WO2023026411A1

WO2023026411A1 - 状態判定装置及び状態判定方法

Info

Publication number: WO2023026411A1
Application number: PCT/JP2021/031211
Authority: WO
Inventors: 淳史堀内
Original assignee: ファナック株式会社
Priority date: 2021-08-25
Filing date: 2021-08-25
Publication date: 2023-03-02

Abstract

本開示による状態判定装置は、産業機械のベルトを駆動する診断動作の制御を行う制御部と、診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、フィードバックデータの周波数特性を解析し、周波数特性における複数の極値点を検出する検出部と、複数の極値点の位置関係に応じて該複数の極値点の中から所定の極値点を選定または削除する選定条件に基づいて、検出した複数の極値点の中から少なくとも１つの極値点を選定し、選定した極値点における周波数を共振周波数または反共振周波数として選定する選定部と、選定した共振周波数または反共振周波数に基づいて、ベルトの張力推定値を推定する張力推定部と、を備える。

Description

状態判定装置及び状態判定方法

　本発明は、状態判定装置及び状態判定方法に関する。

　産業機械には、モータの回転動力をベルト等の動力伝達機構を介して軸へと伝達するものがある。ベルトは、ベルトのテンション（張力）が使用条件よりも弱すぎたり強すぎると、ベルトの寿命が低下したり、正常に軸を駆動できない要因となる。また、産業機械の運転中にベルトの張力が低下すると、ベルトの滑りや歯飛び等の障害が生じる。そのため、ベルトの張力を所定の範囲で使用するための点検および保守作業が必要とされる。

　また、産業機械が設置される環境条件（例えば、室温や湿度など）や運転条件（例えば、モータ回転速度、負荷など）の影響を受けてベルトは経年劣化（例えば、延び、摩耗、弾性の劣化）するため、ベルトの張力は始終変化する。そのため、ベルトの張力を定期的に点検および保守作業することが望まれている。

　ベルトの張力の測定や点検は、産業機械の運転を停止し、安全のため産業機械を駆動するモータへの電力供給を遮断し、ベルトの回転が止まっている状態で音波式ベルト張力計等のテンションメータを用いてベルトの張力を測定することが公知である。なお、ベルトの張力を測定する際には、ベルトを覆っている安全カバーを産業機械より外すなど、産業機械の構成部品を分解してベルトを露出させる作業が必要である。

　ベルトの点検に関連する従来技術として、特許文献１には、タイミングベルトを有する射出成形機の駆動力伝達装置に張力監視装置（音波計測センサー）を設けてベルトの張力を監視することにより、測定作業を軽減することが示されている。また、ベルトの状態を測定する手段として、モータに伝達機構等の負荷を接続した状態においてモータの周波数特性を測定することが公知である。周波数特性を解析することによって、伝達機構の共振周波数等の動作特性、応答性、安定性などを診断することができる。

　特許文献２には、ホワイトノイズ（例えば、正弦波信号）を加えて周波数特性や共振周波数を検出すること、特許文献３には、周波数特性の測定精度を改善すること、が示されている。更に、特許文献４には、ベルトを駆動する診断動作時に、モータの周波数特性（周波数－ゲイン特性）を解析し、共振周波数を含む範囲のデータを機械学習してベルトのテンション値を推定すること、が示されている。

特開平１１－２６２９３２号公報特開２０００－２７８９９０号公報特開２０１５－１５８７３４号公報特開２０２１－０６０３１３号公報

　上記で説明したように、ベルトの張力を測定する際にテンションメータ等の測定器を用いる場合、ベルトの回転を止める必要があるため、産業機械の運転を停止させる。そのため、生産が中断し、製造コストが増加する。また、ベルトの張力を測定する際には、ベルトを露出させて測定する必要があるため、機械のカバーを外したり、機材を分解したりする作業の手間がかかる。これが原因で、点検に要する作業工数が大きくなる。また、人手を介する測定作業はオペレータの熟練度が影響するので、ベルトの張力の測定値にバラツキが生じる。そのため、オペレータによるベルトの張力の測定作業を不要とし、産業機械が備える機材のみでベルトの張力を把握できるようにしたいという要望がある。また、作業の自動化、点検作業の精度向上を実現できることが望ましい。

　また、機械学習などの技術を用いてベルトの張力を推定することも考えられる。しかしながら、機械学習やベルトの張力の推定に用いるデータ（例えば、テンションメータで測定したテンション値）の作成は、オペレータが試行錯誤して行うため、作成されたデータの精度にばらつきがあり、機械学習を用いて推定される張力推定値の誤差が大きいことがある。また、オペレータが機械学習やベルトの張力の推定に用いるデータを作成する作業負担が大きいことについても検討する必要がある。
　そのため、ベルトの張力の推定及び学習するために用いるデータの作成を自動化することが望まれている。

　本開示による状態判定装置は、ベルトの異常を診断する診断動作によって得られるフィードバックデータ（例えば、速度、位置、トルク）を基に、フィードバックデータの周波数特性（周波数－ゲイン特性）を解析して極値点を検出する。そして、検出された極値点の内で所定の選定条件を満たす極値点を選定し、選定した極値点の周波数を共振周波数または反共振周波数としたデータを作成する。このデータを用いて、ベルトの張力の推定や、機械学習器の学習をすることで、上記課題を解決する。

　そして、本開示の一態様は、産業機械が備える動力を伝達するベルトに係る張力を推定する状態判定装置であって、前記ベルトを駆動する診断動作の制御を行う制御部と、前記診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出する検出部と、複数の極値点の位置関係に応じて該複数の極値点の中から所定の極値点を選定または削除する選定条件に基づいて、前記検出部が検出した複数の極値点の中から少なくとも１つの極値点を選定し、選定した極値点における周波数を共振周波数または反共振周波数として選定する選定部と、前記選定部が選定した共振周波数または反共振周波数に基づいて、前記ベルトの張力推定値を推定する張力推定部と、を備えた状態判定装置である。

