WO2019106875A1 - 異常判定システム、モータ制御装置、及び異常判定装置 - Google Patents

異常判定システム、モータ制御装置、及び異常判定装置 Download PDF

Info

Publication number
WO2019106875A1
WO2019106875A1 PCT/JP2018/026097 JP2018026097W WO2019106875A1 WO 2019106875 A1 WO2019106875 A1 WO 2019106875A1 JP 2018026097 W JP2018026097 W JP 2018026097W WO 2019106875 A1 WO2019106875 A1 WO 2019106875A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
data
abnormality determination
motor
occurrence
Prior art date
Application number
PCT/JP2018/026097
Other languages
English (en)
French (fr)
Inventor
長田　武
隆章 正垣
泰史 吉浦
大久保　整
俊信 吉良
Original Assignee
株式会社安川電機
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 株式会社安川電機 filed Critical 株式会社安川電機
Priority to CN201880063974.0A priority Critical patent/CN111164526B/zh
Priority to JP2018554787A priority patent/JP6569927B1/ja
Priority to EP18884019.3A priority patent/EP3719601A4/en
Publication of WO2019106875A1 publication Critical patent/WO2019106875A1/ja
Priority to US16/879,760 priority patent/US11527984B2/en

Links

Images

Classifications

    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/02—Providing protection against overload without automatic interruption of supply
    • H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/12—Monitoring commutation; Providing indication of commutation failure

