであり、動作制御部１５の制御により動作する。そして、モータ１４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（溶接部）を、加工の対象となる対象物（例えば、金属製のブランク材）の所望部位に接触させて、溶接作業を実施する。また、溶接作業以外にも、ロボット１０１により、対象物のプレス、塗装、樹脂成形、組み立て、等の各種作業を実施することができる。

センサ１３は、ロボット１０１に設置されており、例えばパルスジェネレータやエンコーダ等を含み、モータ１４により動作するロボットアームの位置及び角度、モータ１４の回転角度、回転速度、消費電力、及び電流、モータ１４により駆動する減速機の回転角度等の各種の物理量を検出する。更に、センサ１３は、モータ１４に生じるトルク値を検出する。センサ１３で検出したセンサデータは、通信部１１より異常判定装置１０２に送信される。

動作制御部１５は、上述した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モータ１４を動作させ、ロボット１０１に搭載される各ロボットアーム、関節軸が所望の動作をするように制御する。更に、ロボット１０１を稼働させたときの稼働データを通信部１１に出力する。稼働データには、ロボット１０１の稼働に関する各種の情報が含まれる。詳細については後述する。

外乱トルク演算部１２は、モータ１４に発生する外乱トルクを演算する。外乱トルクとは、モータ１４を制御する際のトルク指令値と、センサ１３で検出されるトルク検出値との差分を示す。モータ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。モータ１４に異常が発生している場合には該モータ１４は安定的に動作せず、モータ１４に生じる外乱トルクに大きな変化が発生する。なお、外乱トルクは、ロボット１０１（機器）の状態に関するデータの一例である。

通信部１１は、ロボット１０１の稼働データ、外乱トルク演算部１２で演算された外乱トルク、センサ１３で検出された各種のセンサデータを異常判定装置１０２に送信する。

ロボット１０１が備える上記した各機能は、１又は複数の処理回路により実装され得る。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理装置は、また、ロボット１０１が備える機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置を含む。

ユーザインターフェース１０３は、操作者が各種の操作を行う入力部（図示省略）、及び異常判定装置１０２より送信される各種の情報を表示するディスプレイ（図示省略）を備えている。また、操作者により、入力部からロボット１０１の保全を実施したことを示す保全データが入力された場合には、この保全データを保全ＤＢ３３に記憶する操作を行う。

次に、異常判定装置１０２の構成を説明する。異常判定装置１０２は、制御部５１と、各種のデータベース（ＤＢ）を備えている。制御部５１は、通信部２１と、確率分布演算部２２と、確率分布パラメータ抽出部２３と、評価用正常モデル演算部２４と、モータ異常判定部２５と、アラーム出力部２６を含んでいる。データベースは、センサＤＢ３１と、稼働履歴ＤＢ３２と、保全ＤＢ３３と、正常モデルＤＢ３４を含んでいる。

センサＤＢ３１は、ロボットアームの位置及び角度、モータ１４の回転角度及び回転速度等のセンサデータを記憶する。更に、外乱トルク演算部１２で演算された外乱トルクを記憶する。即ち、センサＤＢ３１は、外乱トルク（機器の状態に関するデータ）を蓄積する記憶部としての機能を備えている。

稼働履歴ＤＢ３２は、ロボット１０１の稼働データを記憶する。稼働データには、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、連続して停止した時間等の、稼働に関する各種のデータが含まれる。また、稼働データには、モータ１４により駆動する減速機の運転モードが含まれる。運転モードには、通常運転モード、保全モード、停止モードが含まれる。

保全ＤＢ３３は、モータ１４に異常が発生した場合や、異常の発生が予測された場合において、ロボット１０１に対して保全を実施した際の、保全データを記憶する。保全データは、操作者がユーザインターフェース１０３により入力することができる。或いは、ロボット１０１が上述した保全モードで運転された場合に、保全が実施されているものと判定して自動で保全データを作成して記憶してもよい。保全データには、保全を実施したモータ１４、或いは減速機のＩＤ番号、保全を実施した日時、保全の内容（交換、修理、グリスの更油等）が含まれる。