　本開示の他の態様は、産業機械が備える動力を伝達するベルトに係る張力を推定する状態判定方法であって、前記ベルトを駆動する診断動作の制御を行うステップと、前記診断動作から得られるフィードバックデータを少なくとも取得するステップと、前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出するステップと、複数の極値点の位置関係に応じて該複数の極値点の中から所定の極値点を選定または削除する選定条件に基づいて、前記検出するステップで検出した複数の極値点の中から少なくとも１つの極値点を選定し、選定した極値点における周波数を共振周波数または反共振周波数として選定するステップと、前記選定するステップで選定した共振周波数または反共振周波数に基づいて、前記ベルトの張力推定値を推定するステップと、を実行する状態判定方法である。

　本開示の一態様により、周波数特性より所定の選定条件に合致する共振周波数を自動的に選定できるので、ベルトに係る張力値の推定に用いるデータの作成作業や、機械学習に用いる学習データの作成作業に掛けるオペレータの負担が軽減される。また、人手を介さずに推定や学習に用いるデータを作成するので、オペレータの経験や熟練度の影響を受けず、安定した良好な推定精度を実現することが見込まれる。

本発明の第１実施形態による状態判定装置の概略的なハードウェア構成図である。射出成形機の概略的な構成図である。本発明の第１実施形態による状態判定装置の概略的な機能を示すブロック図である。速度フィードバックを周波数解析した例を示す図である。選定条件の例を示す図である。選定条件の他の例を示す図である。選定条件の他の例を示す図である。選定条件の他の例を示す図である。選定条件の他の例を示す図である。張力判定テーブルの例を示す図である。本発明の第２実施形態による状態判定装置の概略的なハードウェア構成図である。本発明の第２実施形態による状態判定装置の概略的な機能を示すブロック図である。選定条件の他の例を示す図である。

　以下、本発明の実施形態を図面と共に説明する。
　図１は本発明の第１実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。本発明の状態判定装置１は、例えば制御用プログラムに基づいて産業機械を制御する制御装置として実装することができる。また、本発明の状態判定装置１は、制御用プログラムに基づいて産業機械を制御する制御装置に併設されたパソコンや、有線／無線のネットワークを介して制御装置と接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７の上に実装することができる。本実施形態では、状態判定装置１を、制御用プログラムに基づいて産業機械としての射出成形機２を制御する制御装置として実装した例を示す。

　本実施形態による状態判定装置１が備えるＣＰＵ１１は、状態判定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って状態判定装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、及び外部から入力された各種データ等が一時的に格納される。

　不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等で構成され、状態判定装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、射出成形機２から取得されたデータ、インタフェース１５を介して外部機器７２から読み込まれた制御用プログラムやデータ、入力装置７１を介して入力された制御用プログラムやデータ、ネットワーク５を介して他の装置から取得された制御用プログラムやデータ等が記憶される。不揮発性メモリ１４に記憶された制御用プログラウやデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種システム・プログラムがあらかじめ書き込まれている。

　インタフェース１５は、状態判定装置１のＣＰＵ１１とＵＳＢ装置等の外部機器７２と接続するためのインタフェースである。外部機器７２側からは、例えば射出成形機２の制御に用いられる制御用プログラムや設定データ等が読み込まれる。また、状態判定装置１内で編集した制御用プログラムや設定データ等は、外部機器７２を介して外部記憶手段に記憶させることができる。ＰＭＣ（プログラマブル・マシン・コントローラ）１６は、ラダープログラムを実行して射出成形機２及び射出成形機２の周辺装置（例えば、金型交換装置や、ロボット等のアクチュエータ、射出成形機２に取付けられている温度センサや湿度センサ等の複数のセンサ３）にＩ／Ｏユニット１９を介して信号を出力し制御する。また、射出成形機２の本体に配備された操作盤の各種スイッチや周辺装置等の信号を受け、必要な信号処理をした後、ＣＰＵ１１に渡す。

　インタフェース２０は、状態判定装置１のＣＰＵと有線乃至無線のネットワーク５とを接続するためのインタフェースである。ネットワーク５には、工作機械や放電加工機などの他の産業機械４やフォグコンピュータ６、クラウドサーバ７等が接続され、状態判定装置１との間で相互にデータのやり取りを行っている。

　表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、オペレータによる操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。

　射出成形機２が備える軸を制御するための軸制御回路３０はＣＰＵ１１からの軸の移動指令量を受けて、軸の指令をサーボアンプ４０に出力する。サーボアンプ４０はこの指令を受けて、射出成形機２が備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０は位置・速度検出器を内蔵し、この位置・速度検出器からの位置・速度フィードバック信号を軸制御回路３０にフィードバックし、位置・速度のフィードバック制御を行う。なお、図１のハードウェア構成図では軸制御回路３０、サーボアンプ４０、サーボモータ５０は１つずつしか示されていないが、実際には制御対象となる射出成形機２に備えられた軸の数だけ用意される。サーボモータ５０の少なくとも１つは、射出成形機２の所定の軸と動力伝達部としてのベルトで接続されている。

　図２は、射出成形機２の概略構成図である。射出成形機２は、主として型締ユニット４０１と射出ユニット４０２とから構成されている。型締ユニット４０１には、可動プラテン４１６と固定プラテン４１４が備えられている。また、それぞれ可動プラテン４１６には可動側金型４１２が、固定プラテン４１４には固定側金型４１１が取り付けられている。射出成形機２にはサーボモータ５０が取り付けられている。そして、サーボモータ５０を駆動させることで、ベルト４２０、プーリ４２２などの動力伝達手段を介して図示しないボールねじが駆動され、可動プラテン４１６を固定プラテン４１４方向に前進又は後退させることができる。

　一方、射出ユニット４０２は、射出シリンダ４２６と、射出シリンダ４２６に供給する樹脂材料を溜めるホッパ４３６と、射出シリンダ４２６の先端に設けられたノズル４４０とから構成されている。射出ユニット４０２は、図示しないサーボモータを駆動させることで、射出シリンダ４２６を固定プラテン４１４方向に前進又は後退させることができる。

　１つの成形品を製造する成形サイクルでは、型締ユニット４０１で、可動プラテン４１６の移動によって型閉じ・型締めの動作を行い、射出ユニット４０２で、ノズル４４０を固定側金型４１１に押し付けてから射出シリンダ４２６の内に計量された樹脂を金型内に射出する。これらの動作は図示しない状態判定装置１からの指令により制御される。