Definitions

  • the embodiment of the disclosure relates to an abnormality determination system, a motor control device, and an abnormality determination device.
  • Patent Literature 1 and Patent Literature 2 disclose a technique for predictive diagnosis of the condition of mechanical equipment by analysis of sensor data based on a statistical method.
  • Patent No. 5827425 gazette Patent No. 5827426
  • the present invention has been made in view of such problems, and it is an object of the present invention to provide an abnormality determination system, a motor control device, and an abnormality determination device capable of determining the contents of a specific device abnormality of a mechanical system. Do.
  • the above-mentioned machine is acquired based on the above-mentioned state quantity using a state quantity acquisition part which acquires a state quantity about a machine system, and learning contents in a machine learning process.
  • An abnormality determination system is applied that includes an abnormality determination unit that determines at least one of occurrence and occurrence of an abnormality in the system, and an occurrence location and a cause of the occurrence.
  • a motor control device for supplying drive power to a motor for driving a motor drive mechanism and performing drive control, comprising at least at least the motor, the motor drive mechanism, and the motor control device.
  • An abnormality in at least one of the motor, the motor drive mechanism, and the motor control device based on the state quantity using a state quantity acquisition unit that acquires one state quantity and learning contents in a machine learning process
  • a motor control device having an abnormality determination unit that determines the presence or absence of occurrence of
  • an abnormality determination device that includes an abnormality determination unit that determines at least one of presence, occurrence location, and occurrence cause.
  • FIG. 1 shows a schematic block configuration of the abnormality determination system.
  • the abnormality determination system 100 includes a motor drive mechanism 1, a servo amplifier 2, a host control device 3, and an edge server 4.
  • the motor drive mechanism 1 is a mechanical system whose drive is controlled by the abnormality determination system 100 and for which various abnormalities related to the drive are determined.
  • the motor drive mechanism 1 includes a motor 12 provided with an encoder 11 and a drive machine 13 driven by the motor 12.
  • the motor 12 is a rotary electric motor
  • the encoder 11 is a sensor that optically detects and outputs the rotational position of the motor
  • the drive mechanism 13 is a timing belt mechanism that rotates a timing belt ( Not particularly shown).
  • the servo amplifier 2 (motor control device) has a function to supply drive power to the motor 12 so as to make the output position of the motor 12 follow the position command input from the higher-order control device 3 described later (motor drive control function )have. Further, in the example of the present embodiment, the servo amplifier 2 generates a torque command generated in the process of supplying the driving power, an output speed generated based on the output position of the motor 12 output from the encoder 11, and an estimated disturbance. It also has a function of sequentially acquiring four data of velocity deviation as time series detection data (see FIG. 2 described later) and outputting the data to an edge server 4 described later.
  • the servo amplifier 2 also has a function of performing data abnormality determination based on the above time-series detection data and device abnormality occurrence determination based on the determination mode of the data abnormality determination (described later) Describe).
  • the host control device 3 has a function (a motion (motion) that sequentially outputs a position command to the motor 12 in order to cause the drive machine 13 to perform a desired temporal driving operation based on a host control command input from an edge server described later. Control function).
  • a motion motion
  • the edge server 4 (abnormality determination device) is formed of, for example, a general-purpose personal computer, and has a function of outputting, to the higher-level control device 3, a higher-level control command for causing the drive machine 13 to perform a desired temporal driving operation. Note that the output of the upper control command may be output to the upper control device 3 via another PLC (Programmable Logic Controller) not shown. Further, in the example of the present embodiment, the edge server 4 performs a preparation process before performing the normal operation of the abnormality determination system 100 (that is, during normal drive described later), and during normal operation (that is, observation drive described later) It also has a function of performing device abnormality cause estimation in the motor drive mechanism 1 at the time of.
  • the sample average, the sample required when the servo amplifier 2 and the edge server 4 perform the data abnormality determination based on time series detection data input from the servo amplifier 2 during normal driving described later A process of calculating the covariance matrix and the data abnormality determination threshold value and outputting it to the servo amplifier 2 is performed (see FIG. 5 described later).
  • the edge server 4 stores time-series detection data input from the servo amplifier 2, and during observation driving described later, data abnormality determination based on the time-series detection data and data abnormality determination It also has a function of performing operation abnormality type determination and device abnormality cause estimation based on the determination mode.
  • FIG. 2 shows the control block of the servo amplifier 2 in this embodiment in the form of a transfer function.
  • the control block shown in FIG. 2 is realized by software executed by a CPU (not particularly shown) included in the servo amplifier 2.
  • the servo amplifier 2 includes a subtractor 21, a position control unit 22, a subtractor 23, a speed control unit 24, a current control unit 25, a speed conversion unit 26, and a disturbance observer 27. ing.
  • the subtractor 21 subtracts an output position (feedback position), which will be described later, from the position command input from the host controller 3 and outputs a position deviation.
  • the position control unit 22 outputs a speed command by so-called PID control or the like based on the position deviation.
  • the subtractor 23 subtracts the output speed (feedback speed) described later from the speed command to output a speed deviation.
  • the speed control unit 24 outputs a torque command by so-called PID control or the like based on the speed deviation.
  • the current control unit 25 outputs drive power by power conversion based on the torque command, and supplies power to the motor 12.
  • the encoder 11 detects the output position when the motor 12 drives the drive machine 13, and feeds it back to the servo amplifier 2.
  • the output position is subtracted from the position command in the subtractor 21 and is input to the speed converter 26.
  • the speed conversion unit 26 outputs an output speed that is a driving speed of the motor 12 based on the output position.
  • the speed converter 26 may be configured by a differentiator or the like that time-differentiates the output position.
  • the disturbance observer 27 estimates and outputs disturbance applied to the motor 12 based on the torque command and the output speed.
  • the current control unit 25 is also provided with a current control feedback loop, it is omitted in the figure.
  • the output of the position deviation by the subtractor 21 is equivalent to time differentiation processing of the position command
  • the output of the speed deviation by the subtractor 23 is equivalent to time differentiation processing of the speed command. Therefore, in the above-described double feedback loop included in servo amplifier 2, (K: spring coefficient, ⁇ : friction coefficient, m: inertia moment of moving part) It can be considered that feedback control based on the equation of motion of is performed.
  • the servo amplifier 2 sequentially detects the torque command, the output speed, the estimated disturbance, and the speed deviation as time series detection data in a short cycle such as a system cycle, and outputs the data to the edge server 4.
  • ⁇ 3 Features of this embodiment> ⁇ 3-1: Determination Content of this Embodiment>
  • preventive maintenance is becoming a keyword as part of the improvement of added value to mechanical systems.
  • information to help preventative maintenance was provided by the life monitor and installation environment monitor, etc., but the host control device 3 was presented separately, but apart from these, the device abnormality of the motor drive mechanism 1 and its contents It is requested to determine.
  • the abnormality determination system 100 according to the present embodiment is for determining the contents of the device abnormality of the motor drive mechanism 1 in response to the request.
  • the abnormal state that can be determined by the servo amplifier 2 is only the abnormal state of the motor 12. So far, in order to determine the abnormal state of the motor 12, data abnormality of the above time series detection data is determined by using machine learning based on a statistical method, and based on the determination mode of this data abnormality. It was possible to determine the operation abnormality of the motor 12.
  • the edge server 4 acquires state quantities related to the mechanical system including the motor drive mechanism 1, the motor 12, and the servo amplifier 2, and uses the learning content in the machine learning process to obtain the state. Based on the quantity, at least one of occurrence, occurrence location, and cause of occurrence of abnormality in the mechanical system is determined. For example, since the content of the device abnormality of the motor drive mechanism 1 has a correlation with the determination content of the data abnormality of the time-series detection data which is the state quantity, the device abnormality of the motor drive mechanism 1 in this embodiment The content of can be determined. As a result, it is possible to determine the specific content of the equipment abnormality of the mechanical system. The determination method of each of the data abnormality, the operation abnormality, and the device abnormality will be described in order below.
  • ⁇ 3-2 Definition of data error, operation error, and device error>
  • terms of data abnormality, operation abnormality, and device abnormality in the present embodiment will be described.
  • a timing belt mechanism (not shown in particular) for rotating a timing belt as the motor drive machine 1 will be described.
  • ⁇ 1 Abnormality due to aging over the whole mechanism
  • ⁇ 2 Abnormality in timing belt mechanism
  • ⁇ 2a Loosening of belt (oscillation)
  • ⁇ 2c Insufficient grease on bearings (increase in friction)
  • ⁇ 2d foreign object pinching (instantaneous increase in friction)
  • ⁇ 2e Tooth jump (instant increase in friction) Etc.
  • deterioration of smoothing capacitor or power element in servo amplifier 2 life of electronic parts
  • deterioration of dynamic brake circuit life of contact of relay used
  • insulation deterioration of motor coil wear deterioration of motor brake, etc.
  • Device abnormalities are also included.
  • the device abnormality in the motor drive mechanism 1 in order to simplify the description, only the device abnormality in the motor drive mechanism 1 is described.
  • phenomena such as oscillation, increase in friction, and instantaneous increase in friction generated on control operation of motor 12 due to occurrence of equipment abnormality of motor drive mechanism 1 are considered as abnormality in the operation of motor 12, that is, this It is called operation abnormality (and its type) in the embodiment.
  • the data abnormality means an abnormality in time series detection data for determining the occurrence of the operation abnormality in the motor 12 and the type thereof.
  • determination of each abnormality will be described in order.
  • ⁇ 4 Data error judgment>
  • ⁇ 4-1 Data anomaly judgment by machine learning>
  • the basic idea of the change detection method by machine learning is to create a normal distribution of the data group as the reference (hereinafter referred to as reference data), and the data acquired in the operation stage (hereinafter referred to as observation data) deviates from the normal distribution. To check if it is
  • the reference data is assumed to be all normal in terms of data, or the reference data labeled as normal and abnormally in terms of data are mixed.
  • the reference data is assumed to be all normal in terms of data, or the reference data labeled as normal and abnormally in terms of data are mixed.
  • Hotelling's T 2 method is applied as a change detection method by machine learning.
  • Hotelling's T 2 method is a method of multivariable analysis in which change waveforms of a plurality of types of data are observed in parallel, and the process is performed in the following (step 1) to (step 6).
  • Step 1 Determining False Alarm Rate
  • the degree of freedom M is a parameter for specifying the number of independent reference data types (the number of variable types in the above-described multivariate analysis).
  • ⁇ represents a gamma function and is defined by the following equation.
  • Step 3 Calculate the data abnormality determination threshold value From the false alarm rate ⁇ determined in the above (Step 1) and the chi-square distribution calculated in the above (Step 2), The data abnormality judgment threshold value a th satisfying the condition is calculated.
  • Step 4 Calculate the sample average and the sample covariance matrix From the reference data which is normal data, the sample average ⁇ (notation in the sentence is omitted, the same applies hereinafter) and the sample covariance matrix ⁇ (notation in the sentence is omitted) , And so on) are calculated from the following equation. Where is the nth type of reference data.
  • Step 5 Calculate Mahalanobis Distance Based on the sample average ⁇ and the sample covariance matrix ⁇ calculated in the above (Step 4), and the observed data detected, the Mahalanobis distance a (x ′) is calculated from the following equation.
  • Step 6 The data abnormality determination threshold value is compared with the Mahalanobis distance The data abnormality determination threshold value a th calculated in the above (Step 3) and the Mahalanobis distance a (x ') calculated in the above (Step 5) Compare When the Mahalanobis distance a (x ') exceeds the data abnormality determination threshold a th (a (x')> a th ), the observation data used in the above (Step 5) becomes a data abnormality state Determine that there is.
  • the chi-square distribution is a probability distribution in which the distribution changes with each degree of freedom M, and is suitable for application in multivariate analysis because it has so-called regenerative characteristics.
  • the degree of freedom M 2 and the chi-square distribution shown by the solid line in FIG. It is used.
  • the Mahalanobis distance a (x ') is larger than the data abnormality determination threshold value a th corresponding to the false alarm rate ⁇ in this chi-square distribution, data is used as observation data used to calculate the Mahalanobis distance a (x') It can be considered that an abnormality has occurred.
  • the degree of multiple abnormality (the degree to which it deviates from normal) by the combination of the two data is defined as the data abnormality determination threshold a th It can be determined by a one-way comparison of the Mahalanobis distance a (x ').
  • ⁇ 4-4 Concrete data abnormality judgment> First, as a comparative example, a method of determining data abnormality without using machine learning will be described.
  • the sample mean ⁇ , the sample covariance matrix ⁇ , and the Mahalanobis distance a (x ′) are calculated instead of the normal distribution calculation. Since these calculations are simple arithmetic operations, it does not become a large load processing even if it is sequentially calculated in a short cycle during the actual operation time of the motor drive mechanism 1 over a long period of time. Further, although the data abnormality judgment threshold value a th is a complicated calculation formula, it becomes a constant independent of time, and it is sufficient to calculate it once in advance.
  • ⁇ 5 Determination of occurrence of abnormal operation>
  • presence / absence i.e., abnormality / normality
  • data abnormality occurs a plurality of times, it is possible to temporarily estimate the content of the operation abnormality based on the occurrence mode. In this embodiment, as shown in FIG.
  • motor drive is performed when the frequency of occurrence of data abnormalities exceeds a predetermined value. It is determined that an abnormality of the type of aged deterioration and an operation abnormality of the motor 12 due to the abnormality occur in the mechanism 1 and the motor control device.
  • FIG. 5 is a flowchart showing a control procedure of preparation processing corresponding to the above-mentioned preparation in the case of using machine learning for data abnormality determination. This flowchart is executed by the CPU of the edge server 4 shown in FIG. 1 during the drive state of the normal drive of the motor drive mechanism 1 which can be sure that data abnormality does not substantially occur.
  • normal drive for example, drive in a state (initial operation or test operation) in which it can be confident that the motor drive mechanism 1 operates almost as designed with sufficient adjustment after assembly and manufacture is considered.
  • step S5 the CPU of the edge server 4 determines the false alarm rate ⁇ . This may be determined arbitrarily by an input from the user, or may be determined by a value calculated in advance based on a preset value or a predetermined method.
  • the CPU of the edge server 4 calculates a chi-square distribution with the number of types of variables as the degree of freedom M.
  • the degree of freedom M 2
  • step S15 the CPU of the edge server 4 calculates the data abnormality determination threshold value a th based on the false alarm rate ⁇ and the chi-square distribution.
  • step S20 the CPU of the edge server 4 starts normal driving of the motor drive mechanism 1 by motion control and motor drive control via the host controller 3 and the servo amplifier 2.
  • the CPU of the edge server 4 acquires time-series reference data of each variable (torque command and output speed of each axis) from the servo amplifier 2 every predetermined time such as a system cycle.
  • step S30 the CPU of the edge server 4 determines whether normal driving has ended. If the normal drive has not ended yet, the determination is not satisfied, and the process returns to step S25 to repeat the same procedure.
  • step S35 the CPU of the edge server 4 stops the normal drive of the motor drive mechanism 1.
  • step S40 the CPU of the edge server 4 calculates the sample average ⁇ and the sample covariance matrix ⁇ from the time-series reference data group acquired in step S25. And this flow is ended.
  • preparation processing (steps 1 to 4) of machine learning in which the load of calculation processing is particularly heavy can be performed in advance by edge server 4 having relatively high CPU power. It can reduce the burden.
  • FIG. 6 is a flowchart showing a control procedure of operation abnormality occurrence determination processing for performing data abnormality determination and operation abnormality determination. This flowchart is executed by the CPU of the servo amplifier 2 shown in FIG. 1 while the observation drive of the motor drive mechanism 1 may cause data abnormality.
  • observation drive the drive in the state (practical use operation) in which the motor drive mechanism 1 was operated by a sufficiently long period can be considered, for example.
  • step S105 the CPU of the servo amplifier 2 starts observation drive of the motor drive mechanism 1 by motion control and motor drive control.
  • step S110 the CPU of the servo amplifier 2 acquires time-series observation data of each variable (torque command and output speed of each axis) for each predetermined time such as a system cycle and transmits it to the edge server 4.
  • step S115 the CPU of the servo amplifier 2 calculates the Mahalanobis distance a (x) from the sample mean ⁇ and sample covariance matrix ⁇ calculated in advance in step S40 and the time-series observation data group acquired in step S110. Calculate ').
