[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN107614214B - 故障诊断装置及故障诊断方法 - Google Patents

故障诊断装置及故障诊断方法 Download PDF

Info

Publication number
CN107614214B
CN107614214B CN201580080209.6A CN201580080209A CN107614214B CN 107614214 B CN107614214 B CN 107614214B CN 201580080209 A CN201580080209 A CN 201580080209A CN 107614214 B CN107614214 B CN 107614214B
Authority
CN
China
Prior art keywords
torque
interference
value
interference torque
maintenance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201580080209.6A
Other languages
English (en)
Other versions
CN107614214A (zh
Inventor
清水俊行
久野昌树
高木彻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co Ltd
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 Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Publication of CN107614214A publication Critical patent/CN107614214A/zh
Application granted granted Critical
Publication of CN107614214B publication Critical patent/CN107614214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/06—Programme-controlled manipulators characterised by multi-articulated arms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/06—Safety devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0095—Means or methods for testing manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L3/00—Measuring torque, work, mechanical power, or mechanical efficiency, in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0061—Force sensors associated with industrial machines or actuators
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39355—Observer, disturbance observer
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39412—Diagnostic of robot, estimation of parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00—Robots
    • Y10S901/46—Sensing device

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本发明的故障诊断装置检测多轴型机器人具备的关节轴的移动位置(S03)，检测施加于关节轴的干扰扭矩(Tq)(S01)。所述故障诊断装置根据关节轴的移动位置来判断是否进行了预定的常规作业，根据在进行预定的常规作业时检测到的干扰扭矩算出干扰扭矩参考值(S07)。所述故障诊断装置使用干扰扭矩参考值修正干扰扭矩(S09)，通过将修正后干扰扭矩(Tq')和阈值(α)进行比较，进行多轴型机器人(1)的故障诊断(S11～S15)。