正常モデルＤＢ３４は、外乱トルクの平均値をゼロとした、正常モデルを記憶する。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ができる。

通信部２１は、ロボット１０１に設けられる通信部１１との間で通信を行う。通信部２１は、ロボット１０１より送信されるロボット１０１の稼働データを受信し、稼働履歴ＤＢ３２に出力する。また、通信部２１は、ロボット１０１より送信される外乱トルク、センサデータを受信して、センサＤＢ３１に出力する。

確率分布演算部２２は、センサＤＢ３１に記憶されている、所定期間におけるモータ１４の時系列的な外乱トルクを取得し、取得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、この所定期間における外乱トルクを取得し、外乱トルクの確率分布を演算する。以下、演算した確率分布を「測定確率分布」という。測定確率分布の演算方法として、例えば、周知のカーネル密度推定を用いることができる。

図３は、モータ１４に生じる外乱トルクＱ１の変化を示すグラフであり、時刻ｔ１でモータ１４の保全が行われた場合を示している。また、図４（ａ）は後述する評価用正常モデルの波形６０を示し、図４（ｂ）は図３に示した各期間Ｔ１、Ｔ２、Ｔ３において検出される外乱トルクを確率変数として演算された確率分布の波形６１ａ、６１ｂ、６１ｃを示す説明図である。また、図４（ｃ）は、評価用正常モデルを横軸方向にシフトした波形６２ａ、６２ｂ、６２ｃを示す説明図である。例えば、図３に示す期間Ｔ１において、外乱トルクＱ１が「２００」付近で変動する場合には、図４（ｂ）の波形６１ａに示すように、平均値が２００付近となる確率分布が得られる。なお、図３、図４に示すグラフの詳細については後述する。ここで、外乱トルクを取得する「所定期間」は、一定の期間としてもよいし、外乱トルクの大きさに応じて適宜変更してもよい。

図１に示す確率分布パラメータ抽出部２３は、上述した確率分布演算部２２で演算された確率分布に基づいて、該確率分布の平均値、中央値、標準偏差等のパラメータを抽出する。一例として、図４（ａ）に示す期間Ｔ１の確率分布の波形６１ａでは、平均値は「２００」である。また、「中央値」とは、サンプルとして取得した外乱トルク全体の中央値を示す。

評価用正常モデル演算部２４は、正常モデルＤＢ３４に記憶されている正常モデルに基づいて、評価用正常モデルを生成する。具体的には、確率分布演算部２２にて測定確率分布を生成する際に、所定期間（例えば、１２時間）に取得した外乱トルクよりも前の外乱トルクを取得する。取得した外乱トルクに基づいて正常モデルを加工して、全体の度数が測定確率分布の度数と同一となる正常モデルを演算し、これを評価用正常モデルとする。即ち、測定確率分布の演算に用いる外乱トルク（機器の状態に関するデータ）は、評価用正常モデルの演算に用いる外乱トルクよりも後に取得した外乱トルクである。

その結果、例えば図４（ａ）に示すように、平均値がゼロとされた波形６０が作成される。なお、本実施形態では、測定確率分布と評価用正常モデルの、全体の度数を一致させる例について説明するが、全体の度数を一致させることは必須の要件ではなく、全体の度数が異なっていてもよい。

モータ異常判定部２５は、確率分布演算部２２で演算された測定確率分布と、評価用正常モデル演算部２４で演算された評価用正常モデルを比較して、対象となるモータ１４に異常が発生しているか否かを判定する。具体的には、評価用正常モデルの平均値（基準点）が測定確率分布の平均値（基準点）と一致するように、評価用正常モデルをシフトさせる。その後、密度比推定の手法を用いて測定確率分布と評価用正常モデルとの相違量を演算し、演算した相違量が基準となる基準相違量よりも大きい場合に、対象となるモータ１４に異常が発生しているものと判定する。