  • step S120 the CPU of the servo amplifier 2 calculates the data abnormality determination threshold value a th (in the figure, “the mahalanobis distance a (x ′) calculated in step S115 previously calculated in step S15). It is determined whether or not the threshold value is abbreviated. In other words, it is determined whether the time-series observation data acquired in step S110 is in an abnormal data state. If the Mahalanobis distance a (x ′) does not exceed the data abnormality determination threshold value a th , the determination is not satisfied, and the process proceeds to step S125. In other words, it is considered that no data abnormality has occurred.
  • step S125 the CPU of the servo amplifier 2 determines whether or not the observation drive has ended. If the observation drive has not ended yet, the determination is not satisfied, and the process returns to step S110 to repeat the same procedure.
  • step S130 the CPU of the servo amplifier 2 stops the observation drive of the motor drive mechanism 1. And this flow is ended.
  • step S120 when the Mahalanobis distance a (x ') exceeds the data abnormality determination threshold value a th in the determination of step S120, the determination is satisfied, and the process proceeds to step S135. In other words, it is considered that a data abnormality has occurred.
  • step S135 the CPU of the servo amplifier 2 determines that the abnormality determination frequency (acquisition frequency of time-series observation data determined to be abnormal) in the data abnormality determination performed a predetermined number of times most recently in the past is a predetermined value (predetermined It is determined whether the threshold value is greater than the threshold value. In other words, it is determined whether or not an age-deteriorated device abnormality has occurred. If the data abnormality determination frequency at the most recent predetermined number of times is greater than the predetermined value, the determination is satisfied, and the process proceeds to step S140. In other words, it is considered that a device error of aged deterioration has occurred.
  • step S140 the CPU of the servo amplifier 2 transmits to the edge server 4 the determination result that the motor drive mechanism 1 and the motor control device have a device abnormality due to aged deterioration and an operation abnormality in the motor 12 has occurred. Then, the process proceeds to step S130.
  • step S135 when the data abnormality determination frequency at the latest predetermined number of times is equal to or less than the predetermined value, the determination is not satisfied, and the process proceeds to step S125. In other words, it is considered that no aged equipment failure has occurred.
  • the machine learning determination processing (steps 5 and 6) with relatively small load of calculation processing and the operation abnormality occurrence determination processing are also performed by the servo amplifier 2 having a relatively low CPU power. As a result, the resource load in the entire abnormality determination system 100 can be reduced.
  • step S25 and step S110 corresponds to the time series detection data acquisition unit described in each claim, and the procedure of step S5, step S10, step S15, step S40, step S115, and step S120 is described in each claim.
  • the procedure of step S135 corresponds to the operation abnormality occurrence determination unit described in each claim.
  • the procedure of step S5 corresponds to the false alarm rate determination unit described in each claim
  • the procedure of step S10 corresponds to the chi-square distribution calculation unit described in each claim
  • the procedure of step S40 corresponds to the sample average calculation unit and the sample covariance matrix calculation unit described in each claim
  • the procedure of step S115 corresponds to the Mahalanobis distance calculation unit described in each claim.
  • the procedure of step S120 corresponds to the determination unit described in each claim.
  • the edge server 4 sequentially receives and records time-series detection data from the servo amplifier 2 even during observation driving, and receives a determination result from the servo amplifier 2 when an operation abnormality occurs.
  • the edge server 4 itself has already created the reference data necessary for the data abnormality determination in the preparation process at the time of normal driving. Thereby, when the edge server 4 receives the operation abnormality occurrence determination from the servo amplifier 2, the edge server 4 itself can perform data abnormality determination including calculation of the Mahalanobis distance from the reference data and the time series detection data.
  • the edge server 4 can perform data abnormality determination including calculation of the Mahalanobis distance from the reference data and the time series detection data.
  • it can be performed only to the determination of whether or not the operation abnormality has occurred in the motor 12.
  • the edge server 4 also determines the type of operation abnormality based on the time series distribution pattern of the Mahalanobis distance as shown in the lower side of FIG.
  • the time-series distribution pattern of the Mahalanobis distance is created for each type of time-series detection data, and the time-series pattern of the time-series detection data itself and the distribution pattern in the frequency domain It can be considered as emphasizing and showing the degree and the feature of the operation abnormality in the motor 12 in particular rather than (not shown). Therefore, in the example of the present embodiment, a specific example in which the edge server 4 determines the type of operation abnormality by pattern matching using machine learning on the time series distribution pattern of the Mahalanobis distance will be described below. .
  • FIG. 7 illustrates an example of a neural network configuration model of the operation abnormality type determination unit that performs the type determination processing of the operation abnormality in the edge server 4.
  • the operation abnormality type determination unit 31 clusters the operation abnormality types of the motor 12 with respect to the Mahalanobis distance time-series distribution pattern generated for each time-series detection data (torque command, output speed, speed deviation, and estimated disturbance). It is designed and adjusted to output.
  • the operation abnormality type to be output is based on the learning content in the machine learning process (deep layer learning), that is, the neural network of the operation abnormality type determination unit 31 is a waveform included in the Mahalanobis distance time-series distribution pattern A feature value representing the correlation between the pattern and the operation abnormality type is learned.
  • flexible patterns can be recognized by constructing the immediate vicinity of the input layer with a convolutional neural network (not particularly shown) which is a combination of a so-called convolution layer and a pooling layer. . Furthermore, for example, it is also preferable to configure the immediate vicinity of the output layer with a total bonding layer (not particularly shown) suitable for the optimum value calculation.
  • a convolutional neural network not particularly shown
  • a total bonding layer not particularly shown
  • this neural network As a learning method of this neural network, it can be performed by so-called supervised learning.
  • supervised learning When performing supervised learning, a Mahalanobis distance time-series distribution pattern generated from time-series detection data of the motor 12 in an operation abnormality state with a known operation abnormality type is used as input data, and the known operation abnormality type is output A combination of teacher data as data may be used.
  • back-propagation processing error back-propagation processing using many such training data to adjust the weighting factor of each edge connecting each node so that the relationship between the input layer and the output layer of the neural network is established Learn by).
  • the processing accuracy may be improved by using various known learning methods such as a so-called stacked auto encoder, dropout, noise addition, and sparse regularization.
  • the processing algorithm of the operation abnormality type determination unit 31 is not limited to the deep learning (deep learning) using the illustrated neural network, but may be another processing algorithm of machine learning using, for example, a support vector machine or a Bayesian network. Other statistical methods may be applied (not shown).
  • the above operation error type determination by machine learning or the like can be performed only by the edge server 4 with relatively high CPU power.
  • the causal relationship between the type of operation abnormality of the motor 12 derived from the mechanical and circuit configuration and specifications of the motor drive mechanism 1 and the cause of the device abnormality of the motor drive mechanism 1 and the motor control device are associated with predetermined relationship rules, and made into a database in the edge server 4 (not particularly shown). Accordingly, the edge server 4 can estimate the cause of the device abnormality occurring in the motor drive mechanism 1 and the motor control device based on the rule base from the operation abnormality type of the motor 12 determined previously.
  • the process of estimating the cause of the device abnormality executed by the edge server 4 in this manner corresponds to the device abnormality determination unit and the device abnormality cause estimation unit described in each claim.
  • the relationship between the flow of various information and the various processes and the like during observation driving of the abnormality determination system 100 according to the present embodiment described above is as shown in FIG.
  • the various processes in the figure can be executed entirely by the edge server 4, but the Mahalanobis distance calculation, data abnormality determination, and operation abnormality occurrence determination among them are performed by the servo amplifier 2 in the case of this embodiment. There is.
  • the abnormality type determination unit 31 and the device abnormality determination unit that determines the device abnormality of the motor drive mechanism 1 and the motor control device based on the determination contents of the operation abnormality type determination unit 31 are included.
  • the determination content of the data abnormality or the determination content of the operation abnormality of the motor 12 it is possible to determine the content of the device abnormality of the motor drive mechanism 1 and the motor control device correlating with these.
  • the data abnormality determination unit makes the determination using the Hotelling T 2 method. As a result, it is possible to realize data abnormality determination by highly reliable multivariable analysis.
  • the T 2 method described above Hotelling calculates the sample mean ⁇ and the sample covariance matrix ⁇ based on series sample data when obtained in the normal driving. Further, the abnormality determination system 100 calculates the Mahalanobis distance a (x ′) based on the sample average ⁇ and the sample covariance matrix ⁇ based on time-series observation data acquired at the time of observation driving. Then, the abnormality determination system 100 determines data abnormality of time-series observation data by comparing the Mahalanobis distance a (x ') and the data abnormality determination threshold value ath . Accordingly, since it can perform machine learning Hotelling T 2 method in the so-called "supervised learning", thereby improving the reliability of the data abnormality determination. Note that machine learning may be used by so-called "unsupervised learning” by clustering or the like.
  • the servo amplifier 2 executes an operation abnormality occurrence determination process of determining the occurrence of the operation abnormality.
  • the machine learning determination process (steps 5 and 6) with a relatively small load of calculation process and the operation abnormality occurrence determination process can be performed even by the servo amplifier 2 having a relatively low CPU power. Reduce the resource burden on
  • the occurrence of the operation abnormality is determined based on the occurrence frequency of the data abnormality.
  • the method of determining the occurrence of the operation abnormality and the device abnormality is not limited to the occurrence frequency of the data abnormality.
  • the occurrence of operation abnormality may be determined based on other various generation modes such as occurrence time of data abnormality, generation frequency, and continuous generation period, and various types of operation abnormality types including aged deterioration. It is possible to make a judgment by
  • the operation abnormality type determination unit 31 included in the edge server 4 determines the type of operation abnormality. Therefore, the type of operation abnormality occurring in the motor 12 can be specified concretely.
  • the operation abnormality type determination unit 31 of the edge server 4 determines the type of operation abnormality by pattern matching on the time-series distribution pattern of the Mahalanobis distance based on the learning content in the machine learning process.
  • the type of operation abnormality can be determined with high accuracy regardless of artificial mathematical model design.
  • the operation of the operation is abnormal by pattern matching in some (one to three) of them. The type may be determined.
  • the time series pattern data of the state quantity input to the operation abnormality type determination unit 31 is limited to the Mahalanobis distance time series distribution pattern which represents the length of the Mahalanobis distance at each time of the time series detection data in time series. Absent. For example, the length of the Mahalanobis distance at each time point of the time series detection data is unnecessary, and instead it is determined whether the Mahalanobis distance at each time point exceeds the data abnormality determination threshold value a th , that is, the presence or absence of data abnormality. It is also possible to use a time series bit pattern which is represented binary in time series (not particularly shown). In this case, although there is a possibility that the determination accuracy of the operation abnormality type may decrease, there is an advantage that the configuration of the neural network of the operation abnormality type determination unit 31 can be simplified.
  • the device abnormality determination performed by the edge server 4 estimates the cause of the device abnormality.
  • produces in the motor drive mechanism 1 can be specified concretely.
  • the determination of the cause of the device abnormality performed by the edge server 4 estimates the cause of the device abnormality on a rule basis based on the determination content of the type determination of the operation abnormality.
  • the cause of the device abnormality according to the causal relationship between the operation abnormality type of the motor 12 derived from the mechanical configuration of the motor drive mechanism 1 and the type of device abnormality of the motor drive mechanism 1 and the motor control device Become.
  • sharing of each processing such as preparation processing and operation abnormality occurrence determination processing, data abnormality determination, operation abnormality type determination, and device abnormality type estimation in each of the CPUs of the servo amplifier 2 and the edge server 4 is performed. It is not limited.
  • the CPUs of the servo amplifier 2, the host control device 3, and the edge server 4 may be integrated in any combination, and may be executed with any sharing.
  • the servo amplifier 2 performs only acquisition and transmission of time series detection data
  • the edge server 4 performs all of data abnormality determination, operation abnormality occurrence determination, operation abnormality type determination, and device abnormality type determination. It is also good.
  • ⁇ 10-1 Cause estimation of equipment abnormality by pattern matching>
  • the embodiment of the disclosure is not limited to the above, and various modifications can be made without departing from the spirit and the technical idea thereof.
  • the apparatus abnormality cause estimation in the edge server 4 is performed on a rule basis in the above embodiment, the present invention is not limited to this.
  • the degree or the feature of the device abnormality in the motor drive mechanism 1 and the motor control device is emphasized. For this reason, as shown in FIG.
  • the device abnormality cause estimation unit 32 implemented by a neural network directly causes the device abnormality by pattern matching from the Mahalanobis distance time-series distribution pattern of each time-series detection data (in the figure In the above, only the device abnormality of the example of the timing belt mechanism may be estimated. Thereby, the determination of the type of operation abnormality in the motor 12 can be omitted, and the cause of the device abnormality of the motor drive mechanism 1 and the motor control device can be estimated more simply.
  • ⁇ 10-2 Location estimation of equipment abnormality by pattern matching>
  • the device abnormality location estimation unit 33 implemented by a neural network directly generates a device anomaly by pattern matching from the Mahalanobis distance time-series distribution pattern of each time-series detection data (see FIG. Among them, only the device malfunction of the example of the timing belt mechanism may be estimated. As a result, it is possible to easily estimate the occurrence point of the device abnormality of the motor drive mechanism 1 and the motor control device.
  • ⁇ 10-3 Estimation of cause of equipment abnormality using equipment characteristic estimation value, location estimation>
  • the estimation is performed on a rule basis from the contents of the operation abnormality type determination, or the pattern matching from the Mahalanobis distance time series distribution pattern of each time series detection data
  • the device characteristic values include, for example, a resonance frequency, various friction coefficients such as a coulomb friction coefficient and a viscous friction coefficient, and an inertia moment (inertia). These are calculated by an arithmetic expression or analysis method using a predetermined known mathematical model based on each time-series detection data such as torque command, output position, output speed, estimated disturbance, and speed deviation detected by the servo amplifier 2. It can be calculated as an estimated value. As an analysis method thereof, there is mechanical analysis by frequency analysis using so-called FFT or the like. On the other hand, as shown in FIG.
  • the motor drive mechanism at that time is directly performed by pattern matching from each time series detection data (time series pattern of a specific operation period) by the device characteristic estimation unit 34 implemented by a neural network.
  • the device characteristic estimated value of 1 (only the device characteristic value of the motor (including the driving machine) is illustrated in the drawing) may be estimated by the regression output (multi-valued output).
  • the combination of the various estimated device characteristic estimated values may emphasize and indicate the characteristics of the occurrence cause and the occurrence location of the device abnormality in the motor drive mechanism 1 at that time.
  • the above-mentioned various device characteristic estimated values are input instead of various Mahalanobis distance time-series distribution patterns to the above-mentioned device malfunction cause estimation unit 32 and device malfunction location estimation unit 33,
  • the occurrence location may be estimated (not shown in particular), or both the Mahalanobis distance time-series distribution pattern and the device characteristic estimated value may be input to estimate the occurrence cause or occurrence location of the device abnormality with higher estimation accuracy. (See FIG. 12 described later).
  • the relationship between the flow of various information and the various processes and the like at the time of observation driving in each of the modified examples described above is as shown in FIG.
  • the various processes in the figure can all be executed by the edge server 4, but the Mahalanobis distance calculation, data abnormality determination, operation abnormality occurrence determination, and device characteristic estimation can also be performed by the servo amplifier 2 among them.
  • the motor 12 included in the motor drive mechanism 1 may be a linear motion linear motor, in which case a linear scale is used instead of the encoder 11, and a thrust command is used instead of a torque command.
  • a linear motion linear motor in which case a linear scale is used instead of the encoder 11, and a thrust command is used instead of a torque command.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