Description

故障诊断装置及故障诊断方法
技术领域
本发明涉及诊断多轴型机器人的故障的故障诊断装置及故障诊断方法。
背景技术
作为多关节型工业用机器人的故障诊断方法，目前公开有专利文献1。在专利文献1公开的故障诊断方法中，在机器人的动作中，在每个规定周期都检测机器人关节轴的移动位置及施加于关节轴的干扰扭矩，求出每个检测到的移动位置的干扰扭矩的平均值。然后，将该平均值和设定阈值进行比较，在平均值超过了设定阈值的情况下，诊断为机器人发生了异常或故障。
专利文献1：(日本)特开平9－174482号公报
但是，由于干扰扭矩有时随着进行作业的机器人而发生变化，故而需要对每个机器人都预先设定不同的阈值。
发明内容
本发明是鉴于上述课题而设立的，其目的在于提供一种故障诊断装置及故障诊断方法，其不管进行作业的机器人如何，都能够使用恒定的阈值进行精度高的故障诊断。
为了解决上述的课题，本发明的一方面提供一种诊断多轴型机器人的故障的故障诊断装置及故障诊断方法，其根据在进行预定的常规作业时检测到的干扰扭矩算出干扰扭矩参考值。所述故障诊断装置及故障诊断方法使用该干扰扭矩参考值修正干扰扭矩，通过将修正后干扰扭矩和阈值进行比较，进行故障诊断。
附图说明
图1是表示包含第一实施方式的故障诊断装置23的故障诊断系统100的整体构成的框图；
图2是详细地表示干扰扭矩(Tq)的算出方法的框图；
图3是详细地表示图1的运算处理部18a的框图；
图4(a)是表示干扰扭矩(Tqa、Tqb)的时间变化的曲线图，图4(b) 是表示代表值为干扰扭矩(Tq)的平均值且变化量为干扰扭矩(Tq)的标准偏差时的修正后干扰扭矩(Tqa′、Tqb′)的曲线图；
图5(a)是表示与图4(a)相同的干扰扭矩(Tqa、Tqb)的时间变化的曲线图，图5(b)是表示代表值为干扰扭矩(Tq)的最小值且变化量为干扰扭矩(Tq)的最大值与最小值之差时的修正后干扰扭矩(Tqa′、Tqb′)的曲线图；
图6是表示第一实施方式的故障诊断方法的流程图；
图7是表示包含第二实施方式的故障诊断装置23的故障诊断系统200的整体构成的框图；
图8是详细地表示图7的运算处理部18b的框图；
图9是对未考虑季节变动成分的干扰扭矩正常值(R′)的预测方法进行说明的曲线图；
图10是对用正弦波将在干扰扭矩中包含的季节变动成分近似的情况进行说明的曲线图；
图11是对考虑了季节变动成分的干扰扭矩正常值(R′)的预测方法进行说明的曲线图；
图12是表示第二实施方式的阈值(α)的设定方法之一例的流程图；
图13是表示干扰扭矩(Tq)通过维修、维护的实施而大幅减小的例子的曲线图。
标记说明
1：机器人
2：机器人控制单元
3：故障诊断单元
6：伺服电机(电动机)
11：伺服控制部(扭矩检测部)
23：故障诊断装置
24：位置检测部
25：常规作业判断电路
26：参考值计算电路
27：扭矩修正电路
28：故障诊断电路
29：维修、维护信息取得电路
30：扭矩正常值预测电路
31：阈值设定电路
FC：季节变动(正弦波)
FCL：函数
R′：干扰扭矩正常值
Tq：干扰扭矩
Tq′：修正后干扰扭矩
T1：第一期间
Tx：第二期间
α：阈值
具体实施方式
以下，参照附图对应用本发明的一实施方式进行说明。在附图的记载中，对同一部分标注同一标记并省略说明。
(第一实施方式)
参照图1对包含第一实施方式的故障诊断装置23的故障诊断系统100的整体构成进行说明。故障诊断系统100由机器人1、故障诊断装置23、生产管理装置4构成。故障诊断装置23具备机器人控制单元2、故障诊断单元3。
机器人1作为多轴型机器人的一例，为多轴机械示教再现型机器人。机器人1作为动作轴即关节轴，具备电动机驱动系统。机械臂5通过伺服电机 (以下，简称为电动机)6，经由减速器8被驱动。在电动机6上附设有旋转角位置及速度的检测器即脉冲编码器(脉冲发生器或编码器)7。
机器人控制单元2具备动作整体控制部9、位置检测部24、通信部10、伺服控制部11(扭矩检测部之一例)、伺服放大部14。伺服控制部11接受来自上位人动作整体控制部9的指令，经由伺服放大部14而驱动电机6。电动机6上附带的脉冲编码器7与伺服控制部11之间形成用于电动机6的旋转角位置及速度的控制处理的反馈电路。
伺服控制部11具备进行用于控制电动机6的旋转角位置、速度及电流的处理的处理器、存储控制程序的ROM、存储设定值或各种参数的非易失性存储部。另外，伺服控制部11具备暂时存储运算处理中的数据的RAM、用于对来自脉冲编码器7的位置反馈脉冲进行计数而检测电动机6的绝对旋转角位置的计数器等。
伺服控制部11通过执行预先设置于处理器的计算机程序，构成用于检测施加于关节轴的干扰扭矩(Tq)的电路。伺服控制部11作为上述电路而具备干扰扭矩运算部12及状态数据取得部13。
状态数据取得部13定期收集有关机器人1的各关节轴的动作状态的各种数据(表示旋转角位置、速度、电流的数据)。干扰扭矩运算部12基于状态数据取得部13取得的数据，计算干扰扭矩(Tq)。由干扰扭矩运算部12算出的干扰扭矩(Tq)经由通信部10向故障诊断单元3输出。通过该构成，伺服控制部11形成所谓的软件伺服的方式。此外，后文中参照图2详述干扰扭矩 (Tq)的计算方法。干扰扭矩(Tq)表示相对于电动机6的扭矩指令值与电动机6产生的扭矩的差异。
此外，图1那样的电动机驱动系统需要机器人1具备的关节轴的数量，但在图1中仅图示一轴量，其以外的电动机驱动系统省略图示。另外，也有时在图1的电动机6与减速机8之间夹装变速齿轮组。
位置检测部24根据由状态数据取得部13取得的电动机6的绝对旋转角位置检测设有电动机6的关节轴的移动位置。表示由位置检测部24检测到的关节轴的移动位置的数据以与表示干扰扭矩(Tq)的数据相关联的状态经由通信部10向故障诊断单元3输出。向故障诊断单元3传递相互进行了关联的关节轴的移动位置和干扰扭矩的信息。
动作整体控制部9位于伺服控制部11及位置检测部24的上位，进行机器人1的动作的直接控制。通信部10在与后述的故障诊断单元3a的通信部 15之间例如通过LAN等进行必要数据的发送、接收。
故障诊断单元3具备通信部15、参考值数据库16、干扰扭矩数据库17、运算处理部18a。通信部15在与之前所述的机器人控制单元2及生产管理装置4各自的通信部10、20之间例如通过LAN等进行必要数据的发送、接收。