その他の手法として、測定確率分布における確率変数の度数と、評価用正常モデルにおける確率変数毎の度数の比率が基準となる比率よりも大きい場合に、モータ１４が異常であると判定する。或いは、測定確率分布における確率変数の度数と、評価用正常モデルにおける確率変数毎の度数との差分を演算し、差分が基準となる数値よりも大きい場合にモータ１４が異常であると判定する。

なお、上記では、基準点の一例として平均値を例に挙げて説明したが、基準点は、測定確率分布と、評価用正常モデルの基準を示す点であれば良い。例えば、基準点として測定確率分布、及び評価用正常モデルの中央値を用いることもできる。

以下、図３、図４を参照して異常判定方法の詳細について説明する。上述したように図３は、モータ１４に生じる外乱トルクの変化を示している。図３に示す時刻ｔ１において当該モータ１４の保全が行われており、外乱トルクが急激に変動している。

図３に示す期間Ｔ１では、外乱トルクＱ１が２００前後で僅かに上下に変動している。その結果、確率分布演算部２２では図４（ｂ）の波形６１ａに示すように、平均値が２００となる確率分布が演算される。また、期間Ｔ２では、外乱トルクＱ１が５０前後で僅かに上下に変動している。その結果、確率分布演算部２２では、図４（ｂ）の波形６１ｂに示すように、平均値が５０となる確率分布が演算される。

更に図３に示す期間Ｔ３では、外乱トルクＱ１が大きく変動している。その結果、確率分布演算部２２では、図４（ｂ）の波形６１ｃに示すように、平均値が７０で、波形が大きく乱れる確率分布が演算される。

モータ異常判定部２５は、評価用正常モデル演算部２４で演算された評価用正常モデル、即ち、図４（ａ）に示す波形６０を横軸方向にシフトさせて、各波形６１ａ、６１ｂ、６１ｃと比較する。

具体的には、図３に示す期間Ｔ１において、外乱トルクの平均値が２００とされた確率分布の波形６１ａ（図４（ｂ）参照）が得られた場合には、波形６２ａ（図４（ｃ）参照）に示すように、評価用正常モデルを平均値が２００となるようにシフトさせる。そして、密度比推定を用いて波形６１ａと波形６２ａの相違量を演算し、相違量が基準相違量を超えた場合に、モータ１４は異常であると判定する。

なお、波形６１ａと６２ａを比較する方法は密度比推定に限定されず、前述したように、確率変数毎の度数の比率を求める方法を用いることも可能である。例えば、図４に示す波形６１ａと６２ａを比較する場合に、各確率変数毎の度数の比率を演算する。波形６１ａと６２ａが完全に一致していれば、比率は「１」である。波形６１ａと６２ａとの間に相違がある場合には、その相違量に応じて上記の比率が変化する。例えば、比率が「１．２」を超えた場合に、モータ１４は異常であるものと判定する。

更には、波形６１ａと６２ａを比較する方法として、確率変数毎の度数の差分を求め、差分の大きさに基づいてモータ１４の異常を判定することもできる。

このように、モータ異常判定部２５は、測定確率分布の平均値と評価用正常モデルの平均値が一致するように、評価用正常モデルをシフトさせて、各波形６１ａ、６２ａを比較する。そして、相違量が大きい場合には、このモータ１４は異常が発生しているものと判定する。

図１に戻って、アラーム出力部２６は、モータ異常判定部２５にて異常が発生しているものと判定された場合に、アラーム信号をユーザインターフェース１０３に出力する。従って、異常を示すアラーム信号がユーザインターフェース１０３のディスプレイに表示され、異常の発生を操作者に知らせることができる。