　また、射出成形機２の各部には図示しないセンサ３が取り付けられており、成形動作の制御に必要な各種物理量が検出される。検出される物理量の例としては、駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダ４２６の温度、樹脂の流量、流速、振動や音などが例示される。検出された物理量は状態判定装置１に送られる。状態判定装置１では、検出された各物理量がＲＡＭ１３や不揮発性メモリ１４などに記憶される。

　図３は、本発明の第１実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、図１に示した状態判定装置１が備えるＣＰＵ１１がシステム・プログラムを実行し、状態判定装置１の各部の動作を制御することにより実現される。

　本実施形態の状態判定装置１は、制御部１１０、データ取得部１２０、検出部１３０、選定部１４０、張力推定部１５０を備える。状態判定装置１のＲＡＭ１３乃至不揮発性メモリ１４には、予め射出成形機２が備えるサーボモータ５０を制御するための制御用プログラム２００が記憶されており、また、データ取得部１２０がサーボモータ５０やセンサ３等から取得したデータを記憶するための領域として取得データ記憶部２１０、選定条件が予め記憶されている領域である選定条件記憶部２２０、共振周波数または反共振周波数とベルトの張力との関係が定義された張力判定テーブルが予め記憶されている領域である張力判定テーブル記憶部１５２が予め用意されている。

　制御部１１０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、軸制御回路３０、ＰＭＣ１６を用いた射出成形機２の各部の制御処理、インタフェース１８を介した入出力処理が行われることで実現される。制御部１１０は、制御用プログラム２００のブロックを解析し、その解析結果に基づいて射出成形機２の各部を制御する。制御部１１０は、例えば制御用プログラム２００のブロックが射出成形機２の各軸を駆動させるように指令している場合には、ブロックによる指令に従って移動指令データを生成してサーボモータ５０に対して出力する。また、制御部１１０は、例えば制御用プログラム２００のブロックが射出成形機２に取り付けられたセンサ３等の周辺装置を動作させるように指令している場合には、該周辺装置を動作させる所定の信号を生成してＰＭＣ１６に出力する。その他にも、制御部１１０は、樹脂の射出などの射出成形機２の制御に係る一般的な指令を制御用プログラム２００のブロックによる指令に従って射出成形機２に対して出力することができる。一方で、制御部１１０は、サーボモータ５０の位置フィードバック、速度フィードバック、トルクフィードバックや、温度センサや湿度センサ等のセンサ３が検出した検出値データを取得し、データ取得部１２０へと出力する。

　制御用プログラム２００は、予めベルトを駆動するサーボモータ５０を所定の範囲の回転数（周波数）でスイープ動作させる指令をするブロックを含む。また、制御用プログラム２００は、スイープ動作中のサーボモータ５０の位置フィードバック、速度フィードバックやトルクフィードバックを時系列データとして取得する指令をするブロックを含み、更に、スイープ動作の開始時、スイープ動作中及びスイープ動作終了時の少なくともいずれかにおけるセンサ３による検出値データの取得を指令するブロックを含む。

　データ取得部１２０は、射出成形機２の動作時においてサーボモータ５０から取得される位置フィードバック、速度フィードバック、トルクフィードバックなどのフィードバックデータや、センサ３が検出した検出値データを取得し、取得データ記憶部２１０に記憶する。データ取得部１２０が取得する位置フィードバック、速度フィードバック、トルクフィードバックなどのフィードバックデータは、時系列データである。データ取得部１２０が取得する検出値データは、所定のタイミングで取得されるデータ値であってよい。また、データ取得部１２０は、例えば入力装置７１から、制御用プログラム２００を実行した時点でのベルトの張力値をオペレータに入力させる等の手段で取得する。このベルトの張力値は、オペレータが予め点検作業を行い測定しておく。なお、データ取得部１２０は、ネットワーク５を介して他の産業機械４から当該産業機械４で検出されたデータを取得してもよい。また、オペレータが入力装置７１から入力したデータや、外部機器７２を介して入力されたデータを取得するようにしてもよい。

　検出部１３０は、データ取得部１２０が取得したデータから、その周波数特性を示す周波数応答データを算出する。そして、算出した周波数応答データを解析することで、周波数応答データの極値点を検出する。極値点は、その点の近傍において局所的に最大値（極大値）又は最小値（極小値）を取る点である。検出した極値点の周波数は共振周波数または反共振周波数の候補となり得る。例えば、極大値となる周波数は共振周波数の候補となり得、極小値となる周波数は反共振周波数の候補となり得る。

　検出部１３０は、例えば、取得データ記憶部２１０に記憶されるサーボモータ５０のフィードバックデータを周波数解析して得られた周波数－ゲイン特性を示す周波数応答データを算出する。周波数応答データは、所定の範囲の周波数の範囲における値を所定の周波数周期でサンプリングしたデータであってよい。図４は、速度フィードバックを周波数解析した例を示す図である。図４の例では、極値点Ｐ０，Ｐ１，Ｐ２，…が検出され、極大値を黒丸、極小値を白丸で示している。図では、周波数ｆａの位置にゲインの第１の極小値、周波数ｆｂの位置に第１の極大値、周波数ｆｃの位置に第２の極小値、周波数ｆｄの位置に第２の極大値、他にもいくつかの極値が、それぞれ検出されている。検出部１３０は、周波数応答データの値の変化を解析して、このような極大値及び極小値を検出する。検出部１３０は、周波数特性を示す周波数応答データから極値を検出する際に、ノイズ等を除去するために該周波数応答データに対して移動平均、局所回帰などの平準化を行うようにしてもよい。なお、周波数応答データは、周波数－位相特性を示す周波数応答データであってもよい。