【課題】機械システムの具体的な機器異常の内容を判定する。 【解決手段】モータ駆動機構１の機器異常を判定する異常判定システム１００であって、サーボアンプ２がモータ駆動機構１の駆動中におけるモータ１２の入出力に関する時系列検出データを取得する制御手順を実行し、サーボアンプ２とエッジサーバ４が時系列検出データのデータ異常を判定する制御手順を実行し、エッジサーバ４がデータ異常と判定された時系列検出データの取得態様に基づいて、モータの動作異常を判定する制御手順と、データ異常の判定内容又は動作異常の判定内容に基づいて、モータ駆動機構１の機器異常を判定する制御手順とを実行する。

Description

異常判定システム、モータ制御装置、及び異常判定装置
　開示の実施形態は、異常判定システム、モータ制御装置、及び異常判定装置に関する。
　特許文献１及び特許文献２には、統計学的手法に基づくセンサデータの解析により機械設備の状態を予兆診断する技術が開示されている。
特許第５８２７４２５号公報 特許第５８２７４２６号公報
　しかしながら、上記従来技術では機械システムが正常か異常かの状態診断までしかできず、その具体的な機器異常の内容まで判定することができない。
　本発明はこのような問題点に鑑みてなされたものであり、機械システムの具体的な機器異常の内容を判定可能な異常判定システム、モータ制御装置、及び異常判定装置を提供することを目的とする。
　上記課題を解決するため、本発明の一の観点によれば、機械システムに関する状態量を取得する状態量取得部と、機械学習プロセスでの学習内容を利用して、前記状態量に基づき前記機械システムにおける異常の発生有無、発生箇所、及び発生原因の少なくとも１つを判定する異常判定部と、を有する異常判定システムが適用される。
　また、本発明の別の観点によれば、モータ駆動機構を駆動するモータに駆動電力を給電し駆動制御するモータ制御装置であって、前記モータ、前記モータ駆動機構、及び前記モータ制御装置の少なくとも１つに関する状態量を取得する状態量取得部と、機械学習プロセスでの学習内容を利用して、前記状態量に基づき前記モータ、前記モータ駆動機構、及び前記モータ制御装置の少なくとも１つにおける異常の発生有無を判定する異常判定部と、を有するモータ制御装置が適用される。
　また、本発明の別の観点によれば、機械システムに関する状態量を取得する状態量取得部と、機械学習プロセスでの学習内容を利用して、前記状態量に基づき前記機械システムにおける異常の発生有無、発生箇所、及び発生原因の少なくとも１つを判定する異常判定部と、を有する異常判定装置が適用される。
　本発明によれば、機械システムの具体的な機器異常の内容を判定できる。
異常判定システムの概略的なブロック構成を表す図である。 トルク指令、出力速度、推定外乱、及び出力速度を時系列検出データとして取得するサーボアンプの制御ブロックを伝達関数形式で表す図である。 カイ２乗分布とデータ異常判定しきい値とマハラノビス距離の関係を説明する図である。 動作正常と動作異常のそれぞれの場合の基準データとマハラノビス距離時系列分布パターンを例示する図である。 エッジサーバのＣＰＵが実行する準備処理の制御手順を表すフローチャートである。 サーボアンプのＣＰＵが実行する動作異常発生判定処理の制御手順を表すフローチャートである。 動作異常種類判定部のニューラルネットワーク構成モデルの一例を表す図である。 実施形態の観測駆動時における各種情報の流れを各種処理の関係をまとめて表す図である。 機器異常原因推定部のニューラルネットワーク構成モデルの一例を表す図である。 機器異常箇所推定部のニューラルネットワーク構成モデルの一例を表す図である。 機器特性推定部のニューラルネットワーク構成モデルの一例を表す図である。 各変形例の観測駆動時における各種情報の流れを各種処理の関係をまとめて表す図である。
　以下、一実施の形態について図面を参照しつつ説明する。
　＜１：異常判定システムの全体構成＞
　図１を参照しつつ、本実施形態に係る異常判定システムの全体構成の一例について説明する。
　図１は、異常判定システムの概略的なブロック構成を表している。図１に示すように、異常判定システム１００は、モータ駆動機構１と、サーボアンプ２と、上位制御装置３と、エッジサーバ４とを有する。
　モータ駆動機構１は、当該異常判定システム１００によってその駆動が制御されるとともに、その駆動に関する各種の異常が判定される対象の機械システムである。このモータ駆動機構１は、エンコーダ１１を備えたモータ１２と、このモータ１２により駆動される駆動機械１３とを有している。本実施形態の例では、モータ１２は回転型の電動モータであり、エンコーダ１１はモータの回転位置を光学的に検出し出力するセンサであり、駆動機構１３はタイミングベルトを回転させるタイミングベルト機構（特に図示せず）である。
　サーボアンプ２（モータ制御装置）は、後述の上位制御装置３から入力される位置指令に上記モータ１２の出力位置を追従させるよう駆動電力をモータ１２に給電し駆動制御する機能（モータ駆動制御機能）を有している。また本実施形態の例においてサーボアンプ２は、駆動電力を給電する過程で生成されるトルク指令と、エンコーダ１１から出力されたモータ１２の出力位置に基づいて生成される出力速度と、推定外乱と、速度偏差の４つのデータを時系列検出データとして逐次取得し（後述の図２参照）、後述のエッジサーバ４に出力する機能も有している。また本実施形態の例においてサーボアンプ２は、上記の時系列検出データに基づいたデータ異常判定と、データ異常判定の判定態様に基づいた機器異常発生判定を行う機能も有している（後に詳述する）。
　上位制御装置３は、後述のエッジサーバから入力された上位制御指令に基づいて、駆動機械１３に所望の経時的な駆動動作を行わせるためにモータ１２への位置指令を逐次出力する機能（モーション制御機能）を有している。
　エッジサーバ４（異常判定装置）は、例えば汎用パーソナルコンピュータで構成され、上位制御装置３に対し　駆動機械１３に所望の経時的な駆動動作を行わせるための上位制御指令を出力する機能を有する。なお、この上位制御指令の出力は、特に図示しない他のＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｃｏｎｔｏｒｏｌｌｅｒ）を介して上位制御装置３に出力してもよい。また本実施形態の例において、このエッジサーバ４は、当該異常判定システム１００の通常運用を行う前（つまり後述する正常駆動時）の準備処理を行う機能と、通常運用中（つまり後述する観測駆動時）でのモータ駆動機構１における機器異常原因推定を行う機能も有している。上記の準備処理として、後述する正常駆動時にサーボアンプ２から入力された時系列検出データに基づいて、サーボアンプ２及び当該エッジサーバ４が上記データ異常判定を行う際に必要となる標本平均、標本共分散行列、及びデータ異常判定しきい値を算出してサーボアンプ２に出力する処理を行う（後述の図５参照）。また本実施形態の例においてエッジサーバ４は、サーボアンプ２から入力された時系列検出データを記憶し、後述する観測駆動時には、それら時系列検出データに基づいたデータ異常判定と、データ異常判定の判定態様に基づいた動作異常種類判定と機器異常原因推定を行う機能も有している。
　＜２：サーボアンプの制御ブロック＞
　図２は、本実施形態におけるサーボアンプ２の制御ブロックを伝達関数形式で表している。なお本実施形態の例では、この図２に示す制御ブロックは、サーボアンプ２が備えるＣＰＵ（特に図示せず）により実行されるソフトウェアで実現される。
　この図２において、サーボアンプ２は、減算器２１と、位置制御部２２と、減算器２３と、速度制御部２４と、電流制御部２５と、速度変換部２６と、外乱オブザーバ２７を有している。減算器２１は、上位制御装置３から入力された位置指令から後述する出力位置（フィードバック位置）を減算して位置偏差を出力する。位置制御部２２は、この位置偏差に基づいていわゆるＰＩＤ制御などにより速度指令を出力する。減算器２３は、この速度指令から後述する出力速度（フィードバック速度）を減算して速度偏差を出力する。速度制御部２４は、この速度偏差に基づいていわゆるＰＩＤ制御などによりトルク指令を出力する。電流制御部２５は、このトルク指令に基づく電力変換により駆動電力を出力し、モータ１２に給電する。そしてこのモータ１２が駆動機械１３を駆動した際の出力位置をエンコーダ１１が検出し、サーボアンプ２にフィードバックする。この出力位置は、上記減算器２１において位置指令から減算されるとともに、速度変換部２６に入力される。速度変換部２６は、この出力位置に基づいてモータ１２の駆動速度である出力速度を出力する。なお、この速度変換部２６は、出力位置を時間微分する微分器等で構成すればよい。また外、乱オブザーバ２７は、トルク指令と出力速度に基づいてモータ１２に付加される外乱を推定し出力している。
　以上における減算器２１、位置制御部２２、減算器２３、速度制御部２４、電流制御部２５、及び速度変換部２６は、外部のモータ１２及びエンコーダ１１とともに、いわゆる位置制御フィードバックループと速度制御フィードバックループの２重フィードバックループを構成する。なお、電流制御部２５の内部にも電流制御フィードバックループを備えているが、図中では省略している。これらのフィードバックループにおいて、減算器２１による位置偏差の出力は位置指令の時間微分処理と同等であり、減算器２３による速度偏差の出力は速度指令の時間微分処理と同等である。したがって、サーボアンプ２が備える上記の２重フィードバックループにおいては、
Figure JPOXMLDOC01-appb-I000001
（ｋ：ばね係数、μ：摩擦係数、ｍ：可動部分の慣性モーメント）
の運動方程式に基づくフィードバック制御が行われているとみなせる。
　そして本実施形態では、サーボアンプ２がトルク指令、出力速度、推定外乱、及び速度偏差を時系列検出データとしてシステムサイクル等の短い周期で逐次検出し、エッジサーバ４へ出力する。
　＜３：本実施形態の特徴＞
　＜３－１：本実施形態の判定内容＞
　近年では、機械システムに対する付加価値向上の一環として予防保全がキーワードになりつつある。これまでにも寿命モニタや設置環境モニタ等により予防保全の一助となる情報を上位制御装置３に提示する構成が取られていたが、これらとは別にモータ駆動機構１の機器異常とその内容を判定することが要望されている。本実施形態の異常判定システム１００は、この要望を受けてモータ駆動機構１の機器異常の内容を判定するためのものである。
　サーボアンプ２で判定可能な異常状態はモータ１２の異常状態でしかない。これまでにはモータ１２の異常状態を判定するために、統計学的手法に基づく機械学習を利用することで上記の時系列検出データのデータ異常を判定し、このデータ異常の判定態様に基づいて当該モータ１２の動作異常を判定することができていた。
　これに対し本実施形態では、エッジサーバ４が、モータ駆動機構１、モータ１２、及びサーボアンプ２を含めた機械システムに関する状態量を取得し、機械学習プロセスでの学習内容を利用して、状態量に基づき機械システムにおける異常の発生有無、発生箇所、及び発生原因の少なくとも１つを判定する。例えばモータ駆動機構１の機器異常の内容は、その状態量である上記時系列検出データのデータ異常の判定内容との間に相関関係があることから、本実施形態ではモータ駆動機構１の機器異常の内容を判定することができる。この結果、機械システムの具体的な機器異常の内容を判定できる。このデータ異常と動作異常と機器異常のそれぞれの判定手法について、以下に順を追って説明する。
　＜３－２：データ異常と動作異常と機器異常の定義について＞
　ここで本実施形態におけるデータ異常、動作異常、及び機器異常の用語について説明する。本実施形態の例では、上述したように、モータ駆動機械１としてタイミングベルトを回転させるタイミングベルト機構（特に図示せず）を適用する場合を説明する。このタイミングベルト機構の駆動制御時に発生する異常として、
　・１：機構全体での経年劣化による異常
　・２：タイミングベルト機構における異常
　　　　・２ａ：ベルトのゆるみ（発振）
　　　　・２ｂ：ベルトの劣化（摩擦の増加）
　　　　・２ｃ：ベアリングのグリス不足（摩擦の増加）
　　　　・２ｄ：異物の挟み込み（瞬間的な摩擦の増加）
　　　　・２ｅ：歯飛び（瞬間的な摩擦の増加）
等がある。
　上記の各異常において、ベルトのゆるみ、ベルトの劣化、ベアリングのグリス不足、異物の挟み込み、及び歯飛びは、それぞれタイミングベルト機構（モータ駆動機構１）における機械的な異常であるとし、すなわち本実施形態における機器異常と称呼する。またこの機器異常については、モータ駆動機構１を駆動するモータ１２そのものや当該モータ１２の駆動制御を行うモータ制御機器（上記図１におけるエンコーダ１１、サーボアンプ２、上位制御装置３、及びその他のモータ制御に関連する周辺機器）における機械的、回路的な異常も含めるものとする。例えば、サーボアンプ２内の平滑コンデンサやパワー素子等の劣化（電子部品寿命劣化）やダイナミックブレーキ回路の劣化（使用するリレーの接点寿命劣化）、モータコイルの絶縁劣化、モータブレーキの摩耗劣化、などの異常も機器異常に含めるとする。なお以下の説明においては、説明を簡易にするために、モータ駆動機構１における機器異常のみに限定して説明する。そしてモータ駆動機構１の機器異常の発生に起因してモータ１２の制御動作上で発生する発振、摩擦の増加、及び瞬間的な摩擦の増加などの現象がモータ１２の動作における異常とし、すなわち本実施形態における動作異常（とその種類）と称呼する。そしてデータ異常は、このモータ１２における動作異常の発生とその種類を判定するための時系列検出データの異常を意味する。以下、各異常の判定について順を追って説明する。
　＜４：データ異常判定について＞
　＜４－１：機械学習によるデータ異常判定＞
　一般に人間が波形を観測して正常／異常の判断を行うのは、主として経験によるところが大きい。この経験を数式として表現し、計算機上で行う手法が機械学習である。機械学習による変化検出手法の基本的な考え方は、基準とするデータ群（以下、基準データという）の正規分布を作成し、運用段階で取得したデータ（以下、観測データという）が正規分布から外れているか否かを確認するというものである。
　データ異常判定を行う上で、基準データは、データ的に全て正常であることを前提とする場合と、データ的に正常と異常にラベル付けされた基準データが混在している場合が考えられる。しかし、機構部品の経年変化に適用する場合は、事前に異常な基準データを準備することは難しいため、基準データは全て正常であるという前提をとることが現実的と考えられる。
　正規分布から外れていることを判断するためには、正規分布の端にデータ異常判定用のしきい値を設定し、観測データが正規分布中心に対してデータ異常判定しきい値よりも離れていることを確認すればよい。
　＜４－２：時系列検出データについて＞
　本実施形態では、基準データや観測データを複数種類で取得する場合は、以下のように配列で定義した時系列検出データＤとして取得する。
Figure JPOXMLDOC01-appb-I000002