ここで、異常判定装置１０２は、図２に示すようにＣＰＵ４１（中央処理装置）、メモリ４２、及び各データベース（センサＤＢ３１、稼働履歴ＤＢ３２、保全ＤＢ３３、正常モデルＤＢ３４）を備えるコンピュータを用いて実現することもできる。コンピュータを異常判定装置１０２として機能させるためのコンピュータプログラム（異常判定プログラム）を、コンピュータにインストールして実行する。これにより、ＣＰＵ４１は、異常判定装置１０２が備える複数の情報処理回路、即ち、通信部２１、確率分布演算部２２、確率分布パラメータ抽出部２３、評価用正常モデル演算部２４、モータ異常判定部２５、及びアラーム出力部２６として機能する。また、後述する第２実施形態では、ＣＰＵ４１は、図６に示す異常度判定部２８として機能する。

異常判定装置１０２が備える上記した各機能は、１又は複数の処理回路により実装することができる。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理装置は、また、異常判定装置１０２が備える機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置を含む。

［第１実施形態の作用の説明］
次に、第１実施形態に係る異常判定装置１０２の処理手順を、図５に示すフローチャートを参照して説明する。

初めに、ステップＳ１１において確率分布演算部２２は、モータ１４の外乱トルク（機器の状態に関するデータ）を取得する。即ち、ロボット１０１より送信されたモータ１４の外乱トルクは、通信部２１で受信され、センサＤＢ３１に記憶される。確率分布演算部２２は、この外乱トルクを取得する。

ステップＳ１２において、確率分布演算部２２は、取得した外乱トルクに基づいて確率分布を演算する。具体的には、所定期間（例えば、１２時間）を設定し、所定期間だけ遡った時点から現在までの間の外乱トルクに基づいて、例えばカーネル密度推定の手法を用いて確率分布を演算する。これを測定確率分布とする。例えば、所定期間が図３に示した期間Ｔ１である場合には、外乱トルクはほぼ「２００」付近で変動しているので、図４（ｂ）の波形６１ａに示す測定確率分布が得られる。

ステップＳ１３において、確率分布パラメータ抽出部２３は、ステップＳ１２で演算された測定確率分布に基づき、該測定確率分布の度数、平均値、中央値、標準偏差等のパラメータを演算する。

ステップＳ１４において、評価用正常モデル演算部２４は、正常モデルＤＢ３４に記憶されている正常モデルを参照して、ステップＳ１２で演算された測定確率分布と同一の度数となる確率分布（評価用正常モデル）を作成する。その結果、図４（ａ）の波形６０に示すように、平均値がゼロで全体の度数が測定確率分布と同一とされた評価用正常モデルが作成される。

ステップＳ１５において、モータ異常判定部２５は、評価用正常モデルの平均値が測定確率分布の平均値と一致するように、評価用正常モデルをシフトさせる。具体的には、図４（ｂ）の波形６１ａに示したように、測定確率分布の平均値が「２００」である場合には、図４（ａ）に示した平均値をゼロとした評価用正常モデルの波形６０を、図４（ｃ）に示す波形６２ａまでシフトさせる。即ち、波形６１ａと波形６２ａの平均値を一致させる。

ステップＳ１６において、モータ異常判定部２５は、測定確率分布（波形６１ａ）と、評価用正常モデル（波形６２ａ）を比較して、異常を判定する。前述したように、密度比推定を用いて波形６１ａと６２ａを比較し、各波形６１ａ、６２ａの相違量が予め設定した基準相違量を超えた場合に、モータ１４に異常が発生しているものと判定する。

例えば、図３、図４に示す期間Ｔ１にて取得した波形６１ａ、期間Ｔ２にて取得した波形６１ｂは、評価用正常モデルの波形６２ａ、６２ｂに対して大きく変化していないので、モータ１４は正常であると判定する。一方、期間Ｔ３にて取得した波形６１ｃは評価用正常モデルの波形６２ｃに対して大きく変化しているので、モータ１４は異常であると判定する。