　選定部１４０は、予め定められた所定の選定条件に基づいて、検出部１３０が検出した極値点の中から共振周波数または反共振周波数となる周波数に該当する極値点を選定する。極値点の選定に用いる選定条件は予め選定条件記憶部２２０に記憶されている。選定条件は、検出された複数の極値点の位置関係に基づいて共振周波数または反共振周波数となる周波数に該当する極値点を選定又は削除するものであってよい。選定部１４０は、検出部１３０が検出した極値点の集合に対して選定条件を繰り返し適用し、残った極値点の内で極大値を取る極値点の周波数を共振周波数、極小値を取る極値点の周波数を反共振周波数として選定する。選定部１４０は、選定した極値点の周波数を、共振周波数、反共振周波数として張力推定部１５０に出力する。

　以下に、選定条件の例を示す。
●選定条件１：隣接する極値点間の距離による選定
　隣接する極値点間の距離と、予め定めた所定の閾値αとを比較し、その大小で共振周波数または反共振周波数の候補として残すか又は削除するかを選定条件としてよい。例えば、図５に例示するように、極値点Ｐ０，Ｐ１，Ｐ２，…が検出されているとする。この時、初めに極値点Ｐ０を基準点とした極値点Ｐ１の選定を行う。この選定では、極値点Ｐ０を始点、極値点Ｐ１を終点とするベクトルＶ０１の大きさ（極値点間の距離）と、予め定めた所定の閾値αとを比較する。その結果、ベクトルＶ０１の大きさが閾値αよりも大きい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補として残し、閾値αよりも小さい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補から削除する。そして、基準点を極値点Ｐ０から極値点Ｐ１，Ｐ２，…と順番に変えながら（なお、候補から削除された極値点は基準点とはしない）、同様の選定を繰り返す。

●選定条件２：隣接する極値点における極値の差分の値による選定
　隣接する極値点における極値の差分の絶対値と、予め定めた所定の閾値βとを比較し、その大小で共振周波数または反共振周波数の候補として残すか又は削除するかを選定条件としてよい。例えば、図６に例示するように、極値点Ｐ０，Ｐ１，Ｐ２，…が検出されているとする。この時、初めに極値点Ｐ０を基準点とした極値点Ｐ１の選定を行う。この選定では、極値点Ｐ０における極値（極大値）と極値点Ｐ１における極値（極小値）との差分の絶対値Ｈ０１と、予め定めた所定の閾値βとを比較する。その結果、Ｈ０１の値が閾値βよりも大きい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補として残し、閾値βよりも小さい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補から削除する。そして、基準点を極値点Ｐ０から極値点Ｐ１，Ｐ２，…と順番に変えながら（なお、候補から削除された極値点は基準点とはしない）、同様の選定を繰り返す。

●選定条件３：隣接する極値点における周波数の差分の値による選定
　隣接する極値点における周波数の差分の絶対値と、予め定めた所定の閾値γとを比較し、その大小で共振周波数または反共振周波数の候補として残すか又は削除するかを選定条件としてよい。例えば、図７に例示するように、極値点Ｐ０，Ｐ１，Ｐ２，…が検出されているとする。この時、初めに極値点Ｐ０を基準点とした極値点Ｐ１の選定を行う。この選定では、極値点Ｐ０の周波数と極値点Ｐ１の周波数との差分の絶対値Ｗ０１と、予め定めた所定の閾値γとを比較する。その結果、Ｗ０１の値が閾値γよりも大きい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補として残し、閾値γよりも小さい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補から削除する。そして、基準点を極値点Ｐ０から極値点Ｐ１，Ｐ２，…と順番に変えながら（なお、候補から削除された極値点は基準点とはしない）、同様の選定を繰り返す。

●選定条件４：極値点間の距離による選定
　極値点間の距離と、予め定めた所定の閾値δとを比較し、その大小で共振周波数または反共振周波数の候補として残すか又は削除するかを選定条件としてよい。例えば、図５に例示するように、極値点Ｐ０，Ｐ１，Ｐ２，…が検出されているとする。この時、初めに極値点Ｐ０を基準点とした他の極値点の選定を行う。この選定では、最初に極値点Ｐ０を始点、極値点Ｐ１を終点とするベクトルＶ０１の大きさ（極値点間の距離）と、予め定めた所定の閾値δとを比較する。その結果、ベクトルＶ０１の大きさが閾値δよりも大きい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補として残して、極値点Ｐ０を基準点とした他の極値点の選定を終了する。一方、ベクトルＶ０１の大きさが閾値δよりも小さい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補から削除し、極値点Ｐ０を基準点とした他の極値点の選定を継続する。選定が継続される場合は、ベクトルＶ０１に、極値点Ｐ１を始点、極値点Ｐ２を終点とするベクトルＶ１２を加算した“ベクトルＶ０１＋ベクトルＶ１２”を算出し、算出した“ベクトルＶ０１＋ベクトルＶ１２”の大きさ（極値点Ｐ０と極値点Ｐ２との距離）と閾値δとを比較する。その結果、“ベクトルＶ０１＋ベクトルＶ１２”の大きさが閾値δよりも大きい場合には、極値点Ｐ２を共振周波数または反共振周波数の候補として残し、極値点Ｐ０を基準点とした他の極値点の選定を終了する。一方、“ベクトルＶ０１＋ベクトルＶ１２”の大きさが閾値δよりも小さい場合には、極値点Ｐ２を共振周波数または反共振周波数の候補から削除し、極値点Ｐ０を基準点とした他の極値点（Ｐ３，Ｐ４，…）の選定を継続する。このように、閾値δを超えるまで極値点間の距離を積算していき、共振周波数または反共振周波数の候補として残す極値点を選定する。そして、基準点を極値点Ｐ０から極値点Ｐ１，Ｐ２，…と順番に変えながら（なお、候補から削除された極値点は基準点とはしない）、同様の選定を繰り返す。なお、選定を繰り返した結果、残された候補の中に極大値を取る極値点が隣接したり、極小値を取る極値点が隣接したりする場合がある。その場合、極大値を取る極値点が隣接するときは、より大きな値を取る極大値を残して他の隣接する極大値は削除する。また、極小値を取る極値点が隣接するときは、より小さい値を取る極小値を残して他の隣接する極小値は削除する。