　例えば、同一の駆動機械１３を２つのモータ１２で駆動するモータ駆動機構１（タイミングベルト機構を想定、特に図示せず）で、各モータ１２それぞれのトルク指令と出力速度を時系列検出データとして取得した場合（つまり自由度Ｍ＝変数の種類数＝２）には、時系列検出データＤは以下のようになる。ただし、Ｄの添え字は時刻を示す。
Figure JPOXMLDOC01-appb-I000003
　＜４－３：ホテリングのＴ２法について＞
　本実施形態では、機械学習による変化検出手法としてホテリングのＴ２法を適用する。ホテリングのＴ２法は、複数種類のデータの変化波形を並列に観測する多変数解析の一手法であり、その処理は以下の（工程１）～（工程６）で行う。
（工程１）誤報率を決定する
　データには正常データと異常データが存在するが、正規分布からどれくらい大きく外れた場合を異常データとするかの指標が誤報率αとなる。例えば、誤報率１％と考えるならα＝０．０１となる。なお、確率統計論の考え型では、誤報率を０とした場合には全てのデータが正常となってしまうため、原理的に誤報率αを０にはしない。
（工程２）カイ２乗分布を算出する
　自由度Ｍ、スケール因子ｓ＝１として、カイ２乗分布を次式から計算する。なお、自由度Ｍは、独立した基準データの種類の数（上述した多変数解析における変数の種類の数）を指定するパラメータである。
Figure JPOXMLDOC01-appb-I000004

　ただし、Γはガンマ関数を表し、次式で定義される。
Figure JPOXMLDOC01-appb-I000005
（工程３）データ異常判定しきい値を算出する
　上記（工程１）で決定した誤報率αと、上記（工程２）で算出したカイ２乗分布から、
Figure JPOXMLDOC01-appb-I000006

を満たすデータ異常判定しきい値ａｔｈを算出する。
（工程４）標本平均と標本共分散行列を算出する
　正常データである基準データから標本平均μ（文中の表記ではハットを省略、以下同様）と標本共分散行列Σ（文中の表記ではハットを省略、以下同様）を次式から算出する。
Figure JPOXMLDOC01-appb-I000007