干扰扭矩数据库17依次存储从机器人控制单元2发送的、表示与关节轴的移动位置相关联的干扰扭矩(Tq)的数据。在干扰扭矩数据库17中累积有过去量的干扰扭矩(Tq)。
运算处理部18a基于存储于干扰扭矩数据库17的干扰扭矩(Tq)，主动地执行机器人1的故障诊断。运算处理部18a具备存储器功能，暂时存储访问干扰扭矩数据库17而得到的数据，基于这些数据执行故障诊断。运算处理部18a的详情参照图3后述。
生产管理装置4例如是进行包含工厂中的生产线的工作状况等的生产信息的管理的装置，具备通信部20和生产信息数据库21。通信部20在与故障诊断单元3的通信部15之间例如通过LAN等进行必要的数据的发送、接收。生产信息数据库21具有存储所收集的各种生产信息的功能。因此，在生产信息数据库21中累积过去量的各种生产信息。另外，生产信息中包含机器人1 或附属设备的紧急停止信息及维护实效等信息。
参照图2，对干扰扭矩(Tq)的计算方法之一例进行说明。干扰扭矩运算部12将通过来自脉冲编码器7的速度反馈信号求出的电动机6的实际速度 Vr进行微分而求出加速度。在该加速度上乘以作用于电动机6的全部惯性J 而求出加速度扭矩Ta。接着，从通过伺服控制部11的速度环路处理求出的对电动机6的扭矩指令Tc减去加速度扭矩Ta。通过相对于减法运算后的值进一步减去力矩M，求出干扰扭矩Tb。之后，通过实施规定的滤波处理而除去干扰的不规则成分，求出“干扰扭矩(Tq)”。伺服控制部11在每一规定的采样周期执行这样的处理，由此能够逐一检测干扰扭矩(Tq)。
更具体地，伺服控制部11具备计数器，该计数器按每一规定的采样周期对来自脉冲编码器7的位置的反馈脉冲进行计数，求出电动机6的绝对位置。因此，伺服控制部11从计数器检测电动机6的绝对位置，根据电动机6的绝对位置求出电动机6驱动的关节轴的旋转角位置(移动位置)。进而，伺服控制部11能够如之前说明地进行图2的处理而求出干扰扭矩(Tq)。
参照图3说明运算处理部18a的详情。运算处理部18a具备微处理器，通过执行预先设置的程序，构成用于基于干扰扭矩进行机器人1的故障诊断的一系列的运算处理电路。运算处理部18a作为一系列的运算处理电路，作为一系列的运算处理电路，具备常规作业判断电路25、参考值计算电路26、扭矩修正电路27、故障诊断电路28。
常规作业判断电路25根据由位置检测部24检测到的关节轴的移动位置，判断机器人1是否进行了预定的常规作业。所谓“常规作业”是指机器人1 进行的作业中的作业内容在多个机器人之间都通用的作业。例如，常规作业中包含对焊枪的焊嘴进行研磨而更新的研磨作业。机器人1进行该研磨作业时的关节轴的移动位置是预先设定的。因此，常规作业判断电路25能够根据由位置检测部24检测到的关节轴的移动位置来判断机器人1是否进行了预定的常规作业。常规作业判断电路25从干扰扭矩数据库17读出与干扰扭矩相关联的关节轴的移动位置的数据，根据关节轴的移动位置判断是否进行了常规作业。
参考值计算电路26根据在进行常规作业时检测到的干扰扭矩(Tq)，算出干扰扭矩参考值。参考值计算电路26从干扰扭矩数据库17读出与判断为进行了常规作业的关节轴的移动位置相关联的干扰扭矩。参考值计算电路26 根据所读出的干扰扭矩(Tq)算出干扰扭矩(Tq)的代表值及干扰扭矩(Tq) 的变化量作为干扰扭矩参考值。干扰扭矩(Tq)的代表值包含在进行常规作业期间检测到的干扰扭矩(Tq)的平均值、中央值及积分值。干扰扭矩(Tq) 的变化量包含在进行常规作业的期间检测到的干扰扭矩(Tq)的分散、偏差、标准偏差及最大值与最小值之差。
扭矩修正电路27使用由参考值计算电路26算出的干扰扭矩参考值修正干扰扭矩(Tq)。成为修正对象的干扰扭矩(Tq)是在进行常规作业时检测到的干扰扭矩。将修正后的干扰扭矩(Tq)称为修正后干扰扭矩(Tq′)。扭矩修正电路27通过在进行常规作业时检测到的干扰扭矩(Tq)减去代表值，并将减法运算后的值除以变化量，从而取得修正后干扰扭矩(Tq′)。扭矩修正电路27能够取得在进行作业的多个机器人1之间标准化的修正后干扰扭矩(Tq′)。
故障诊断电路28通过将由扭矩修正电路27取得的修正后干扰扭矩(Tq ′)和阈值(α)比较，进行机器人1的故障诊断。具体地，故障诊断电路28 在修正后干扰扭矩(Tq′)大于阈值(α)时，可判断为机器人1发生了故障。在第一实施方式中，阈值(α)是预定的常规作业固有的值，不管进行该常规作业的机器人1如何，都是恒定的值。由于修正后干扰扭矩(Tq′)是在多个机器人1之间标准化的值，故而阈值(α)不会因机器人1不同而变化。
参照图4及图5对基于干扰扭矩(Tq)的修正的标准化的具体例进行说明。图4表示代表值为干扰扭矩(Tq)的平均值，且变化量为干扰扭矩(Tq) 的标准偏差时的具体例。图4(a)表示进行常规作业的两个机器人1的干扰扭矩(Tqa、Tqb)的时间变化。由于机器人1不同，故而即使进行了相同的常规作业，也会导致在检测到的干扰扭矩(Tqa、Tqb)上产生较大的差异。具体地，干扰扭矩(Tqa、Tqb)的差异可用干扰扭矩(Tqa、Tqb)的平均值 (RPa、RPb)和标准偏差(VQa、VQb)来表示。因此，例如，关于干扰扭矩(Tqa)，使用(1)式求出修正后干扰扭矩(Tqa′)。同样地求出修正后干扰扭矩(Tqb′)。由此，如图4(b)所示，能够取得在机器人1间标准化的修正后干扰扭矩(Tqa′、Tqb′)。
Tqa′＝(Tqa－RPa)/VQa···(1)
通过修正后干扰扭矩(Tqa′、Tqb′)的绝对值和阈值(α)的对比，故障诊断电路28能够进行故障诊断。
图5表示代表值为干扰扭矩(Tq)的最小值(mi)，变化量为干扰扭矩 (Tq)的最大值(Ma)与最小值(mi)之差(VQa、VQb)时的具体例。在该情况下，扭矩修正电路27也能够使用(1)式进行干扰扭矩(Tq)的修正。图5的修正后干扰扭矩(Tqa′、Tqb′)与图4的不同之处在于：在0～1之间标准化。图5(a)的干扰扭矩(Tqa、Tqb)与图4(a)相同。
参照图6的流程图对第一实施方式的故障诊断方法进行说明。第一实施方式的故障诊断方法使用图1的故障诊断装置23进行。
在步骤S01，状态数据取得部13收集与机器人1的各关节轴的动作状态相关的各种数据(表示旋转角位置、速度、电流的数据)，干扰扭矩运算部12 基于状态数据取得部13取得的数据计算干扰扭矩(Tq)。由干扰扭矩运算部 12计算的干扰扭矩(Tq)经由通信部10向故障诊断单元3输出。