ステップＳ１６で「正常」と判定された場合には、ステップＳ１９に処理を進め、ステップＳ１６で「異常」と判定された場合には、ステップＳ１７に処理を進める。

ステップＳ１７において、アラーム出力部２６は、アラームを出力するか否かを判定し、アラームを出力しない場合には、ステップＳ１９に処理を進める。アラームを出力する場合にはステップＳ１８において、ユーザインターフェース１０３にアラームを出力する。その結果、ユーザインターフェース１０３に設けられるディスプレイにアラームが表示されるので、モータ１４に異常が発生していることを操作者に知らせることができる。

ステップＳ１９において、モータ異常判定部２５は、モータ１４に異常が発生したことを稼働履歴ＤＢ３２に記憶する。

こうして、モータ１４に異常が発生した際に異常の発生を迅速、且つ高精度に判定できるのである。

このようにして、第１実施形態に係る異常判定装置１０２では、以下に示す効果を達成することができる。
（１）
モータ１４に発生する外乱トルクの測定確率分布を演算し、且つ、評価用正常モデルを演算する。そして、測定確率分布と評価用正常モデルを比較し、この比較結果に基づいてモータ１４（可動部）、ひいてはロボット１０１（機器）に異常が発生しているか否かを判定する。従って、保全やティーチングにより外乱トルク（機器の状態に関するデータ）が大きく変動した場合でも、ロボット１０１に発生する異常を高精度に判定することが可能となる。
（２）
また、測定確率分布と評価用正常モデルの、平均値、中央値等の基準点を一致させて、測定確率分布と評価用正常モデルを比較するので、双方の相違量を高精度に判定することができ、異常判定の精度を向上させることができる。
（３）
更に、測定確率分布の演算に用いる外乱トルクは、評価用正常モデルの演算に用いる外乱トルクよりも後に取得した外乱トルクであるので、より安定した外乱トルクを用いて評価用正常モデルを演算することができ、より高精度にロボット１０１に発生する異常を判定することができる。
（４）
モータ異常判定部２５は、測定確率分布における確率変数の度数と、評価用正常モデルにおける確率変数の度数との比率に基づいて、モータ１４の異常を判定するので、モータ１４に生じる異常、ひいてはロボット１０１の異常を高精度に判定することが可能となる。
（５）
更に、モータ異常判定部２５は、測定確率分布における確率変数の度数と、評価用正常モデルにおける確率変数の度数の差分を演算し、演算した差分に基づいて、モータ１４の異常を判定するので、モータ１４に生じる異常、ひいてはロボット１０１の異常を高精度に判定することが可能となる。
（６）
評価用正常モデル演算部２４は、評価用正常モデルを、ｔ分布、正規分布、及びヒストグラムのうちのいずれかを用いて作成するので、評価用正常モデルを高精度に作成することができ、ひいてはロボット１０１の異常を高精度に判定することが可能となる。
（７）
確率分布演算部２２は、外乱トルクに基づき、カーネル密度推定を用いて測定確率分布を演算するので、高精度な測定確率分布を作成することができ、ひいてはロボット１０１の異常を高精度に判定することが可能となる。

［第２実施形態の説明］
次に、本発明の第２実施形態について説明する。図６は、第２実施形態に係る異常判定装置１０２ａ、及びその周辺機器の構成を示すブロック図である。第２実施形態に係る異常判定装置１０２ａは、前述した図１に示した異常判定装置１０２と対比して、制御部５１ａに異常度判定部２８が設けられている点で相違している。それ以外の構成は、図１と同様であるので、同一符号を付して構成説明を省略する。

異常度判定部２８は、モータ１４の過去の外乱トルクを、センサＤＢ３１から取得し、取得した外乱トルクの異常度を演算する。以下、異常度の演算方法について説明する。外乱トルクがｘ’であるときの異常度ａ（ｘ’）を、下記の（１）式で定義する。