●選定条件５：極値点における極値の差分の値による選定
　極値点における極値の差分の絶対値と、予め定めた所定の閾値εとを比較し、その大小で共振周波数または反共振周波数の候補として残すか又は削除するかを選定条件としてよい。例えば、図８に例示するように、極値点Ｐ０，Ｐ１，Ｐ２，…が検出されているとする。この時、初めに極値点Ｐ０を基準点とした他の極値点の選定を行う。この選定では、最初に極値点Ｐ０における極値（極大値）と極値点Ｐ１における極値（極小値）との差分の絶対値Ｈ０１と、予め定めた所定の閾値εとを比較する。その結果、Ｈ０１の値が閾値εよりも大きい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補として残して、極値点Ｐ０を基準点とした他の極値点の選定を終了する。一方、Ｈ０１の値が閾値εよりも小さい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補から削除し、極値点Ｐ０を基準点とした他の極値点の選定を継続する。選定が継続される場合は、極値点Ｐ０における極値（極大値）と極値点Ｐ２における極値（極大値）との差分の絶対値Ｈ０２を、閾値εとを比較する。その結果、Ｈ０２の値が閾値εよりも大きい場合には、極値点Ｐ２を共振周波数または反共振周波数の候補として残し、極値点Ｐ０を基準点とした他の極値点の選定を終了する。一方、Ｈ０２の値が閾値εよりも小さい場合には、極値点Ｐ２を共振周波数または反共振周波数の候補から削除し、極値点Ｐ０を基準点とした他の極値点（Ｐ３，Ｐ４，…）の選定を継続する。このように、閾値εを超えるまで順に基準点との間の極値の差分を比較していき、共振周波数または反共振周波数の候補として残す極値点を選定する。そして、基準点を極値点Ｐ０から極値点Ｐ１，Ｐ２，…と順番に変えながら（なお、候補から削除された極値点は基準点とはしない）、同様の選定を繰り返す。なお、選定を繰り返した結果、残された候補の中に極大値を取る極値点が隣接したり、極小値を取る極値点が隣接したりする場合がある。その場合、極大値を取る極値点が隣接するときは、より大きな値を取る極大値を残して他の隣接する極大値は削除する。また、極小値を取る極値点が隣接するときは、より小さい値を取る極小値を残して他の隣接する極小値は削除する。

●選定条件６：極値点における周波数の差分の値による選定
　極値点における周波数の差分の絶対値と、予め定めた所定の閾値ζとを比較し、その大小で共振周波数または反共振周波数の候補として残すか又は削除するかを選定条件としてよい。例えば、図９に例示するように、極値点Ｐ０，Ｐ１，Ｐ２，…が検出されているとする。この時、初めに極値点Ｐ０を基準点とした他の極値点の選定を行う。この選定では、最初に極値点Ｐ０における周波数と極値点Ｐ１における周波数との差分の絶対値Ｗ０１と、予め定めた所定の閾値ζとを比較する。その結果、Ｗ０１の値が閾値ζよりも大きい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補として残して、極値点Ｐ０を基準点とした他の極値点の選定を終了する。一方、Ｗ０１の値が閾値ζよりも小さい場合には、極値点Ｐ１を共振周波数または反共振周波数の候補から削除し、極値点Ｐ０を基準点とした他の極値点の選定を継続する。選定が継続される場合は、極値点Ｐ０における周波数と極値点Ｐ２における周波数との差分の絶対値Ｗ０２を、閾値ζとを比較する。その結果、Ｗ０２の値が閾値ζよりも大きい場合には、極値点Ｐ２を共振周波数または反共振周波数の候補として残し、極値点Ｐ０を基準点とした他の極値点の選定を終了する。一方、Ｗ０２の値が閾値ζよりも小さい場合には、極値点Ｐ２を共振周波数または反共振周波数の候補から削除し、極値点Ｐ０を基準点とした他の極値点（Ｐ３，Ｐ４，…）の選定を継続する。このように、閾値ζを超えるまで順に基準点との間の極値の差分を比較していき、共振周波数または反共振周波数の候補として残す極値点を選定する。そして、基準点を極値点Ｐ０から極値点Ｐ１，Ｐ２，…と順番に変えながら（なお、候補から削除された極値点は基準点とはしない）、同様の選定を繰り返す。なお、選定を繰り返した結果、残された候補の中に極大値を取る極値点が隣接したり、極小値を取る極値点が隣接したりする場合がある。その場合、極大値を取る極値点が隣接するときは、より大きな値を取る極大値を残して他の隣接する極大値は削除する。また、極小値を取る極値点が隣接するときは、より小さい値を取る極小値を残して他の隣接する極小値は削除する。
　なお、閾値α、β、γ、δ、ε、ζは、例えば予めベルトの張力を設計上の許容範囲に調節して周波数応答データを得る予備実験を行い、周波数応答データのグラフにプロットされる極値点の散布状態を確認して決定するようにすればよい。

　張力推定部１５０は、選定部１４０が選定した極値点の周波数（共振周波数または反共振周波数）に基づいて、射出成形機２に取り付けられているベルトの張力値を推定する。張力推定部１５０は、張力判定テーブル記憶部１５２と、推定部１５４を備える。

　推定部１５４は、張力判定テーブル記憶部１５２に記憶されている張力判定テーブルを参照して、選定部１４０が選定した極値点の周波数（共振周波数または反共振周波数）に基づくベルトの張力値の推定を行う。図１０は、張力判定テーブル記憶部１５２に記憶される張力判定テーブルの例を示している。図１０に例示されるように、張力判定テーブルは、機械の種類及びベルトの種類ごとに、共振周波数または反共振周波数の範囲と、ベルト張力推定値との対応関係を定義する張力判定条件を列挙したテーブルである。図１０に例示される張力判定テーブルでは、１次共振周波数の範囲とベルト張力推定値との対応関係を定義している。この張力判定テーブルは、例えば予め実験などを行って得た周波数応答データと、音波式ベルト張力計等のテンションメータを用いて測定したテンション値に基づいて算出されるベルトの張力に基づいて作成すればよい。推定部１５４は、選定部１４０が選定した極値点の周波数に対応するベルト張力推定値を張力判定テーブルから読み出し、読み出したベルト張力推定値をベルトの張力の推定値として出力する。例えば、機械の種類が小型射出成型機、ベルトの種類が標準であって、選定部１４０が選定した１次共振周波数が１２０[Ｈｚ]の場合、推定部１５４は、張力判定テーブルを参照することでベルト張力推定値として１１０[Ｎ]を取得し得る。