在步骤S03，位置检测部24根据由状态数据取得部13取得的电动机6 的绝对旋转角位置，检测设有电动机6的关节轴的移动位置，以使其与在步骤S01取得的干扰扭矩(Tq)相关联。
在步骤S05，常规作业判断电路25根据由位置检测部24检测到的关节轴的移动位置判断机器人1是否进行了预定的常规作业。此时，也可以从生产信息数据库21获得作业工序的时间表，来判断进行常规作业的定时。参考值计算电路26从干扰扭矩数据库17中抽取进行常规作业时检测到的干扰扭矩(Tq)。
进入步骤S07，参考值计算电路26根据抽取到的干扰扭矩(Tq)，作为干扰扭矩参考值，算出干扰扭矩(Tq)的代表值及干扰扭矩(Tq)的变化量。进入步骤S09，如图4及图5所示，扭矩修正电路27使用由参考值计算电路 26算出的干扰扭矩参考值来修正干扰扭矩(Tq)。具体地，扭矩修正电路27 通过在进行常规作业时检测到的干扰扭矩(Tq)减去代表值，且将减法运算后的值除以变化量，从而取得修正后干扰扭矩(Tq′)。扭矩修正电路27能够取得在多个机器人1间标准化的修正后干扰扭矩(Tq′)。
进入步骤S11，故障诊断电路28判断修正后干扰扭矩(Tq′)是否大于阈值(α)。若修正后干扰扭矩(Tq′)大于阈值(α)(在步骤S11中为“是”)，则进入步骤S13，故障诊断电路28判断为机器人1发生了故障。如果修正后干扰扭矩(Tq′)为阈值(α)以下(在步骤S11中为“否”)，进入步骤S15，故障诊断电路28判断为机器人1未发生故障。这样，通过定期地实施图6的流程图，进行故障诊断。
如上述说明地，根据第一实施方式，可得到以下的作用效果。
由于即使是同一作业也会在多个机器人之间产生个体差，故而干扰扭矩 (Tq)有时根据机器人而变化。在这种情况下，也基于在进行预定的常规作业时检测到的干扰扭矩(Tq)，求出干扰扭矩参考值，使用干扰扭矩参考值修正进行常规作业时的干扰扭矩。不管机器人的个体差如何，都能够使用恒定的阈值进行正确的故障诊断。即，无需对每种机器人都设定不同的阈值。另外，关于一个机器人具备的多个关节轴，也同样能够标准化。
在同一机器人实施内容不同的多个作业的情况下，作为用于进行机器人的故障诊断的阈值，需要对每种作业设定不同的阈值。因此，根据在进行预定的常规作业时检测到的干扰扭矩(Tq)算出干扰扭矩参考值，使用干扰扭矩参考值修正进行不同于常规作业的作业时的干扰扭矩。由此，能够得到在不同的多个作业间标准化的修正后干扰扭矩(Tq′)。因此，不管作业内容如何，都能够设定恒定的阈值。即，无需对每种作业都设定不同的阈值。
参考值计算电路26算出干扰扭矩(Tq)的代表值及干扰扭矩(Tq)的变化量作为干扰扭矩参考值。扭矩修正电路27通过从干扰扭矩(Tq)减去代表值，且将减法运算后的值除以变化量，从而取得修正后干扰扭矩(Tq′)。由此，通过代表值可消除干扰扭矩的绝对值的差异，通过变化量可消除干扰扭矩的变动幅度的差异。因此，能够得到在不同的多个机器人间、关节轴间或作业间标准化的修正后干扰扭矩(Tq′)。
如图4所示，代表值也可以是在进行常规作业时检测到的干扰扭矩的平均值(RPa、RPb)，变化量也可以是在进行常规作业时检测到的干扰扭矩的标准偏差(VQa、VQb)。由此，能够使用恒定的阈值进行精度良好的故障诊断。
如图5所示，代表值也可以是在进行常规作业时检测到的干扰扭矩的最小值(mia、mib)，变化量也可以是在进行常规作业时检测到的干扰扭矩的最大值与上述最小值之差(VQa、VQb)。由此，能够在0～1的范围内进行标准化，因此可仅规定一个阈值(α)。能够使用恒定的阈值进行精度良好的故障诊断。
(第二实施方式)
干扰扭矩有时根据根据机器人1的维修或维护的实施状况而大幅变动。例如，被检测的干扰扭矩(Tq)会因机器人1的时效劣化而逐渐增大。但是，有时通过实施维修、维护而更新机器人1的润滑油，如图13所示，被检测的干扰扭矩(Tq)会大幅减小。因此，通过考虑维修或维护的实施状况，能够进行更正确的故障诊断。
参照图7对包含第二实施方式的故障诊断装置23的故障诊断系统200的整体构成进行说明。故障诊断系统200由机器人1、故障诊断装置23、生产管理装置4构成。与图1的不同之处在于故障诊断单元3还具备维护实效数据库19、运算处理部18b的电路构成不同，其他方面与图1相同。
维护实效数据库19对每个机器人且对每个关节轴存储与机器人1的维修或维护的实施状况相关的信息。在维护实效数据库19中储存有过去的维护实效数据。
参照图8对图7的运算处理部18b进行详细地说明。与图3的运算处理部18a的不同之处在于，运算处理部18b还具备维修、维护信息取得电路29、扭矩正常值预测电路30、阈值设定电路31。
维修、维护信息取得电路29从维护实效数据库19中取得与机器人1的维修或维护的实施状况相关的信息。扭矩正常值预测电路30考虑由维修、维护信息取得电路29取得的信息，预测机器人1正常动作时的干扰扭矩即干扰扭矩正常值。阈值设定电路31基于由扭矩正常值预测电路30预测到的干扰扭矩正常值设定阈值(α)。
扭矩正常值预测电路30基于在预定的期间(第一期间)取得的干扰扭矩 (Tq)的数据预测干扰扭矩正常值。图9表示在第一期间(T1)取得的干扰扭矩(Tq)。扭矩正常值预测电路30从干扰扭矩数据库17中读出干扰扭矩(Tq) 的数据。然后，根据在第一期间(T1)取得的干扰扭矩(Tq)的时间变化，使用回归方程，预测干扰扭矩正常值(R′)。第一期间(T1)例如为1～3个月。显然也可以使用在比第一期间(T1)更长的期间取得的干扰扭矩(Tq) 来预测干扰扭矩正常值(R′)。
例如，扭矩正常值预测电路30通过最小二乘法，用直线(FL)将在第一期间(T1)之间取得的干扰扭矩(Tq)近似，能够求出干扰扭矩的模型表达式。
在从故障诊断时(t0)到第二期间(Tx)之前实施了维修或维护的情况或导入了机器人1的情况下，扭矩正常值预测电路30将实施了维修或维护之后(t2)或导入了机器人1之后看作是机器人1正常动作时，预测干扰扭矩正常值(R′)。第二期间(Tx)例如为1年。
虽然省略了图示，但在维修或维护的实施时期或机器人1的导入时期从故障诊断时(t0)起为1年以上之前的情况下，难以精度良好地预测维修或维护的实施时期等的干扰扭矩正常值(R′)。例如，不能忽略干扰扭矩(Tq) 中包含的季节变动成分。因此，扭矩正常值预测电路30以从故障诊断时(t0) 到第二期间(Tx)之前为限度，不考虑季节变动成分而预测干扰扭矩正常值 (R′)。显然，为了提高预测精度，也可以是即使维修或维护的实施时期等为1年以内，也考虑季节变动成分来预测干扰扭矩正常值(R′)。