ａ（ｘ’）＝｛（ｘ’−ｍ）^２｝／２・ｓ^２ ・・・（１）
但し、ｍは外乱トルクの標本平均、ｓは外乱トルクの標準偏差である。

即ち、（１）式で演算される異常度は、外乱トルク自体の異常さを示している。

そして、異常度ａ（ｘ’）が予め設定した第１の閾値を超える場合には、この外乱トルク自体が異常であると判定する。また、上記以外にも、異常度を演算する方法として、カーネル密度推定や密度比推定等を用いることができる。

更に、外乱トルク自体の異常さを判定する他の方法として、外乱トルクと所定値との差分を演算し、更に、この差分の時間経過に対する変化率を演算する。そして、演算した変化率が所定の閾値を上回った場合に外乱トルクは異常であると判定することもできる。所定値は、１年前の同月の外乱トルクの平均値を用いることができる。

評価用正常モデル演算部２４は、異常度が前述した第１の閾値を超えると判定された外乱トルクが存在する場合には、この外乱トルクを除外して評価用正常モデルを作成する。具体的には、一定の期間内における外乱トルクを取得し、全体の外乱トルクのうち、異常度が第１の閾値を超えると判定された外乱トルクの比率αが、第２の閾値αth（但し、αth≪１）以上の場合には、この外乱トルクを除外して評価用正常モデルを作成する。即ち、全体の外乱トルクに対する、異常度が第１の閾値を超える外乱トルクの比率が第２の閾値αth以上である場合には、異常度が第１の閾値を超えない外乱トルクを用いて、評価用正常モデルを演算する。

［第２実施形態の作用の説明］
次に、第２実施形態に係る異常判定装置１０２ａの処理手順を、図７に示すフローチャートを参照して説明する。

初めに、ステップＳ３１において、確率分布演算部２２は、モータ１４の外乱トルクを取得する。即ち、ロボット１０１より送信されたモータ１４の外乱トルクは、通信部２１で受信され、センサＤＢ３１に記憶される。確率分布演算部２２は、この外乱トルクを取得する。

ステップＳ３２において、確率分布演算部２２は、取得した外乱トルクに基づいて測定確率分布を演算する。具体的には、所定期間（例えば、１２時間）を設定し、所定期間だけ遡った時点から現在までの間の外乱トルクに基づいて、測定確率分布を演算する。

ステップＳ３３において、確率分布パラメータ抽出部２３は、ステップＳ３２で演算された測定確率分布に基づき、該測定確率分布の度数、平均値、中央値、標準偏差等のパラメータを演算する。

ステップＳ３４において、異常度判定部２８は、過去の一定の期間（例えば、１２時間）に取得した外乱トルクの異常度を演算する。具体的には、一定の期間内に検出された外乱トルクについて、上述した（１）式を用いて異常度を演算する。

ステップＳ３５において、異常度判定部２８は、異常度が第１の閾値を超えると判定された外乱トルクの比率αを演算する。

ステップＳ３６において、異常度判定部２８は、上記の比率αが第２の閾値αthよりも大きいか否かを判定し、α＞αthである場合にはステップＳ３８に処理を進め、α≦αthである場合にはステップＳ３７に処理を進める。

ステップＳ３７において、評価用正常モデル演算部２４は、上述した一定の期間内に取得された外乱トルクを用いて評価用正常モデルを作成する。その後、ステップＳ３９に処理を進める。

ステップＳ３８において、評価用正常モデル演算部２４は、一定の期間内に取得された外乱トルクのうち、ステップＳ３４の処理で異常と判定されない外乱トルクを用いて評価用正常モデルを作成する。

その後、ステップＳ３９〜Ｓ４３の処理を実行する。なお、ステップＳ３９〜Ｓ４３の処理は、図５に示したステップＳ１５〜Ｓ１９の処理と同様であるので説明を省略する。

このようにして、第２実施形態では、センサＤＢ３１に蓄積されている、ロボット１０１（機器）における過去の外乱トルクに基づいて評価用正常モデルを演算し、この評価用正常モデルと測定各率分布を比較してロボット１０１の異常を判定するので、高精度なロボット１０１の異常判定が可能となる。