　推定部１５４による推定結果としてのベルトの張力は、例えば表示装置７０に表示出力しても良い。また、ネットワーク５を介して監視端末等のパソコンやフォグコンピュータ６やクラウドサーバ７に送信出力するようにしても良い。また、推定結果としてのベルトの張力が予め定めた所定の警告値を超える場合には、ベルトの張力が異常であることを検知したとしてアラートを出力したり、射出成形機２の運転の停止、減速、原動機の駆動トルクを制限する信号を出力したり、警告灯の点灯などをするようにしてもよい。

　上記構成を備えた状態判定装置１は、ベルトをスイープ動作させた際にセンサ３により検出された時系列のフィードバックデータを周波数解析して得た周波数特性より所定の選定条件に合致する共振周波数を自動的に選定できるので、張力値の推定に用いるデータの作成作業に掛けるオペレータの負担が軽減される。適切な選定条件を用いることでノイズなどの外乱となる要素を排除して適切な極値点を選定し、精度よく共振周波数または反共振周波数を選定することができるようになる。また、人手を介さずに推定に用いるデータを作成するので、オペレータの経験や熟練度の影響を受けず、安定した良好な推定精度を実現することが見込まれる。従来は、ベルトの張力の測定は、保守作業や点検作業として、機械の運転を停止して行うことが一般的であったが、上記構成を備えた状態判定装置１を用いることで、機械の運転を停止せずに、運転中にベルトの張力の推定が可能となるので、生産効率を損なわない。特に、測定対象のベルトを有する軸が軸移動を待機している状態にてベルトの張力を推定するとよい。運転中（生産中）にベルト張力の異常の有無を診断することにより、異常時には機械を即座に停止して不良品の流出を防止し、歩留まり率や良品率を改善することが可能となる。また、ベルトが破断する前に、ベルトの張力が緩んだ段階でベルトの異常を検知して報知することにより、オペレータは機械が壊れる前にベルトを交換する等の保全作業を行うことができ、機械のダウンタイムを低減することもできる。

　図１１は本発明の第２実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。本発明の状態判定装置１は、産業機械としての射出成形機２に取り付けられているベルトを所定の範囲の回転数（周波数）でスイープ動作させた際に得られた周波数応答データと、ベルトの張力との相関性を学習する。また、その学習結果として得た学習モデルを用いてベルトの張力を推定する。本実施形態による状態判定装置は、機械学習装置を備えている点を除いて、第１実施形態による状態判定装置と同様の構成を備える。

　本実施形態による状態判定装置１が備えるインタフェース２１は、ＣＰＵ１１と機械学習装置３００とを接続するためのインタフェースである。機械学習装置３００は、機械学習装置３００全体を統御するプロセッサ３０１と、システム・プログラム等を記憶したＲＯＭ３０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ３０３、及び学習モデル等の記憶に用いられる不揮発性メモリ３０４を備える。機械学習装置３００は、インタフェース２１を介して状態判定装置１で取得可能な各情報（例えば、サーボモータ５０の動作状態を示すデータ、図示しない温度センサや湿度センサのセンサ３の検出値等）を観測することができる。また、状態判定装置１は、機械学習装置３００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対してネットワーク５等を介して送信する。

　図１２は、本発明の第２実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、図１１に示した状態判定装置１が備えるＣＰＵ１１と、機械学習装置３００が備えるプロセッサ３０１とがシステム・プログラムを実行し、状態判定装置１及び機械学習装置３００の各部の動作を制御することにより実現される。

　本実施形態の状態判定装置１は、制御部１１０、データ取得部１２０、検出部１３０、選定部１４０、張力推定部１５０を備える。状態判定装置１のＲＡＭ１３乃至不揮発性メモリ１４には、予め射出成形機２が備えるサーボモータ５０を制御するための制御用プログラム２００が記憶されており、また、データ取得部１２０がサーボモータ５０やセンサ３等から取得したデータを記憶するための領域として取得データ記憶部２１０、選定条件が予め記憶されている領域である選定条件記憶部２２０が予め用意されている。

　本実施形態による張力推定部１５０は、機械学習装置３００の上に実装される。また、機械学習装置３００のＲＡＭ３０３乃至不揮発性メモリ３０４上には、学習モデルを記憶するための領域である学習モデル記憶部１５８が予め用意されている。

　本実施形態による制御部１１０、データ取得部１２０、検出部１３０、選定部１４０は、第１実施形態による制御部１１０、データ取得部１２０、検出部１３０、選定部１４０と同様の機能を備える。
　本実施形態による張力推定部１５０は、選定部１４０が選定した極値点の周波数（共振周波数または反共振周波数）に基づいて、射出成形機２に取り付けられているベルトの張力値の学習及び推定を行う。張力推定部１５０は、推定部１５４、学習部１５６、学習モデル記憶部１５８を備える。

　学習部１５６は、選定部１４０が選定した極値点の周波数群（共振周波数または反共振周波数）を入力データ、実際に測定されたベルトの張力を出力データとした学習データ（教師データ）を用いた機械学習を行うことで学習モデルを生成または更新し、生成または更新した学習モデルを学習モデル記憶部１５８に記憶する。ここで学習に用いる入力データとしては、１次反共振周波数のみを用いてもよいし、更に１次共振周波数を追加したり、２次以降の共振周波数または反共振周波数を追加してもよい。また、ベルトの張力として学習に用いる出力データは、入力装置７１を介してデータ取得部１２０が取得した値としてもよい。例えば、オペレータが音波式ベルト張力計等のテンションメータを用いて測定したテンション値を入力装置７１に入力して得た値を学習に用いる出力データとしてもよい。また、例えば制御部１１０が所定のセンサ（テンションメータ）により自動的に取得したベルトの張力をデータ取得部１２０が取得して得た値を学習に用いる出力データとしてもよい。