　ただし、はｎ番目の種類の基準データである。
（工程５）マハラノビス距離を算出する
　上記（工程４）で算出した標本平均μと標本共分散行列Σ、及び検出した観測データに基づいて、マハラノビス距離ａ（ｘ’）を次式から算出する。
Figure JPOXMLDOC01-appb-I000008
（工程６）データ異常判定しきい値とマハラノビス距離を比較する
　上記（工程３）で算出したデータ異常判定しきい値ａｔｈと、上記（工程５）で算出したマハラノビス距離ａ（ｘ’）とを比較する。マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａｔｈを越えている場合（ａ（ｘ’）＞ａｔｈ）には、上記（工程５）で用いた観測データがデータ異常の状態にあると判定する。
　図３に示すように、カイ２乗分布は自由度Ｍ別に分布が変化する確率分布であり、いわゆる再生性を有している特性から多変数解析での適用に好適である。例えば上述したような変数の種類（トルク指令、出力速度）の数が２つの時系列検出データを取得する場合、自由度Ｍ＝２となって図３中の実線で示されるカイ２乗分布が利用される。このカイ２乗分布で誤報率αに相当するデータ異常判定しきい値ａｔｈよりもマハラノビス距離ａ（ｘ’）が大きい場合、当該マハラノビス距離ａ（ｘ’）の算出に用いた観測データにデータ異常が発生しているとみなせる。つまり変数の種類数が２つである多変数解析において、それら２つのデータの組み合わせによる多元的な異常の度合い（どれだけ正常からかけ離れているかの度合い）を、データ異常判定しきい値ａｔｈとマハラノビス距離ａ（ｘ’）の一元的な比較により判定できる。なお、マハラノビス距離ａ（ｘ’）の算出時に標本平均μと標本共分散行列Σを用いていることで、２種類のデータそれぞれの正規分布間の相関による影響を相殺している。なお、データの種類別でそれぞれ自由度＝１としたホテリングＴ２法のデータ異常判定を個別に適用することもできる。
　＜４－４：具体的なデータ異常判定＞
　まず比較例として、機械学習を利用せずにデータ異常を判定する方法について説明する。
（事前準備）
１：基準データとして正常なデータを複数取得する。
２：基準データ群から各時刻における正規分布を作成する。
３：各時刻における正規分布に対してデータ異常判定しきい値を設定する。
（データ異常判定）
１：観測データを取得する。
２：取得時刻に対応する正規分布に加える。
３：観測データが正規分布に設定したデータ異常判定しきい値を超えていたら異常と判定する。
　上記比較例の方法では、時刻ごとに正規分布とデータ異常判定しきい値を作成する必要があり、さらに観測データでも正規分布を計算する必要がある。正規分布の計算には平均値と標準偏差の計算が必要であるが、標準偏差の計算は煩雑なため、時刻ごとに計算を実施するのは現実的ではない。また、データ異常判定しきい値も各時刻の正規分布に対して設定するため時刻ごとに異なった値となる。
　次に、上記比較例の問題を解決するために機械学習を利用する場合について説明する。機械学習を利用することで処理は以下のようになる。
（事前準備）
１：基準データとして正常なデータを複数取得する。
２：基準データ群から標本平均μと標本共分散行列Σを計算する。
３：誤報率αとカイ２乗分布からデータ異常判定しきい値ａｔｈを計算する。
（データ異常判定）
１：観測データを取得する。
２：観測データに対してマハラノビス距離ａ（ｘ’）を計算する。
３：マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａｔｈを超えていたらデータ異常と判定する。
　このように機械学習を利用した方法では、正規分布の計算の代わりに標本平均μ、標本共分散行列Σ、及びマハラノビス距離ａ（ｘ’）の計算を行う。これらの計算は単純な四則演算であるため、長期間に渡るモータ駆動機構１の実運用時間中において短い周期で逐次計算しても大きな負荷処理にはならない。また、データ異常判定しきい値ａｔｈは計算式こそ複雑だが、時刻に依存しない定数となるため事前に一度計算しておくだけで済む。
　＜５：動作異常の発生判定について＞
　上記のデータ異常判定によれば、時系列検出データを取得した時点におけるデータ上で見た異常状態の有／無（つまり異常／正常）を２値的に判定することができる。しかし、後述する実験結果に示すように１度でもデータ異常が判定されたからといって機械システム全体に動作異常や機器異常が発生したと判定すべきではない。また、データ異常が複数回発生した際にその発生態様に基づいて動作異常の内容を一次的に推定することが可能である。本実施形態では、図４に示すように、経年劣化が進行するに従ってデータ異常の発生頻度が徐々に増加するとの考察に基づき、データ異常の発生頻度が所定値を越えた場合には、モータ駆動機構１及びモータ制御機器に経年劣化の種類の機器異常とそれによるモータ１２の動作異常が発生していると判定する。
　＜６：具体的な制御フロー＞
　上述した経年劣化の機器異常による動作異常の発生を判定するための具体的な制御フローの一例を、以下に詳細に説明する。まず図５は、データ異常判定に機械学習を利用する場合の上記事前準備に相当する準備処理の制御手順を示すフローチャートである。このフローチャートは、データ異常がほぼ生じないと確信できるモータ駆動機構１の正常駆動の駆動状態中に、図１中に示すエッジサーバ４のＣＰＵが実行する。なお正常駆動としては、例えばモータ駆動機構１が組立製造後に十分な調整が行われた状態でほぼ設計通りに動作すると確信できる状態（初期運用又は試験運用）での駆動が考えられる。
　まずステップＳ５で、エッジサーバ４のＣＰＵは、誤報率αを決定する。これはユーザからの入力により任意に決定してもよいし、予め設定された値や所定の手法に基づいて算出された値で決定してもよい。
　次にステップＳ１０へ移り、エッジサーバ４のＣＰＵは、変数の種類数を自由度Ｍとしたカイ２乗分布を算出する。本実施形態では、１つのモータ１２に対しトルク指令と出力速度の２種類の時系列検出データが取得されるため、自由度Ｍ＝２となる。
　次にステップＳ１５へ移り、エッジサーバ４のＣＰＵは、誤報率αとカイ２乗分布に基づいてデータ異常判定しきい値ａｔｈを算出する。
　次にステップＳ２０へ移り、エッジサーバ４のＣＰＵは、上位制御装置３とサーボアンプ２を介したモーション制御及びモータ駆動制御によりモータ駆動機構１の正常駆動を開始する。
　次にステップＳ２５へ移り、エッジサーバ４のＣＰＵは、システムサイクルなどの所定時間毎に各変数（各軸のトルク指令及び出力速度）の時系列基準データを、サーボアンプ２から取得する。
　次にステップＳ３０へ移り、エッジサーバ４のＣＰＵは、正常駆動が終了したか否かを判定する。正常駆動がまだ終了しない場合、判定は満たされず、ステップＳ２５に戻って同様の手順を繰り返す。
　一方、正常駆動が終了した場合、判定が満たされ、ステップＳ３５へ移る。
　ステップＳ３５では、エッジサーバ４のＣＰＵは、モータ駆動機構１の正常駆動を停止する。
　次にステップＳ４０へ移り、エッジサーバ４のＣＰＵは、上記ステップＳ２５で取得した時系列基準データ群から、標本平均μと標本共分散行列Σを算出する。そして、このフローを終了する。
　以上の準備処理のフローにより、特に計算処理の負荷が大きい機械学習の準備処理（工程１～４）を比較的ＣＰＵパワーの高いエッジサーバ４であらかじめ行うことができ、異常判定システム１００全体におけるリソース負担を軽減できる。
　次に図６は、データ異常判定と動作異常判定を行う動作異常発生判定処理の制御手順を示すフローチャートである。このフローチャートは、データ異常が生じ得るモータ駆動機構１の観測駆動の駆動状態中に、図１中に示すサーボアンプ２のＣＰＵが実行する。なお観測駆動としては、例えばモータ駆動機構１が十分長い期間で運用された状態（実務運用）での駆動が考えられる。
　まずステップＳ１０５で、サーボアンプ２のＣＰＵは、モーション制御及びモータ駆動制御によりモータ駆動機構１の観測駆動を開始する。
　次にステップＳ１１０へ移り、サーボアンプ２のＣＰＵは、システムサイクルなどの所定時間毎に各変数（各軸のトルク指令及び出力速度）の時系列観測データを取得するとともにエッジサーバ４へ送信する。
　次にステップＳ１１５へ移り、サーボアンプ２のＣＰＵは、上記ステップＳ４０であらかじめ算出された標本平均μと標本共分散行列Σ、及び上記ステップＳ１１０で取得した時系列観測データ群からマハラノビス距離ａ（ｘ’）を算出する。
　次にステップＳ１２０へ移り、サーボアンプ２のＣＰＵは、上記ステップＳ１１５で算出したマハラノビス距離ａ（ｘ’）が、上記ステップＳ１５であらかじめ算出されたデータ異常判定しきい値ａｔｈ（図中では「しきい値」と略記）を越えているか否かを判定する。言い換えると、上記ステップＳ１１０で取得した時系列観測データがデータ異常の状態であるか否かを判定する。マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａｔｈを越えていない場合、判定は満たされず、ステップＳ１２５へ移る。言い換えると、データ異常が発生していないとみなされる。
　ステップＳ１２５では、サーボアンプ２のＣＰＵは、観測駆動が終了したか否かを判定する。観測駆動がまだ終了しない場合、判定は満たされず、ステップＳ１１０に戻って同様の手順を繰り返す。
　一方、観測駆動が終了した場合、判定が満たされ、ステップＳ１３０へ移る。
　ステップＳ１３０では、サーボアンプ２のＣＰＵは、モータ駆動機構１の観測駆動を停止する。そして、このフローを終了する。
　一方、上記ステップＳ１２０の判定において、マハラノビス距離ａ（ｘ’）がデータ異常判定しきい値ａｔｈを越えていた場合、判定が満たされ、ステップＳ１３５へ移る。言い換えると、データ異常が発生したとみなされる。
　ステップＳ１３５では、サーボアンプ２のＣＰＵは、それまでの過去直近で所定回数行われたデータ異常判定における異常の判定頻度（異常と判定された時系列観測データの取得頻度）が所定値（所定しきい値）より大きいか否かを判定する。言い換えると、経年劣化の機器異常が発生したか否かを判定する。直近所定回数におけるデータ異常判定頻度が所定値より大きい場合、判定が満たされ、ステップＳ１４０へ移る。言い換えると、経年劣化の機器異常が発生したとみなされる。
　ステップＳ１４０では、サーボアンプ２のＣＰＵは、モータ駆動機構１及びモータ制御機器に経年劣化による機器異常とモータ１２における動作異常が発生したとする判定結果をエッジサーバ４に送信する。そして、ステップＳ１３０へ移る。
　一方、上記ステップＳ１３５の判定において、直近所定回数におけるデータ異常判定頻度が所定値以下である場合、判定は満たされず、ステップＳ１２５へ移る。言い換えると、経年劣化の機器異常が発生してないとみなされる。
　以上の動作異常発生判定処理のフローにより、計算処理の負荷が比較的小さい機械学習の判定処理（工程５、６）と動作異常発生判定処理を、比較的ＣＰＵパワーの低いサーボアンプ２でも行うことができ、異常判定システム１００全体におけるリソース負担を軽減できる。
　なお、ステップＳ２５及びステップＳ１１０の手順が各請求項記載の時系列検出データ取得部に相当し、ステップＳ５、ステップＳ１０、ステップＳ１５、ステップＳ４０、ステップＳ１１５、及びステップＳ１２０の手順が各請求項記載のデータ異常判定部に相当し、ステップＳ１３５の手順が各請求項記載の動作異常発生判定部に相当する。また、ステップＳ５の手順が各請求項記載の誤報率決定部に相当し、ステップＳ１０の手順が各請求項記載のカイ２乗分布算出部に相当し、ステップＳ１５の手順が各請求項記載のしきい値算出部に相当し、ステップＳ４０の手順が各請求項記載の標本平均算出部と標本共分散行列算出部に相当し、ステップＳ１１５の手順が各請求項記載のマハラノビス距離算出部に相当し、ステップＳ１２０の手順が各請求項記載の判定部に相当する。
　＜７：動作異常の種類の判定について＞
　上述したように、エッジサーバ４は観測駆動時の間もサーボアンプ２から時系列検出データを逐次受信して記録しており、動作異常が発生した際にはその判定結果をサーボアンプ２から受信する。またデータ異常判定に必要な基準データについても、エッジサーバ４自体がすでに正常駆動時の準備処理で作成している。これにより、エッジサーバ４は、サーボアンプ２から動作異常発生判定を受信した際に、当該エッジサーバ４自体で基準データと時系列検出データからマハラノビス距離の算出も含めたデータ異常の判定が行える。しかし上記の動作異常発生判定処理では、モータ１２において動作異常が発生したか否かの判定までしか行えない。
　これに対してエッジサーバ４では、さらに上記図４の下方側に示すようなマハラノビス距離の時系列分布パターンに基づいて動作異常の種類の判定も行う。ここで、このマハラノビス距離の時系列分布パターンは、時系列検出データの種類ごとに作成されるものであり、その時系列検出データそのものの時系列パターンやその周波数領域での分布パターン（両方とも特に図示せず）よりも特に当該モータ１２における動作異常の程度や特徴を強調して示していると見なせる。そこで本実施形態の例では、エッジサーバ４がこのマハラノビス距離の時系列分布パターンに対して機械学習を利用したパターンマッチングにより動作異常の種類の判定を行う場合の具体的な一例を以下に説明する。
　図７は、エッジサーバ４において動作異常の種類判定処理を行う動作異常種類判定部のニューラルネットワーク構成モデルの一例を表している。この動作異常種類判定部３１は、各時系列検出データ（トルク指令、出力速度、速度偏差、及び推定外乱）それぞれについて生成したマハラノビス距離時系列分布パターンに対して、モータ１２の動作異常種類をクラスタリング出力するよう設計、調整されている。その出力される動作異常種類は、機械学習プロセス（深層学習）での学習内容に基づくものであり、すなわち、この動作異常種類判定部３１のニューラルネットワークは、マハラノビス距離時系列分布パターンに含まれる波形パターンと動作異常種類との相関を表す特徴量を学習している。
　以上の基本仕様にあるニューラルネットワークにおいては、例えば入力層の直近をいわゆる畳み込み層とプーリング層の組み合わせである畳み込みニューラルネットワーク（特に図示せず）で構成することで柔軟なパターンの認識が可能となる。また例えば、出力層の直近を最適値演算に適した全結合層（特に図示せず）で構成することも好適である。
　このニューラルネットの学習手法としては、いわゆる教師あり学習によって行うことが可能である。教師あり学習を行う場合には、既知の動作異常種類での動作異常状態にあるモータ１２の時系列検出データから生成したマハラノビス距離時系列分布パターンを入力データとし、その既知の動作異常種類を出力データとした組み合わせの教師データを用いればよい。このような教師データを多数用いて、ニューラルネットワークの入力層と出力層の間の関係性が成立するよう各ノードどうしをつなぐ各エッジの重み係数を調整するいわゆるバックプロパゲーション処理（誤差逆伝搬処理）により学習を行う。なお、このようなバックプロパゲーションの他にも、いわゆる積層オートエンコーダ、ドロップアウト、ノイズ付加、及びスパース正則化などの公知の多様な学習手法を併用して処理精度を向上させてもよい。
　なお、動作異常種類判定部３１の処理アルゴリズムは、図示したニューラルネットワークを用いた深層学習（ディープラーニング）によるもの以外にも、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他の機械学習の処理アルゴリズム（特に図示せず）や、その他の統計的手法を適用してもよい。以上のような機械学習等による動作異常種類判定は、比較的ＣＰＵパワーの高いエッジサーバ４でしか行えない。
　＜８：機器異常の原因の推定について＞
　上述したように、例えば摩擦の増加といった種類のモータ１２の動作異常が発生した場合には、タイミングベルト機構のモータ駆動機構１においてベルトの劣化やベアリングのグリス不足などのような特定の機器異常が発生したと想定できる。このようにモータ１２の動作異常種類と、モータ駆動機構１及びモータ制御機器において発生する機器異常の原因とは特定の因果関係を有する場合が多く、その因果関係は当該モータ駆動機構１及びモータ制御機器の機械的、回路的な構成及び仕様に依存するものである。そこで本実施形態では、そのようなモータ駆動機構１の機械的、回路的な構成及び仕様に由来するモータ１２の動作異常種類とモータ駆動機構１及びモータ制御機器の機器異常の原因との因果関係を所定の関係ルールで関連付け、エッジサーバ４においてデータベース化する（特に図示せず）。これによりエッジサーバ４は、先に判定されたモータ１２の動作異常種類から、そのルールベースに基づいてモータ駆動機構１及びモータ制御機器に発生している機器異常の原因を推定できる。なお、このようにエッジサーバ４で実行する機器異常の原因の推定処理が、各請求項記載の機器異常判定部及び機器異常原因推定部に相当する。そして、以上説明した本実施形態の異常判定システム１００の観測駆動時における各種情報の流れと各種処理等の関係をまとめると、図８に示すようになる。なお、図中における各種処理は全てエッジサーバ４で実行可能であるが、そのうちのマハラノビス距離演算、データ異常判定、及び動作異常発生判定について本実施形態の場合にはサーボアンプ２で実行するものとしている。
　＜９：本実施形態の効果＞
　以上説明したように、本実施形態の異常判定システム１００によれば、データ異常と判定された時系列検出データの取得態様に基づいて、モータ１２の動作異常を判定する動作異常発生判定処理及び動作異常種類判定部３１と、動作異常種類判定部３１の判定内容に基づいて、モータ駆動機構１及びモータ制御機器の機器異常を判定する機器異常判定部と、を有している。これにより、データ異常の判定内容又はモータ１２の動作異常の判定内容に基づいて、これらと特性の相関関係にあるモータ駆動機構１及びモータ制御機器の機器異常の内容を判定することができる。この結果、機械システムの具体的な機器異常の内容を判定できる。
　また、本実施形態では特に、データ異常判定部は、ホテリングのＴ２法により判定する。これにより、信頼性の高い多変数解析によるデータ異常判定を実現できる。
　また、本実施形態では特に、上記ホテリングのＴ２法において、正常駆動時に取得した時系列標本データに基づいて標本平均μと標本共分散行列Σを算出する。また異常判定システム１００は、これら標本平均μと標本共分散行列Σとともに観測駆動時に取得した時系列観測データに基づいてマハラノビス距離ａ（ｘ’）を算出する。そして異常判定システム１００は、マハラノビス距離ａ（ｘ’）とデータ異常判定しきい値ａｔｈの比較により、時系列観測データのデータ異常を判定する。これにより、いわゆる「教師あり学習」でホテリングＴ２法の機械学習を実行できることから、データ異常判定の信頼性を向上できる。なお、クラスタリングなどによるいわゆる「教師なし学習」で機械学習を利用してもよい。
　また、本実施形態では特に、サーボアンプ２は、動作異常の発生を判定する動作異常発生判定処理を実行する。これにより、計算処理の負荷が比較的小さい機械学習の判定処理（工程５、６）と動作異常発生判定処理を、比較的ＣＰＵパワーの低いサーボアンプ２でも行うことができ、異常判定システム１００全体におけるリソース負担を軽減できる。
　また、本実施形態では特に、サーボアンプ２で実行される動作異常発生判定処理では、データ異常の発生頻度に基づいて動作異常の発生を判定する。これにより、高い信頼性で経年劣化による動作異常を判定できる。なお、動作異常及び機器異常の発生を判定する手法としては、このデータ異常の発生頻度に限られない。例えば、データ異常の発生時刻、発生周波数、連続発生期間などの他の多様な発生態様に基づいて動作異常（機器異常）の発生を判定してもよく、経年劣化も含めた多様な動作異常種類による判定が可能となる。
　また、本実施形態では特に、エッジサーバ４が有する動作異常種類判定部３１は、動作異常の種類を判定する。これにより、モータ１２で発生している動作異常の種類を具体的に特定できる。
　また、本実施形態では特に、エッジサーバ４の動作異常種類判定部３１は、機械学習プロセスでの学習内容に基づいて、マハラノビス距離の時系列分布パターンに対するパターンマッチングにより動作異常の種類を判定する。これにより、人為的な数理モデルの設計によらず、高い精度で動作異常の種類を判定できる。なお、上記図７に示すように４つ全ての時系列検出データに対応するマハラノビス距離時系列分布パターンによらずとも、そのうちのいくつか（１つ乃至３つ）でのパターンマッチングで動作異常の種類を判定してもよい。また、上記動作異常種類判定部３１に入力する状態量の時系列パターンデータについては、時系列検出データの各時点におけるマハラノビス距離の長さを時系列的に表すマハラノビス距離時系列分布パターンに限られない。例えば、時系列検出データの各時点におけるマハラノビス距離の長さを不要とし、その代わりに各時点にけるマハラノビス距離がデータ異常判定しきい値ａｔｈを越えているか否か、つまりデータ異常の有無を時系列で２値的に表す時系列ビットパターンを用いてもよい（特に図示せず）。この場合、動作異常種類の判定精度が低下する可能性があるものの、動作異常種類判定部３１のニューラルネットワークの構成を簡素化できるという利点がある。
　また、本実施形態では特に、エッジサーバ４で行う機器異常の判定は、機器異常の原因を推定する。これにより、モータ駆動機構１で発生している機器異常の原因を具体的に特定できる。
　また、本実施形態では特に、エッジサーバ４で行う機器異常の原因の判定は、動作異常の種類判定の判定内容に基づくルールベースで機器異常の原因を推定する。これにより、モータ駆動機構１の機械的構成に由来するモータ１２の動作異常種類とモータ駆動機構１及びモータ制御機器の機器異常の種類との因果関係に従った機器異常の原因の推定が可能となる。
　なおサーボアンプ２とエッジサーバ４の各ＣＰＵにおける、準備処理と動作異常発生判定処理、データ異常の判定と動作異常種類の判定と機器異常種類の推定、などの各処理の分担は上記実施形態に限られない。例えば、サーボアンプ２と上位制御装置３とエッジサーバ４の各ＣＰＵがどのような組み合わせで一体化してもよく、またどのような分担で実行してもよい。例えば、特に図示しないが、サーボアンプ２は時系列検出データの取得と送信だけ行い、データ異常判定、動作異常発生判定、動作異常種類判定、及び機器異常種類判定のいずれもエッジサーバ４で行ってもよい。
　＜１０：変形例＞
　＜１０－１：パターンマッチングによる機器異常の原因推定＞
　なお、開示の実施形態は、上記に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。例えば、上記実施形態ではエッジサーバ４における機器異常原因推定はルールベースで行っていたが、これに限られない。例えば、マハラノビス距離の時系列分布パターンにおいて、当該モータ駆動機構１及びモータ制御機器における機器異常の程度や特徴まで強調して示している場合がある。このため、図９に示すように、ニューラルネットワークで実装した機器異常原因推定部３２で、各時系列検出データのマハラノビス距離時系列分布パターンからのパターンマッチングにより直接的に機器異常の原因（図中ではタイミングベルト機構の例の機器異常だけを図示）を推定してもよい。これにより、モータ１２における動作異常の種類の判定を省略して、より簡易にモータ駆動機構１及びモータ制御機器の機器異常の原因を推定できる。
　＜１０－２：パターンマッチングによる機器異常の箇所推定＞
　また、マハラノビス距離の時系列分布パターンにおいて、当該モータ駆動機構１及びモータ制御機器における機器異常の発生箇所に関する特徴まで強調して示している場合がある。このため、図１０に示すように、ニューラルネットワークで実装した機器異常箇所推定部３３で、各時系列検出データのマハラノビス距離時系列分布パターンからのパターンマッチングにより直接的に機器異常の発生箇所（図中ではタイミングベルト機構の例の機器異常だけを図示）を推定してもよい。これにより、簡易にモータ駆動機構１及びモータ制御機器の機器異常の発生箇所を推定できる。
　＜１０－３：機器特性推定値を用いた機器異常の原因推定、箇所推定＞
　上記実施形態及び変形例で示した機器異常の原因推定及び箇所推定では、動作異常種類判定の内容からのルールベースで推定したり、各時系列検出データのマハラノビス距離時系列分布パターンからのパターンマッチングにより推定するなどの手法を説明した。しかしこれらの手法以外にも、状態量である各時系列検出データから推定した当該モータ駆動機構１の機械的な特性値に基づいてその機器異常の原因推定及び箇所推定を行うことも可能である。
　具体的にこの機器特性値としては、例えば共振周波数、クーロン摩擦係数や粘性摩擦係数などの各種摩擦係数、及び慣性モーメント（イナーシャ）などがある。これらは、サーボアンプ２で検出されるトルク指令、出力位置、出力速度、推定外乱、及び速度偏差などの各時系列検出データに基づいて所定の公知の数理モデルを用いた演算式や解析手法により推定値として算出できる。なお、その解析手法としては、いわゆるＦＦＴ等を用いた周波数解析によるメカニカルアナライズなどがある。また一方で、図１１に示すようにニューラルネットワークで実装した機器特性推定部３４で、各時系列検出データ（特定動作期間の時系列パターン）からのパターンマッチングにより直接的にその時点におけるモータ駆動機構１の機器特性推定値（図中ではモータ（駆動機械含む）の機器特性値だけを図示）を回帰出力（多値出力）で推定してもよい。
　そして、これら推定された各種の機器特性推定値の組合せは、その時点のモータ駆動機構１における機器異常の発生原因や発生箇所に関する特徴を強調して示している場合がある。これにより、上記の機器異常原因推定部３２や機器異常箇所推定部３３に対して、各種のマハラノビス距離時系列分布パターンの代わりに上記各種の機器特性推定値を入力して機器異常の発生原因や発生箇所を推定させてもよいし（特に図示せず）、もしくはマハラノビス距離時系列分布パターンと機器特性推定値の両方を入力してより高い推定精度で機器異常の発生原因や発生箇所を推定させてもよい（後述の図１２参照）。
　そして、以上説明した各変形例での観測駆動時における各種情報の流れと各種処理等の関係をまとめると、図１２に示すようになる。なお、図中における各種処理は全てエッジサーバ４で実行可能であるが、そのうちのマハラノビス距離演算、データ異常判定、動作異常発生判定、及び機器特性推定についてはサーボアンプ２でも実行可能である。
　また、特に図示しないが、モータ駆動機構１が備えるモータ１２は直動型のリニアモータであってもよく、その場合にはエンコーダ１１の代わりにリニアスケールが用いられ、トルク指令の代わりに推力指令が時系列検出データとして取得される。
　なお、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。
　また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。
　また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。
　１　　　　　　モータ駆動機構
　２　　　　　　サーボアンプ
　３　　　　　　上位制御装置
　４　　　　　　エッジサーバ
　１１　　　　　エンコーダ
　１２　　　　　モータ
　１３　　　　　駆動機械
　２１　　　　　減算器
　２２　　　　　位置制御部
　２３　　　　　減算器
　２４　　　　　速度制御部
　２５　　　　　電流制御部
　２６　　　　　速度変換部
　２７　　　　　外乱オブザーバ
　３１　　　　　動作異常種類判定部
　３２　　　　　機器異常原因推定部
　３３　　　　　機器異常箇所推定部
　３４　　　　　機器特性推定部
　１００　　　　異常判定システム
 