また、評価用正常モデルを作成する際に使用する外乱トルクに、異常度が第１の閾値を超える外乱トルクが含まれている場合には、異常度が第１の閾値を超えない外乱トルクを用いて評価用正常モデルを作成する。従って、より高精度な評価用正常モデルを作成できるので、モータ１４に発生する異常、ひいてはロボット１０１に発生する異常を高精度に判定することが可能となる。

［第３実施形態の説明］
次に、本発明の第３実施形態について説明する。装置構成は第２実施形態で説明した図６と同様であるので、構成説明を省略する。

第３実施形態では、保全ＤＢ３３に記憶されているモータ１４の保全データを参照し、保全を実施した期間（保全期間）以外の期間に取得した外乱トルクを異常判定用の外乱トルクとして使用する点で前述した第２実施形態と相違する。

以下、図９に示すフローチャートを参照して、第３実施形態に係る異常判定装置の処理手順について説明する。

初めに、ステップＳ５１において、確率分布演算部２２は、保全ＤＢ３３に記憶されている保全データから、保全を実施した期間である保全期間を示す情報を取得する。

ステップＳ５２において、確率分布演算部２２は、ステップＳ５１の処理で取得した保全期間を示す情報に基づき、保全が実施されていない期間の外乱トルクをセンサＤＢ３１より取得する。例えば、図８に示すように、時刻ｔ１にて保全が実施された場合には、保全を実施した期間Ｔ１１を除外して外乱トルクを取得する。現時点が時刻ｔ２である場合には、期間Ｔ１２の外乱トルクを取得し、現時点が時刻ｔ３である場合には、期間Ｔ１１を回避した期間Ｔ１３の外乱トルクを取得する。

ステップＳ５３において、確率分布演算部２２は、取得した外乱トルクに基づいて、測定確率分布を演算する。

その後、ステップＳ５４〜Ｓ６４の処理を実行する。ステップＳ５４〜Ｓ６４の処理は、図７に示したステップＳ３３〜Ｓ４３の処理と同様であるので、説明を省略する。

このようにして、第３実施形態に係る異常判定装置では、保全ＤＢ３３から保全期間を示す情報を取得し、保全期間以外の期間の外乱トルクに基づいて測定確率分布を演算する。通常、保全が実施されると、その前後で外乱トルクが大きく変動する。第３実施形態では、この外乱トルクの変動の影響を回避することができるので、より高精度にロボット１０１に発生する異常を判定することが可能となる。

なお、異常を判定する対象の機器はロボット１０１に限定されるものでない。例えば、モータ１４の代わりに自動車のエンジン、減速機の代わりにトランスミッションを用いてもよい。また、移動体の回転機構、遊園地の遊具などの移動体、３次元プリンターなどの工作機械、すなわち回転機構とそれを伝達する機構を有する全ての機器も対象にすることができる。また、その他の種類の機器を対象としてもよい。

また、異常判定装置を遠隔地に配置し、必要な信号やデータを通信回線を介して送受信して、機器の異常を判定してもよい。また、複数の機器の異常を１台の異常判定装置で判定してもよい。また、複数の機器は互いに異なる場所に配置されていてもよい。

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

１１ 通信部
１２ 外乱トルク演算部
１３ センサ
１４ モータ（可動部）
１５ 動作制御部
２１ 通信部
２２ 確率分布演算部
２３ 確率分布パラメータ抽出部
２４ 評価用正常モデル演算部
２５ モータ異常判定部
２６ アラーム出力部
２８ 異常度判定部
３１ センサＤＢ（記憶部）
３２ 稼働履歴ＤＢ
３３ 保全ＤＢ
３４ 正常モデルＤＢ
４１ ＣＰＵ
４２ メモリ
５１、５１ａ 制御部
１０１ ロボット（機器）
１０２、１０２ａ 異常判定装置
１０３ ユーザインターフェース（ＵＩ）