　学習部１５６が行う機械学習は公知の教師あり学習である。学習部１５６が生成または更新する学習モデルは、入力データとしての極値点の周波数群に対する出力データとしてのベルトの張力値の相関性を学習したものとなる。学習部１５６が作成する学習モデルとしては、例えばｍｕｌｔｉｌａｙｅｒ　ｐｅｒｃｅｐｔｒｏｎ、ｒｅｃｕｒｒｅｎｔ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ、Ｌｏｎｇ　Ｓｈｏｒｔ－Ｔｅｒｍ　Ｍｅｍｏｒｙ、ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ等のニューラルネットワークが挙げられる。また、線形回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰、ＥｌａｓｔｉｃＮｅｔ回帰、多項式回帰、重回帰等の機械学習を用いてベルトの張力を推定する学習モデルとしてもよい。回帰による学習モデルは構成が単純であり、プロセッサ３０１の計算負荷が小さい利点がある。一方ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ等のディープラーニングによる学習モデルは、ベルトの張力の推定精度が上がる効果が期待できる。

　本実施形態による推定部１５４は、選定部１４０が選定した極値点の周波数群（共振周波数または反共振周波数）を入力データとして、学習モデル記憶部１５８に記憶されている学習モデルを用いたベルトの張力の推定処理を実行し、その推定結果を出力する。推定部１５４が行う推定処理は、学習部１５６により作成された学習モデルを用いた推定処理である。例えば、学習モデル記憶部１５８に記憶される学習モデルがニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ）として作成されている場合、推定部１５４は、極値点の周波数群のデータをニューラルネットワークに入力し、その出力であるベルトの張力の推定値を推定結果として出力する。

　推定部１５４による推定結果としてのベルトの張力は、例えば表示装置７０に表示出力してもよい。また、ネットワーク５を介して監視端末等のパソコンやフォグコンピュータ６やクラウドサーバ７に送信出力するようにしても良い。また、推定結果としてのベルトの張力が予め定めた所定の警告値を超える場合には、ベルトの張力が異常であることを検知したとしてアラートを出力したり、射出成形機２の運転の停止、減速、原動機の駆動トルクを制限する信号を出力したり、警告灯の点灯などをするようにしてもよい。

　上記構成を備えた状態判定装置１は、ベルトをスイープ動作させた際にセンサ３により検出された時系列のフィードバックデータを周波数解析して得た周波数特性より所定の選定条件に合致する共振周波数を自動的に選定できるので、機械学習による学習時における学習用データの作成作業にかけるオペレータの負担が大幅に軽減される。また、推定時においてもデータの作成作業にかけるオペレータの負担が軽減される。適切な選定条件を用いることでノイズなどの外乱となる要素を排除して適切な極値点を選定し、精度よく共振周波数または反共振周波数を選定することができるようになる。また、人手を介さずに学習や推定に用いるデータを作成するので、オペレータの経験や熟練度の影響を受けず、安定した良好な推定精度を実現することが見込まれる。

　以上、本発明の実施形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
　例えば、選定部１４０が用いる選定条件として、所定の周波数の区間における極値点を削除する不感周波数帯を設定できるようにしてもよい。データ取得部１２０が取得したデータからノイズを除去するために平準化などの処理を適用した後においても、波形上に小さな山／谷（不適切な極値）が残存する。この要因としては、ノイズや、測定環境、ベルトを含めた測定対象の剛性などの影響がある。そのような影響で極値がチャタリングする症状を回避するため、不感周波数帯を設けるようにしてよい。図１３に例示されるように、一般には極値が検出された直後を開始ポイントとして、所定の周波数幅で不感周波数帯を設け、その範囲の極値を削除対象とすることで、極値のチャタリング症状は改善される。

　また、選定部１４０が用いる選定条件として、ベルト張力に影響する共振周波数をピックアップする条件を設定できるようにしてもよい。通常、上記実施形態で例示した選定条件を用いることで、不適切な極値点は削除され、複数の共振周波数または反共振周波数が得られる。しかしながら、ベルトの張力の影響は比較的小さな周波数帯に存在する共振周波数に強く現れることが知られている。一方で、それ以外の大きな周波数帯には、ベルト以外の伝達機構（例えば、プーリなど高い剛性を持つ部品）の影響が強く現れた共振周波数である可能性が高い。また、周波数応答データ全体にわたって測定時のノイズの影響が残り易い。そのため、周波数応答データ全体にわたって選定された極値点の共振周波数または反共振周波数に基づいた学習や推定を行うと、ベルトの張力推定値の精度が悪化する。そこで、張力の推定精度を向上させるに、共振周波数の周波数が小さい方から順に１個～４個（１次反共振周波数、１次共振周波数、２次反共振周波数、２次共振周波数）を採用する選定条件を設定できるようにすることで、ベルトの張力の学習及び推定の精度の向上が見込まれる。

　上記した実施形態では、ベルトを備えた産業機械として射出成形機を例として説明しているが、ベルトを用いて動力を伝達する構成を備えた産業機械であれば、他の産業機械に対して本願発明を用いても好適に動作する。

　また、機械学習の技術を用いる場合には、対象となる機械の属性に応じて、複数の学習モデルを揃えるとよい。例えば、機械の種類やベルトの種類、モータの種類ごとに個別に学習した学習モデルを作成し、ベルトの張力を推定する際に適宜使い分けることで、推定の精度の向上が見込まれる。

　上記した実施形態では、状態判定装置１を射出成形機２を制御する制御装置上に実装した例を示しているが、例えばフォグコンピュータ６やクラウドサーバ７の上に実装し、ネットワーク５を介して産業機械４からデータを取得し、取得したデータに基づいて推定処理や学習処理を行うように構成してもよい。このように構成する場合、各産業機械４からの要求に基づいて、制御部１１０は周波数スイープ動作を産業機械４に指令し、その指令に基づいて行われた診断動作中に取得されたデータに基づいた推定処理や学習処理を行う。推定結果は産業機械４に対して送信され、各産業機械４はその結果に応じた動作をする。