Claims (18)

  1. 　機械システムに関する状態量を取得する状態量取得部と、
    　機械学習プロセスでの学習内容を利用して、前記状態量に基づき前記機械システムにおける異常の発生有無、発生箇所、及び発生原因の少なくとも１つを判定する異常判定部と、
    を有することを特徴とする異常判定システム。
  2. 　前記機械システムは、
    　モータ及び当該モータを駆動制御するモータ制御機器及び当該モータで駆動されるモータ駆動機構を有しており、
    　前記状態量取得部は、
    　駆動中の前記モータの入出力に関する時系列検出データを前記状態量として取得する時系列検出データ取得部を有していることを特徴とする請求項１記載の異常判定システム。
  3. 　前記異常判定部は、
    　前記時系列検出データに基づいて前記機械システムの機器特性推定値を推定する機器特性推定部を有していることを特徴とする請求項２記載の異常判定システム。
  4. 　前記異常判定部は、
    　前記時系列検出データのデータ異常を判定するデータ異常判定部と、
    　前記データ異常判定部の判定内容に基づいて、前記モータ、前記モータ制御機器、及び前記モータ駆動機構の機器異常を判定する機器異常判定部と、
    を有することを特徴とする請求項２又は３記載の異常判定システム。
  5. 　前記データ異常判定部は、
    　ホテリングのＴ２法により判定することを特徴とする請求項４記載の異常判定システム。
  6. 　前記データ異常判定部は、
    　誤報率を決定する誤報率決定部と、
    　カイ２乗分布を算出するカイ２乗分布算出部と、
    　前記誤報率と前記カイ２乗分布に基づいてデータ異常判定しきい値を算出するしきい値算出部と、
    　時系列検出データに基づいて標本平均を算出する標本平均算出部と、
    　時系列検出データに基づいて標本共分散行列を算出する標本共分散行列算出部と、
    　前記標本平均と前記標本共分散行列と時系列検出データに基づいてマハラノビス距離を算出するマハラノビス距離算出部と、
    　前記データ異常判定しきい値と前記マハラノビス距離の比較により時系列検出データのデータ異常を判定する判定部と、
    を有し、
    　前記標本平均算出部と前記標本共分散行列算出部は、前記モータ駆動機構の正常駆動中に取得した時系列基準データを適用し、
    　前記マハラノビス距離算出部は、前記モータ駆動機構の観測駆動中に取得した時系列観測データを適用し、
    　前記判定部は、前記時系列観測データに対してデータ異常を判定する
    ことを特徴とする請求項５記載の異常判定システム。
  7. 　前記機器異常判定部は、
    　機器異常の発生原因を推定する機器異常原因推定部を有することを特徴とする請求項２乃至６のいずれか１項に記載の異常判定システム。
  8. 　前記機器異常原因推定部は、
    　機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターンマッチング、及び前記機器特性推定値の少なくとも１つにより機器異常の発生原因を推定することを特徴とする請求項７記載の異常判定システム。
  9. 　前記機器異常判定部は、
    　データ異常と判定された時系列検出データの取得態様に基づいて、前記モータの動作異常を判定する動作異常判定部を有することを特徴とする請求項２乃至８のいずれか１項に記載の異常判定システム。
  10. 　前記動作異常判定部は、
    　動作異常の発生有無を判定する動作異常発生判定部を有することを特徴とする請求項９記載の異常判定システム。
  11. 　前記動作異常発生判定部は、
    　データ異常の発生頻度に基づいて動作異常の発生有無を判定することを特徴とする請求項１０記載の異常判定システム。
  12. 　前記動作異常判定部は、
    　動作異常の種類を判定する動作異常種類判定部を有することを特徴とする請求項２乃至１１のいずれか１項に記載の異常判定システム。
  13. 　前記動作異常種類判定部は、
    　機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターンマッチングにより動作異常の種類を判定することを特徴とする請求項１２記載の異常判定システム。
  14. 　前記機器異常原因推定部は、
    　前記動作異常種類判定部の判定内容に基づいて機器異常の発生原因を推定することを特徴とする請求項１２又は１３記載の異常判定システム。
  15. 　前記機器異常判定部は、
    　機器異常の発生箇所を推定する機器異常箇所推定部を有することを特徴とする請求項２乃至１４のいずれか１項に記載の異常判定システム。
  16. 　前記機器異常箇所推定部は、
    　機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターンマッチング、及び前記機器特性推定値の少なくとも１つにより機器異常の発生箇所を推定することを特徴とする請求項１５記載の異常判定システム。
  17. 　モータ駆動機構を駆動するモータに駆動電力を給電し駆動制御するモータ制御装置であって、
    　前記モータ、前記モータ駆動機構、及び前記モータ制御装置の少なくとも１つに関する状態量を取得する状態量取得部と、
    　機械学習プロセスでの学習内容を利用して、前記状態量に基づき前記モータ、前記モータ駆動機構、及び前記モータ制御装置の少なくとも１つにおける異常の発生有無を判定する異常判定部と、
    を有することを特徴とするモータ制御装置。
  18. 　機械システムに関する状態量を取得する状態量取得部と、
    　機械学習プロセスでの学習内容を利用して、前記状態量に基づき前記機械システムにおける異常の発生有無、発生箇所、及び発生原因の少なくとも１つを判定する異常判定部と、
    を有することを特徴とする異常判定装置。
     