このようにして、第２実施形態では、センサＤＢ３１に蓄積されている、ロボット１０１（機器）における過去の外乱トルクに基づいて評価用正常モデルを演算し、この評価用正常モデルと測定確率分布を比較してロボット１０１の異常を判定するので、高精度なロボット１０１の異常判定が可能となる。

Claims (11)

1. 可動部を有する機器に設置されたセンサから取得した、前記機器の状態に関するデータに基づいて、前記機器の異常を判定する制御部を備える異常判定装置であって、
   前記制御部は、
   所定期間において取得した前記データを確率変数とした確率分布である測定確率分布を演算し、
   前記測定確率分布と、予め設定した確率分布である評価用正常モデルと、の基準点を一致させ、
   前記基準点が一致した前記測定確率分布と前記評価用正常モデルを比較し、
   前記比較の結果に基づいて前記機器の異常を判定すること
   を特徴とする異常判定装置。
2. 前記基準点は、前記測定確率分布及び前記評価用正常モデルの、平均値または中央値であることを特徴とする請求項１に記載の異常判定装置。
3. 前記データを蓄積する記憶部、を更に備え、
   前記制御部は、前記記憶部に蓄積された前記データに基づいて、前記評価用正常モデルを演算すること
   を特徴とする請求項１または２に記載の異常判定装置。
4. 前記測定確率分布の演算に用いる前記データは、前記評価用正常モデルの演算に用いる前記データよりも後に取得した前記データであること
   を特徴とする請求項３に記載の異常判定装置。
5. 前記制御部は、
   前記データ自体の異常さを示す異常度を演算し、
   前記データの全体に対する、前記異常度が第１の閾値を超える前記データの比率が、第２の閾値以上である場合、前記異常度が前記第１の閾値を超えない前記データを用いて前記評価用正常モデルを演算すること
   を特徴とする請求項１〜４のいずれか１項に記載の異常判定装置。
6. 前記制御部は、前記測定確率分布における前記確率変数の度数と、前記評価用正常モデルにおける前記確率変数毎の度数と、の比率に基づいて前記機器の異常を判定すること
   を特徴とする請求項１〜５のいずれか１項に記載の異常判定装置。
7. 前記制御部は、前記測定確率分布における前記確率変数の度数と、前記評価用正常モデルにおける前記確率変数毎の度数と、の差分に基づいて前記機器の異常を判定すること
   を特徴とする請求項１〜５のいずれか１項に記載の異常判定装置。
8. 前記制御部は、
   前記機器に対して保全を実施した期間である保全期間を示す情報を取得し、
   前記所定期間を、前記保全期間以外の期間に設定すること
   を特徴とする請求項１〜５のいずれか１項に記載の異常判定装置。
9. 前記制御部は、前記評価用正常モデルを、ｔ分布、正規分布、及びヒストグラムのうちのいずれかを用いて設定すること
   を特徴とする請求項１〜８のいずれか１項の異常判定装置。
10. 前記制御部は、前記測定確率分布を、カーネル密度推定を用いて演算すること
    を特徴とする請求項１〜９のいずれか１項に記載の異常判定装置。
11. 可動部を有する機器に設置されたセンサから取得した、前記機器の状態に関するデータに基づいて、前記機器の異常を判定する異常判定方法であって、
    所定期間において取得した前記データを確率変数とした確率分布である測定確率分布を演算し、
    前記測定確率分布と、予め設定した確率分布である評価用正常モデルと、の基準点を一致させ、
    前記基準点が一致した前記測定確率分布と前記評価用正常モデルを比較し、
    前記比較の結果に基づいて前記機器の異常を判定すること
    を特徴とする異常判定方法。

Images