　　　１　状態判定装置
　　　２　射出成形機
　　　３　センサ
　　　４　産業機械
　　　５　ネットワーク
　　　６　フォグコンピュータ
　　　７　クラウドサーバ
　　１１　ＣＰＵ
　　１２　ＲＯＭ
　　１３　ＲＡＭ
　　１４　不揮発性メモリ
　　１５，１７，１８，２０，２１　インタフェース
　　２２　バス
　　７０　表示装置
　　７１　入力装置
　　７２　外部機器
　１１０　制御部
　１２０　データ取得部
　１３０　検出部
　１４０　選定部
　１５０　張力推定部
　１５２　張力判定テーブル記憶部
　１５４　推定部
　１５６　学習部
　１５８　学習モデル記憶部
　２００　制御用プログラム
　２１０　取得データ記憶部
　２２０　選定条件記憶部
　３００　機械学習装置
　３０１　プロセッサ
　３０２　ＲＯＭ
　３０３　ＲＡＭ
　３０４　不揮発性メモリ
　４０１　型締ユニット
　４０２　射出ユニット
　４１１　固定側金型
　４１２　可動側金型
　４１４　固定プラテン
　４１６　可動プラテン
　４２０　ベルト
　４２２　プーリ
　４２６　射出シリンダ
　４３６　ホッパ
　４４０　ノズル

Claims

　産業機械が備える動力を伝達するベルトに係る張力を推定する状態判定装置であって、
　前記ベルトを駆動する診断動作の制御を行う制御部と、
　前記診断動作から得られるフィードバックデータを少なくとも取得するデータ取得部と、
　前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出する検出部と、
　複数の極値点の位置関係に応じて該複数の極値点の中から所定の極値点を選定または削除する選定条件に基づいて、前記検出部が検出した複数の極値点の中から少なくとも１つの極値点を選定し、選定した極値点における周波数を共振周波数または反共振周波数として選定する選定部と、
　前記選定部が選定した共振周波数または反共振周波数に基づいて、前記ベルトの張力推定値を推定する張力推定部と、
を備えた状態判定装置。
　前記診断動作は、周波数スイープ動作である、
請求項１に記載の状態判定装置。
　前記フィードバックデータは、ベルトに係る速度または位置またはトルクのいずれかであり、
　前記周波数特性は、周波数－ゲイン特性または周波数－位相特性のいずれかである、
請求項１に記載の状態判定装置。
　前記選定部の前記所定の選定条件は、隣接する極値点間の距離条件、隣接する極値点における極値の差分値条件、隣接する極値点における周波数の差分値条件のいずれか１つを含む、
請求項１に記載の状態判定装置。
　前記選定部の前記所定の選定条件は、前記極値点を検出した後、所定の周波数の区間だけ前記極値点を削除する不感周波数帯を設ける条件である、
請求項１に記載の状態判定装置。
　前記張力推定部は、
　　共振周波数の範囲または反共振周波数の範囲とベルトの張力の推定値とを関連づけた張力判定条件を張力判定テーブルとして記憶する張力判定テーブル記憶部と、
　　前記張力判定テーブルに記憶された前記張力判定条件の内より前記選定部が選定した前記共振周波数または前記反共振周波数に対応する前記ベルトの張力の推定値を出力する推定部と、
　を備える、
請求項１に記載の状態判定装置。
　前記張力推定部は、
　　前記選定部が選定した共振周波数または反共振周波数と前記ベルトの張力との相関性を機械学習した前記ベルトの張力を推定する学習モデルを記憶する学習モデル記憶部と、
　　前記選定部が選定した前記共振周波数または前記反共振周波数に基づいて、前記学習モデル記憶部に記憶された前記学習モデルを用いて前記ベルトの張力の推定値を推定して出力する推定部と、
　を備える、
請求項１に記載の状態判定装置。
　前記張力推定部は、
　　前記選定部が選定した共振周波数または反共振周波数と前記ベルトの張力との相関性を機械学習して前記ベルトの張力を推定する学習モデルを生成または更新する学習部を更に備える、
請求項７に記載の状態判定装置。
　前記データ取得部は、更に前記診断動作を行った際の前記ベルトの張力の測定値を取得し、
　前記学習部は、共振周波数または反共振周波数を入力データ、前記データ取得部が取得した前記ベルトの張力の測定値を出力データとして含む学習データに基づいて、教師あり学習によって前記学習モデルを生成する、
請求項８に記載の状態判定装置。
　前記教師あり学習によって生成される学習モデルは、線形回帰モデル、Ｌａｓｓｏ回帰モデル、Ｒｉｄｇｅ回帰モデル、ＥｌａｓｔｉｃＮｅｔ回帰モデル、多項式回帰モデル、重回帰モデル、ニューラルネットワークモデル、のいずれか１つである、
請求項９に記載の状態判定装置。
　前記データ取得部は、有線または無線のネットワークを介して接続され複数の産業機械からデータを取得する、
請求項１に記載の状態判定装置。
　前記産業機械と有線又は無線のネットワークを介して接続された上位装置上に実装されている、
請求項１に記載の状態判定装置。
　表示装置を備え、
前記張力推定部が推定した前記ベルトの張力の推定値を表示装置に対して表示出力する、
請求項１に記載の状態判定装置。
　前記張力推定部が推定した前記ベルトの張力の推定値が所定の警告値に達したら、
　前記産業機械の運転を停止、減速、または前記産業機械を駆動する原動機の駆動トルクを制限する信号のうち少なくともいずれかを出力する、
請求項１に記載の状態判定装置。
　産業機械が備える動力を伝達するベルトに係る張力を推定する状態判定方法であって、
　前記ベルトを駆動する診断動作の制御を行うステップと、
　前記診断動作から得られるフィードバックデータを少なくとも取得するステップと、
　前記フィードバックデータの周波数特性を解析し、前記周波数特性における複数の極値点を検出するステップと、
　複数の極値点の位置関係に応じて該複数の極値点の中から所定の極値点を選定または削除する選定条件に基づいて、前記検出するステップで検出した複数の極値点の中から少なくとも１つの極値点を選定し、選定した極値点における周波数を共振周波数または反共振周波数として選定するステップと、
　前記選定するステップで選定された共振周波数または反共振周波数に基づいて、前記ベルトの張力推定値を推定するステップと、
を実行する状態判定方法。