PCT/JP2018/026097 2017-11-28 2018-07-10 異常判定システム、モータ制御装置、及び異常判定装置 WO2019106875A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201880063974.0A CN111164526B (zh) 2017-11-28 2018-07-10 异常判定系统、马达控制装置及异常判定方法
JP2018554787A JP6569927B1 (ja) 2017-11-28 2018-07-10 異常判定システム、モータ制御装置、及び異常判定装置
EP18884019.3A EP3719601A4 (en) 2017-11-28 2018-07-10 FAULT DETERMINATION SYSTEM, ENGINE CONTROL DEVICE, AND FAULT DETERMINATION DEVICE
US16/879,760 US11527984B2 (en) 2017-11-28 2020-05-21 Abnormality determination system, motor control apparatus, and abnormality determination apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017228046 2017-11-28
JP2017-228046 2017-11-28

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/879,760 Continuation US11527984B2 (en) 2017-11-28 2020-05-21 Abnormality determination system, motor control apparatus, and abnormality determination apparatus

Publications (1)

Publication Number Publication Date
WO2019106875A1 true WO2019106875A1 (ja) 2019-06-06

Family

ID=66664768

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/026097 WO2019106875A1 (ja) 2017-11-28 2018-07-10 異常判定システム、モータ制御装置、及び異常判定装置

Country Status (5)

Country Link
US (1) US11527984B2 (ja)
EP (1) EP3719601A4 (ja)
JP (1) JP6569927B1 (ja)
CN (1) CN111164526B (ja)
WO (1) WO2019106875A1 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021012096A (ja) * 2019-07-05 2021-02-04 オムロン株式会社 異常検知装置、異常検知方法、異常検知装置の制御方法、及び制御プログラム
JP2021018825A (ja) * 2020-08-07 2021-02-15 株式会社安川電機 拡張モジュール、産業用機器、及び産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法。
JP2021018627A (ja) * 2019-07-22 2021-02-15 株式会社安川電機 拡張モジュール、産業用機器、産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法及び推定システム
CN112677147A (zh) * 2019-10-18 2021-04-20 株式会社安川电机 事件估计系统和事件估计方法
JP2021068457A (ja) * 2020-11-05 2021-04-30 株式会社安川電機 事象推定システム及び事象推定方法
WO2022190331A1 (ja) * 2021-03-11 2022-09-15 株式会社日立産機システム 電力変換装置
US11835568B2 (en) 2020-11-18 2023-12-05 General Electric Company Systems and methods for monitoring and diagnosing power system assets
JP7401499B2 (ja) 2021-10-01 2023-12-19 株式会社安川電機 異常判定システム、異常判定装置、異常判定方法
JP7489686B2 (ja) 2019-11-22 2024-05-24 ディエスピーテクノロジ株式会社 Ａｉ搭載型モータ状態量推定システム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020148838A1 (ja) * 2019-01-16 2020-07-23 日本電気株式会社 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
JP7101131B2 (ja) * 2019-01-31 2022-07-14 ファナック株式会社 数値制御システム
KR102300835B1 (ko) * 2019-12-05 2021-09-10 (주)심플랫폼 IoT 데이터 분석을 통한 모니터링 시스템 및 방법
TWI769762B (zh) * 2021-03-26 2022-07-01 東元電機股份有限公司 應用於伺服馬達驅動系統的波形分析系統及其方法
CN113515671A (zh) * 2021-07-01 2021-10-19 河北工业大学 继电器时间参数异常值识别方法、服务端及存储介质
CN114279555A (zh) * 2021-12-27 2022-04-05 深圳市双合电气股份有限公司 一种电机异常振动监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5827426B2 (ja) 1979-07-18 1983-06-09 松下電器産業株式会社 密封装置
JP2003316422A (ja) * 2002-04-25 2003-11-07 Mitsubishi Electric Corp 制御パラメータ自動調整装置
JP2006285702A (ja) * 2005-03-31 2006-10-19 Yamaguchi Prefecture 火災予防監視支援システム
JP2006309570A (ja) * 2005-04-28 2006-11-09 Petroleum Energy Center 製油所監視システム
WO2014112178A1 (ja) * 2013-01-16 2014-07-24 三菱電機株式会社 モータ制御装置
JP5827425B1 (ja) 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
JP2017151598A (ja) * 2016-02-23 2017-08-31 株式会社安川電機 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5827425B2 (ja) 1976-11-27 1983-06-09 株式会社神戸製鋼所 バルブシ−ト
JP4265982B2 (ja) * 2004-02-25 2009-05-20 三菱電機株式会社 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム
US9124212B2 (en) * 2011-05-31 2015-09-01 Mitsubishi Electric Corporation Load characteristic estimating apparatus for driving machine
CN102798529B (zh) * 2012-08-30 2015-03-25 桂林电子科技大学 大型风力机组轴承故障诊断方法及系统
CN102944435B (zh) * 2012-10-25 2015-02-11 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
JP6312517B2 (ja) * 2014-05-07 2018-04-18 山洋電気株式会社 モータ制御装置
CN103995229B (zh) * 2014-05-21 2016-06-22 浙江工业大学 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法
JP5827426B1 (ja) 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
JP6272548B2 (ja) * 2015-02-27 2018-01-31 三菱電機株式会社 電動機制御装置
JP6501673B2 (ja) * 2015-08-20 2019-04-17 株式会社熊谷組 構造物の劣化判定方法
US10505490B2 (en) * 2016-02-19 2019-12-10 Hitachi, Ltd. Motor control system
JP6593715B2 (ja) * 2017-10-27 2019-10-23 株式会社安川電機 異常判定システム、モータ制御装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5827426B2 (ja) 1979-07-18 1983-06-09 松下電器産業株式会社 密封装置
JP2003316422A (ja) * 2002-04-25 2003-11-07 Mitsubishi Electric Corp 制御パラメータ自動調整装置
JP2006285702A (ja) * 2005-03-31 2006-10-19 Yamaguchi Prefecture 火災予防監視支援システム
JP2006309570A (ja) * 2005-04-28 2006-11-09 Petroleum Energy Center 製油所監視システム
WO2014112178A1 (ja) * 2013-01-16 2014-07-24 三菱電機株式会社 モータ制御装置
JP5827425B1 (ja) 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
JP2017151598A (ja) * 2016-02-23 2017-08-31 株式会社安川電機 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7314664B2 (ja) 2019-07-05 2023-07-26 オムロン株式会社 異常検知装置、異常検知方法、異常検知装置の制御方法、及び制御プログラム
JP2021012096A (ja) * 2019-07-05 2021-02-04 オムロン株式会社 異常検知装置、異常検知方法、異常検知装置の制御方法、及び制御プログラム
JP2021018627A (ja) * 2019-07-22 2021-02-15 株式会社安川電機 拡張モジュール、産業用機器、産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法及び推定システム
US11803178B2 (en) 2019-10-18 2023-10-31 Kabushiki Kaisha Yaskawa Denki Event estimation system and event estimation method
JP2021068068A (ja) * 2019-10-18 2021-04-30 株式会社安川電機 事象推定システム及び事象推定方法
CN112677147A (zh) * 2019-10-18 2021-04-20 株式会社安川电机 事件估计系统和事件估计方法
JP7489686B2 (ja) 2019-11-22 2024-05-24 ディエスピーテクノロジ株式会社 Ａｉ搭載型モータ状態量推定システム
JP7226411B2 (ja) 2020-08-07 2023-02-21 株式会社安川電機 拡張モジュール、産業用機器、及び産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法
JP2021018825A (ja) * 2020-08-07 2021-02-15 株式会社安川電機 拡張モジュール、産業用機器、及び産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法。
JP2021068457A (ja) * 2020-11-05 2021-04-30 株式会社安川電機 事象推定システム及び事象推定方法
JP7489899B2 (ja) 2020-11-05 2024-05-24 株式会社安川電機 事象推定システム及び事象推定方法
US11835568B2 (en) 2020-11-18 2023-12-05 General Electric Company Systems and methods for monitoring and diagnosing power system assets
WO2022190331A1 (ja) * 2021-03-11 2022-09-15 株式会社日立産機システム 電力変換装置
JP7401499B2 (ja) 2021-10-01 2023-12-19 株式会社安川電機 異常判定システム、異常判定装置、異常判定方法

Also Published As

Publication number Publication date
EP3719601A1 (en) 2020-10-07
US11527984B2 (en) 2022-12-13
US20200287497A1 (en) 2020-09-10
CN111164526A (zh) 2020-05-15
JPWO2019106875A1 (ja) 2019-12-12
JP6569927B1 (ja) 2019-09-04
CN111164526B (zh) 2023-10-13
EP3719601A4 (en) 2021-09-01

Similar Documents

Publication Publication Date Title
WO2019106875A1 (ja) 異常判定システム、モータ制御装置、及び異常判定装置
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
US11275345B2 (en) Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
JP6451662B2 (ja) 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置
US10090791B2 (en) Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus
JP6593715B2 (ja) 異常判定システム、モータ制御装置
US11494252B2 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
JP2017102613A (ja) 機械の送り軸の送りの滑らかさを最適化する機械学習装置および方法ならびに該機械学習装置を備えたモータ制御装置
JP6928669B2 (ja) 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法
CN114175044A (zh) 通过数字孪生对食品工业中的装置进行预测性维护以及优化的生产规划
CN111448752B (zh) 电力转换装置及空气调节机
US20180231956A1 (en) Diagnostic data acquisition system, diagnostic system, and computer readable medium
CN113219934A (zh) 自动化系统中的部件的参数设定
EP3674946A1 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
JP7381585B2 (ja) 情報処理システム
CN111814331B (zh) 复杂情况下多变点的设备剩余使用寿命预测方法
JP6856591B2 (ja) 制御装置、ｃｎｃ装置及び制御装置の制御方法
CN116569120A (zh) 信息处理装置及信息处理方法
EP3832413A1 (en) System, device and method for model based analytics
JP6721012B2 (ja) モータ制御システム
JP6792131B2 (ja) モータ制御システム
CN113530762A (zh) 状态监视装置以及状态监视方法
JP6796287B2 (ja) モータ制御システム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018554787

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18884019

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018884019

Country of ref document: EP

Effective date: 20200629