在从故障诊断时(t0)到第二期间(Tx)之前未实施维修或维护的情况下，扭矩正常值预测电路30考虑干扰扭矩(Tq)中包含的季节变动成分来预测干扰扭矩正常值(R′)。如图10所示，扭矩正常值预测电路30将故障诊断时(t0)和季节变动(FC、FC′)相同的过去时期(t3)看作是机器人1正常动作时，预测干扰扭矩正常值(R′)。例如，可通过将周期设为1年的正弦波(c×sin(2πt))，将干扰扭矩(Tq)中包含的季节变动成分(FC、FC′) 进行近似。如果故障诊断时(t0)为夏天或冬天，则季节变动相同的过去时期 (t3)成为1年(Tx)前的夏天或冬天。另一方面，如果故障诊断时(t0)为春天或秋天，则季节变动相同的过去时期(t3)也可以为半年(Tx/2)前的秋天或春天。
具体地，如图10所示，扭矩正常值预测电路30利用正弦波(FC)将在第一期间(T1)之间取得的干扰扭矩(Tq)的季节变动成分进行近似。将正弦波(FC)延长到过去1年(Tx)前或半年前，制作正弦波(FC′)。由此，扭矩正常值预测电路30能够预测季节变动(FC、FC′)与故障诊断时(t0) 相同的过去时期(t3)的干扰扭矩。换句话说，能够从干扰扭矩(Tq)中去除季节变动成分。
扭矩正常值预测电路30利用直线(FL)将在第一期间(T1)取得的干扰扭矩(Tq)中的时效劣化成分与图9同样地进行近似，利用正弦波将季节变动成分进行近似。通过将近似后的直线(FL)及正弦波合成，能够算出(2) 式所示的函数(FCL)。扭矩正常值预测电路30通过非线性回归法，设定(2) 式的系数(a、b、c)。
FCL＝a×t+b+c×sin(2πt)···(2)
然后，扭矩正常值预测电路30算出从故障诊断时(t0)到第二期间(Tx) 之前的干扰扭矩作为干扰扭矩正常值(R′)。
阈值设定电路31基于由扭矩正常值预测电路30预测到的干扰扭矩正常值(R′)设定阈值(α)。具体地，在故障诊断时(t0)的干扰扭矩(P0)从机器人1正常动作时的干扰扭矩正常值(R′)增大了一定值(k)以上的情况下，可判断为发生了故障。因此，阈值设定电路31将干扰扭矩正常值(R ′)加上一定值(k)所得的值设定为阈值(α)。一定值(k)是在多个机器人1之间通用的值。
接着，参照图12对第二实施方式的设定阈值(α)的方法进行说明。在步骤S5中，扭矩正常值预测电路30从干扰扭矩数据库17中读出在预定的期 (第一期间)取得的干扰扭矩(Tq)的数据。在步骤S53，基于由维修、维护信息取得电路29取得的与维修或维护的实施状况相关的信息，判断是否有维修、维护的实施记录。在有实施记录的情况(在S53中为“是”)下，进入步骤S55，判断在实施了维修或维护以后是否经过了1年(第二期间)以上。在经过了1年以上的情况(在S55中为“是”)下，可判断为难以精度良好地预测维修或维护的实施时期的干扰扭矩。因此，以与没有实施记录的情况(在 S53中为“否”)相同的方式进入步骤S57，如图10及图11所示地考虑季节变动成分，预测干扰扭矩正常值(R′)。
另一方面，在从故障诊断时起1年以内有维修或维护的实施记录的情况 (在S55中为“否”)下，可判断为能够不考虑季节变动地预测修或维护的实施时期的干扰扭矩。因此，进入步骤S59，如图9所示地不考虑季节变动成分地预测干扰扭矩正常值(R’)。
进入步骤S61，阈值设定电路31将预测到的干扰扭矩正常值(R′)加上一定值(k)所得的值设定为阈值(α)。使用所设定的阈值(α)实施图6 的步骤S11的判断处理。
如以上说明地，根据第二实施方式，可得到以下的作用效果。
干扰扭矩(Tq)有时随着机器人1的维修或维护的实施状况而大幅变动。因此，考虑维修或维护的实施状况，预测干扰扭矩正常值(R′)，基于干扰扭矩正常值(R′)设定阈值(α)。由此，考虑维修或维护的实施状况，能够进行更正确的故障诊断。
如图9～图11所示，扭矩正常值预测电路30基于在第一期间(T1)取得的干扰扭矩(Tq)的数据预测干扰扭矩正常值(R′)。能够正确地预测干扰扭矩正常值(R′)。例如，在图9中，研究的是预测第一期间(T1)的起始时期(t1)的干扰扭矩(P1)作为干扰扭矩正常值的比较例。在这种情况下，干扰扭矩(P1)加上一定值(k)所得的值成为阈值。该阈值比故障诊断时(t0) 的干扰扭矩(P0)大。因此，在比较例中，会误判断为没有故障。另一方面，在图9中，将比开始时期(t1)更过去的维修、维护时期(t2)的干扰扭矩(P2) 预测为干扰扭矩正常值(R′)。由于要考虑时效劣化成分，故而阈值(α＝R ′+k)小于比较例的阈值，成为故障诊断时(t0)的干扰扭矩(P0)以下。因此，在第二实施方式中，能够判断为发生了故障。关于图11也同样。
扭矩正常值预测电路30根据在第一期间(T1)取得的干扰扭矩(Tq)的时间变化，使用直线或含有(2)式所示的函数的回归方程预测干扰扭矩正常值(R′)。由于使用回归方程能够将干扰扭矩(Tq)近似，故而能够正确地预测干扰扭矩正常值(R′)。
在从故障诊断时(t0)到第二期间(Tx)之前实施了维修或维护的情况下，扭矩正常值预测电路30将实施了维修或维护时看作是机器人1正常动作时，预测干扰扭矩正常值(R′)。如图13所示，可将在刚实施了维修或维护之后下降了的干扰扭矩看作是干扰扭矩正常值(R′)。因此，即使在干扰扭矩因时效劣化而增加的情况下，也能够进行正确的故障诊断。
在从故障诊断时到第二期间(Tx)之前未实施维修或维护的情况下，扭矩正常值预测电路30考虑干扰扭矩的季节变动预测干扰扭矩正常值。扭矩正常值预测电路30将故障诊断时和季节变动相同的过去时期看作是机器人1正常动作时。通过考虑干扰扭矩的季节变动，能够精度良好地预测从故障诊断时起追溯了长时期的过去的干扰扭矩。
如图11所示，扭矩正常值预测电路30使用将对季节变动进行近似的正弦波和对时效劣化进行近似的直线合成所得的函数(FCL)作为回归方程。能够去除季节变动成分而精度良好地预测干扰扭矩正常值(R′)。
如上所述，对本发明的实施方式进行了记载，但构成本公开的一部分的论述及附图不应理解为限定本发明。对于本领域技术人员来说，由本公开即可明了各种替代实施方式、实施例及运用技术。

Claims (11)

1.一种故障诊断装置，其诊断多轴型机器人的故障，其特征在于，具备：
位置检测部，其检测所述多轴型机器人具备的关节轴的移动位置；
扭矩检测部，其检测施加于所述关节轴的干扰扭矩；
常规作业判断电路，其根据由所述位置检测部检测到的所述移动位置，判断所述多轴型机器人是否进行了预定的常规作业；
参考值计算电路，其根据在进行所述常规作业时检测到的所述干扰扭矩，算出干扰扭矩参考值；
扭矩修正电路，其使用由所述参考值计算电路算出的所述干扰扭矩参考值，修正在所述多轴型机器人进行不同于所述常规作业的作业时检测到的所述干扰扭矩，取得修正后干扰扭矩；
故障诊断电路，其通过将由所述扭矩修正电路取得的所述修正后干扰扭矩和阈值进行比较，进行故障诊断。
2.如权利要求1所述的故障诊断装置，其特征在于，
所述参考值计算电路，算出所述干扰扭矩的代表值及所述干扰扭矩的变化量并将其作为所述干扰扭矩参考值，
所述扭矩修正电路通过从所述干扰扭矩减去所述代表值并将减法运算后的值除以所述变化量，取得所述修正后干扰扭矩。
3.如权利要求2所述的故障诊断装置，其特征在于，
所述代表值是在进行所述常规作业时检测到的所述干扰扭矩的平均值，
所述变化量是在进行所述常规作业时检测到的所述干扰扭矩的标准偏差。
4.如权利要求2所述的故障诊断装置，其特征在于，
所述代表值是在进行所述常规作业时检测到的所述干扰扭矩的最小值，
所述变化量是在进行所述常规作业时检测到的所述干扰扭矩的最大值与所述最小值之差。
5.如权利要求1～4中任一项所述的故障诊断装置，其特征在于，还具备：
维修、维护信息取得电路，其取得与所述多轴型机器人的维修或维护的实施状况相关的信息；
扭矩正常值预测电路，其考虑由所述维修、维护信息取得电路取得的所述信息，预测所述多轴型机器人正常动作时的所述干扰扭矩即干扰扭矩正常值；
阈值设定电路，其基于由所述扭矩正常值预测电路预测的所述干扰扭矩正常值设定所述阈值。
6.如权利要求5所述的故障诊断装置，其特征在于，
所述扭矩正常值预测电路基于在第一期间所取得的干扰扭矩的数据，预测所述干扰扭矩正常值。
7.如权利要求6所述的故障诊断装置，其特征在于，
所述扭矩正常值预测电路根据在所述第一期间取得的所述干扰扭矩的时间变化，使用回归方程，预测所述干扰扭矩正常值。
8.如权利要求5所述的故障诊断装置，其特征在于，
在从故障诊断时到第二期间之前实施了所述维修或维护的情况下，所述扭矩正常值预测电路将实施了所述维修或维护时看作是所述多轴型机器人正常动作时，预测所述干扰扭矩正常值，所述第二期间为一年以下。
9.如权利要求5所述的故障诊断装置，其特征在于，
在从故障诊断时到第二期间之前未实施所述维修或维护的情况下，所述扭矩正常值预测电路考虑所述干扰扭矩的季节变动，将故障诊断时和所述季节变动相同的过去时期看作是所述多轴型机器人正常动作时，预测所述干扰扭矩正常值，所述第二期间为一年以下。
10.如权利要求7所述的故障诊断装置，其特征在于，
所述扭矩正常值预测电路使用将对季节变动进行近似的正弦波和对时效劣化进行近似的直线合成所得的函数作为所述回归方程。
11.一种故障诊断方法，其诊断多轴型机器人的故障，其特征在于，
检测所述多轴型机器人具备的关节轴的移动位置，
检测施加于所述关节轴的干扰扭矩，
根据检测到的所述移动位置，判断所述多轴型机器人是否进行了预定的常规作业，
根据在进行所述常规作业时检测到的所述干扰扭矩，算出干扰扭矩参考值，
使用算出的所述干扰扭矩参考值修正在所述多轴型机器人进行不同于所述常规作业的作业时检测到的所述干扰扭矩，取得修正后干扰扭矩，
通过将取得的所述修正后干扰扭矩和阈值进行比较，进行故障诊断。
CN201580080209.6A 2015-05-21 2015-05-21 故障诊断装置及故障诊断方法 Active CN107614214B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/064552 WO2016185593A1 (ja) 2015-05-21 2015-05-21 故障診断装置及び故障診断方法

Publications (2)

Publication Number Publication Date
CN107614214A CN107614214A (zh) 2018-01-19
CN107614214B true CN107614214B (zh) 2019-07-09

Family

ID=57319689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580080209.6A Active CN107614214B (zh) 2015-05-21 2015-05-21 故障诊断装置及故障诊断方法

Country Status (10)

Country Link
US (1) US10543604B2 (zh)
EP (2) EP3299132B1 (zh)
JP (1) JP6409965B2 (zh)
KR (1) KR101849894B1 (zh)
CN (1) CN107614214B (zh)
BR (1) BR112017024895B1 (zh)
CA (1) CA2986554C (zh)
MX (1) MX365933B (zh)
RU (1) RU2682195C1 (zh)
WO (1) WO2016185593A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6499621B2 (ja) 2016-08-08 2019-04-10 ファナック株式会社 制御装置及び制御システム
CN110065091A (zh) * 2018-01-24 2019-07-30 固德科技股份有限公司 一种机械手臂动态监测系统及其实施方法
CN111989198B (zh) * 2018-03-29 2023-06-27 日产自动车株式会社 异常检测装置以及异常检测方法
EP3783544A4 (en) * 2018-04-19 2021-03-31 Nissan Motor Co., Ltd. DEVICE AND METHOD FOR GENERATING A MAINTENANCE DATA SET
CN112105489B (zh) * 2018-05-11 2023-06-20 日产自动车株式会社 异常检测装置和异常检测方法
CN108638128B (zh) * 2018-05-24 2021-06-22 安徽领云物联科技有限公司 一种工业机器人的实时异常监测方法及其系统
WO2019234789A1 (ja) * 2018-06-04 2019-12-12 日産自動車株式会社 異常判定装置及び異常判定方法
JP7056418B2 (ja) * 2018-07-05 2022-04-19 日産自動車株式会社 異常判定装置及び異常判定方法
MX2021001101A (es) * 2018-07-31 2021-03-31 Nissan Motor Dispositivo de determinacion de anormalidad y metodo de determinacion de anormalidad.
EP3835750B1 (en) * 2018-08-06 2024-07-24 Nissan Motor Co., Ltd. Abnormality diagnosis device and abnormality diagnosis method
JP2021111207A (ja) * 2020-01-14 2021-08-02 中国電力株式会社 プラント性能評価システムおよびプラント性能評価方法
WO2021188735A1 (en) * 2020-03-17 2021-09-23 Heartland Ag Tech, Inc. Systems and methods for predictive irrigation system maintenance
CN113673072A (zh) * 2020-05-15 2021-11-19 华晨宝马汽车有限公司 用于确定机器人的运行状况的方法、系统、设备和介质
WO2023144864A1 (ja) * 2022-01-25 2023-08-03 ファナック株式会社 故障予測装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06170540A (ja) * 1992-12-07 1994-06-21 Fanuc Ltd 溶接ロボットの溶着検出方法
JPH09174482A (ja) * 1995-12-25 1997-07-08 Fanuc Ltd ロボットの故障診断方法
CN101432103A (zh) * 2006-07-04 2009-05-13 松下电器产业株式会社 机器人手臂的控制装置及控制方法、机器人、及机器人手臂的控制程序
CN102873674A (zh) * 2012-09-04 2013-01-16 上海交通大学 力/力矩反馈控制远程操纵系统
CN103203753A (zh) * 2012-01-12 2013-07-17 三星电子株式会社 用于识别和处理异常情况的机器人和方法
JP2014155985A (ja) * 2013-02-15 2014-08-28 Panasonic Corp ロボット、ロボットの制御装置、制御方法、及び制御プログラム
CN104015199A (zh) * 2014-05-29 2014-09-03 中广核检测技术有限公司 一种机械臂及基于该机械臂的检测机器人
CN104044143A (zh) * 2013-03-15 2014-09-17 株式会社安川电机 机器人系统、校正方法及被加工物制造方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1536357A1 (ru) * 1988-02-29 1990-01-15 Горьковский Политехнический Институт Устройство дл диагностики неисправностей технических объектов
DE4114804A1 (de) * 1991-05-07 1992-11-12 Messerschmitt Boelkow Blohm Vorrichtung zur lageregelung von satelliten mit solardruckmomenten
JP2732159B2 (ja) 1991-10-29 1998-03-25 ファナック株式会社 異常負荷検出方法
JPH0751997A (ja) * 1993-08-09 1995-02-28 Fanuc Ltd 加工負荷監視方式
JPH07132440A (ja) * 1993-11-02 1995-05-23 Fanuc Ltd 加工負荷監視方式
SE509443C2 (sv) * 1997-05-15 1999-01-25 Asea Brown Boveri Förfarande för övervakning av en manipulators rörelsestyrning
JP3204207B2 (ja) * 1998-03-30 2001-09-04 松下電器産業株式会社 ロボットの制御装置とその制御方法
DE19917896B4 (de) * 1998-04-20 2019-02-21 Nissan Motor Co., Ltd. Punktschweißverfahren
JP2001150374A (ja) * 1999-11-25 2001-06-05 Sony Corp ロボットの故障診断システム
JP4824879B2 (ja) * 2001-09-14 2011-11-30 株式会社スター精機 取出機の異常診断方法
EP1598155B1 (en) * 2003-02-14 2011-04-20 Honda Giken Kogyo Kabushiki Kaisha Abnormality detector of moving robot
DE102004026185A1 (de) 2004-05-28 2005-12-22 Kuka Roboter Gmbh Verfahren und Vorrichtung zum Betreiben einer Maschine, wie eines Mehrachs- Industrieroboters
JP2006281421A (ja) 2005-04-05 2006-10-19 Yaskawa Electric Corp ロボットおよびロボットの異常検出方法
EP1913506A4 (en) 2005-07-11 2008-08-13 Brooks Automation Inc INTELLIGENT STATUS MONITORING AND TROUBLESHOOTING SYSTEM FOR PREDICTIVE MAINTENANCE
US9104650B2 (en) * 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
JP4487956B2 (ja) * 2006-03-10 2010-06-23 トヨタ自動車株式会社 ブレーキ制御装置
JP2007250748A (ja) * 2006-03-15 2007-09-27 Omron Corp プロセス異常分析装置および方法並びにプログラム
US8489360B2 (en) * 2006-09-29 2013-07-16 Fisher-Rosemount Systems, Inc. Multivariate monitoring and diagnostics of process variable data
EP2168728B1 (en) * 2008-05-21 2017-07-05 Panasonic Intellectual Property Management Co., Ltd. Robot error judgment method
JP5120082B2 (ja) * 2008-06-12 2013-01-16 富士電機株式会社 ロボット暴走判定方法およびロボット制御装置
JP2010271185A (ja) * 2009-05-21 2010-12-02 Mitsubishi Electric Corp 異常監視装置
US20120283873A1 (en) * 2011-05-03 2012-11-08 Canh Le System for auto-diagnostics of robotic manipulator
JP5912683B2 (ja) * 2012-03-07 2016-04-27 株式会社神戸製鋼所 モータ駆動構造を備えたシステム、モータ駆動構造のシステムに用いられるプログラム、および溶接物製造方法
JP2014018941A (ja) * 2012-07-23 2014-02-03 Daihen Corp 制御装置、及び制御方法
JP2014117787A (ja) * 2012-12-19 2014-06-30 Daihen Corp 制御装置
US20140288881A1 (en) * 2013-03-19 2014-09-25 Abb Technology Ag Hoist performance diagnostic, implementation and sustaining services
MY196467A (en) * 2015-05-20 2023-04-12 Nissan Motor Failure Diagnostic Device and Failure Diagnostic Method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06170540A (ja) * 1992-12-07 1994-06-21 Fanuc Ltd 溶接ロボットの溶着検出方法
JPH09174482A (ja) * 1995-12-25 1997-07-08 Fanuc Ltd ロボットの故障診断方法
CN101432103A (zh) * 2006-07-04 2009-05-13 松下电器产业株式会社 机器人手臂的控制装置及控制方法、机器人、及机器人手臂的控制程序
CN103203753A (zh) * 2012-01-12 2013-07-17 三星电子株式会社 用于识别和处理异常情况的机器人和方法
CN102873674A (zh) * 2012-09-04 2013-01-16 上海交通大学 力/力矩反馈控制远程操纵系统
JP2014155985A (ja) * 2013-02-15 2014-08-28 Panasonic Corp ロボット、ロボットの制御装置、制御方法、及び制御プログラム
CN104044143A (zh) * 2013-03-15 2014-09-17 株式会社安川电机 机器人系统、校正方法及被加工物制造方法
CN104015199A (zh) * 2014-05-29 2014-09-03 中广核检测技术有限公司 一种机械臂及基于该机械臂的检测机器人

Also Published As

Publication number Publication date
EP3299132A1 (en) 2018-03-28
CA2986554C (en) 2018-07-17
CN107614214A (zh) 2018-01-19
EP3778157A1 (en) 2021-02-17
WO2016185593A1 (ja) 2016-11-24
KR101849894B1 (ko) 2018-04-17
CA2986554A1 (en) 2016-11-24
EP3299132B1 (en) 2020-10-14
RU2682195C1 (ru) 2019-03-15
KR20170140333A (ko) 2017-12-20
BR112017024895A2 (pt) 2018-07-31
MX365933B (es) 2019-06-20
EP3299132A4 (en) 2018-08-29
US10543604B2 (en) 2020-01-28
EP3778157B1 (en) 2022-08-17
JP6409965B2 (ja) 2018-10-24
MX2017014682A (es) 2018-01-24
BR112017024895B1 (pt) 2021-06-08
US20180154529A1 (en) 2018-06-07
JPWO2016185593A1 (ja) 2018-03-08

Similar Documents

Publication Publication Date Title
CN107614214B (zh) 故障诊断装置及故障诊断方法
JP6810097B2 (ja) 異常検出器
CN107614216B (zh) 故障诊断装置及故障诊断方法
US10503146B2 (en) Control system, control device, and control method
US20130197854A1 (en) System and method for diagnosing machine tool component faults
EP3235611B1 (en) Robot maintenance assist device and method
US20040143360A1 (en) Electronic fingerprints for machine control and production machines
EP2309359A2 (en) System and method for analyzing reporting data
CN111352388A (zh) 学习用数据确认辅助装置、机器学习装置、故障预测装置
CN110187694A (zh) 故障预测装置以及机器学习装置
RU2683151C1 (ru) Устройство диагностики неисправностей и способ диагностики неисправностей
CN107614213B (zh) 故障诊断装置及故障诊断方法
JP7012888B2 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
US9720015B2 (en) Intelligent visualization in the monitoring of process and/or system variables
Jain et al. Dynamic optimization of process quality control and maintenance planning
US11112449B2 (en) Flexible and scalable monitoring systems for industrial machines
CN110058983A (zh) 异常检查参数调整显示装置
US10649879B2 (en) Integration of diagnostic instrumentation with machine protection system
US11561525B2 (en) Flexible condition monitoring of industrial machines
Yuan et al. Online overall equipment effectiveness (OEE) improvement using data analytics techniques for CNC machines
CN107305359B (zh) 用于测定设施的干扰的诊断工具和诊断方法
EP3819608A1 (en) Detecting rotor anomalies by determining vibration trends during transient speed operation
Pfaff et al. Adaptive, predictive machine condition assessment for resilient digital solutions
WO2019211892A1 (ja) 異常判定装置、異常判定システム及び異常判定方法
US20240004379A1 (en) Anomaly classification device

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant