CN117222878A - 机器人故障预兆检测装置以及机器人故障预兆检测方法 - Google Patents

Abstract

在机器人故障预兆检测装置中，行为时间序列数据取得部，在每个数据收集单位期间进行根据机器人动作取得与所述机器人的关节的电机相关的行为时间序列数据的处理。评估值计算部对行为时间序列数据计算评估值。代表评估值生成部在每个数据收集单位期间生成代表评估值的代表评估值。序列处理部生成由代表评估值构成的序列。判定部在机器人的运行初期，根据初期序列制作判定用模型。判定部在运行初期之后将判定用数据输入至判定用模型，取得判定用数据的特异度，所述判定用数据包括基于比该运行初期靠后的机器人动作的数据。

Description

机器人故障预兆检测装置以及机器人故障预兆检测方法

技术领域

本申请案涉及一种机器人的状态监视。

背景技术

若在工厂等中使工业机器人重复地运行，则不可避免地会造成机器人的每个部分(例如、机械零件)产生劣化。若劣化状况进一步发展，久而久之则会造成机器人故障。在机器人产生故障而长期停止作业线的情况下，会招致极大的损失，因此迫切需要在机器人产生故障之前实施维护(保养)。另一方面，从维护费用等观点考虑，频繁地进行维护也存在困难。

为了在适当的时间进行维护，提出了一种用于预测机器人的减速器等的剩余寿命的装置。专利文献1公开这种机器人保养支援装置。

专利文献1的机器人保养支援装置，其构成为：根据构成机器人驱动系统的伺服电机的电流指令值的数据诊断电流指令值将来的变化趋势，并根据诊断得出的变化趋势，判定电流指令值达到预先设定的值前的期间。

[现有技术文献]

[专利文献]

专利文献1：日本特开2016-117148公报

发明内容

发明所要解决的技术问题

在所述专利文献1的结构中，作为电流指令值的诊断项目，例示有I2监视器、使用状态以及峰值电流。若单纯使用这些项目，有时不一定能有效地捕捉机器人故障的预兆。为此，需要一种崭新的结构，其能够准确地检测机器人趋近故障的状态。

本申请案是鉴于上面提及的状况开发完成，其目的在于能够良好地捕捉机器人故障的预兆。

解决问题所使用的技术手段

本申请案所欲解决的问题诚如上面的说明，下面说明用于解决该问题的手段及其功效。

根据本申请案的第1观点，提供下面的结构的机器人故障预兆检测装置。也就是说，该机器人故障预兆检测装置包括：行为时间序列数据取得部、评估值计算部、代表评估值生成部、序列处理部、以及判定部。所述行为时间序列数据取得部在每个数据收集单位期间进行下述的处理，该处理用于根据机器人动作取得与所述机器人的关节的电机相关的行为时间序列数据。所述评估值计算部对通过所述行为时间序列数据取得部取得的行为时间序列数据计算评估值。所述代表评估值生成部在每个所述数据收集单位期间，根据通过所述评估值计算部获得的所述评估值，生成代表所述评估值的代表评估值。所述序列处理部生成所述代表评估值的序列。所述判定部在机器人的运行初期，根据所述序列处理部生成的序列即初期序列制作判定用模型。所述判定部在所述运行初期之后，将判定用数据输入制作完成的所述判定用模型内，取得所述判定用数据的特异度，所述判定用数据包括基于比该运行初期靠后的机器人动作的数据。

根据本申请案的第2观点，提供了下面的机器人故障预兆检测方法。也就是说，该机器人故障预兆检测方法包括:行为时间序列数据取得工序、评估值计算工序、代表评估值生成工序、序列处理工序、模型制作工序、以及判定工序。在所述行为时间序列数据取得工序中，在每个数据收集单位期间进行下述的处理，该处理用于根据机器人动作取得与所述机器人的关节的电机相关的行为时间序列数据。在所述评估值计算工序中，对通过所述行为时间序列数据取得工序取得的行为时间序列数据计算评估值。在所述代表评估值生成工序中，在每个所述数据收集单位期间，根据在所述评估值计算工序中获得的所述评估值，生成代表所述评估值的代表评估值。在所述序列处理工序中，生成所述代表评估值的序列。在所述模型制作工序中，在所述机器人的运行初期，根据在所述序列处理工序中生成的序列即初期序列制作判定用模型。在所述判定工序中，在所述运行初期之后，将判定用数据输入制作完成的所述判定用模型内，取得所述判定用数据的特异度，所述判定用数据包括基于比该运行初期靠后的机器人动作的数据。

由此，能够容易地掌握机器人故障的预兆。因此，能够在故障前执行机器人的维护。

发明的功效

根据本申请案，能够良好地捕捉机器人故障的预兆。

附图说明

图1是显示本申请案的机器人的结构的立体图；

图2是示意显示第1实施方式的机器人故障预兆检测装置的电结构的框图；

图3是说明与时间序列数据的取得相关的触发信号的定时的曲线图；

图4是显示隐马尔可夫模型的示意图；

图5是显示状态数为2个的Ergodic隐马尔可夫模型的示意图；

图6是说明初期序列以及判定用序列的示意图；

图7是显示电流值的均方根的曲线图；

图8是显示与电流值的均方根的序列的相似度有关的对数似然的曲线图；

图9是示意显示第2实施方式的机器人故障预兆检测装置的电结构的框图；

图10是显示第3实施方式中使用的DTW算法的示意图；

图11是显示将由DTW处理后的数据输入至隐马尔可夫模型中进行评估后的对数似然的曲线图；

图12是示意显示第4实施方式的机器人故障预兆检测装置的电结构的框图；

图13是说明第4实施方式中的初期序列以及判定用数据的示意图；

图14是示意显示第5实施方式的机器人故障预兆检测装置的电结构的框图；

图15是示意显示第6实施方式的机器人故障预兆检测装置的电结构的框图；

图16是在不使用判定用模型的状态下预测故障时期的例子中的显示部显示的趋势管理画面的显示例；

图17是显示在不使用判定用模型的状态下预测故障时期的例子中使参考日数变化的情况下的预测线的变化的曲线图；

图18是显示用于计算频率分析部分累计值的频带的曲线图；和

图19是在能够设定频率分析部分累计值的例子中的显示部显示的趋势管理画面的显示例。

具体实施方式

下面，参考附图说明本申请案的实施方式。图1是显示本申请案的一实施方式的机器人1的结构的立体图。图2是示意显示机器人1以及机器人故障预兆检测装置5的电结构的框图。

本申请案的机器人故障预兆检测装置5，用于监视能够再现预先设定的动作的工业用机器人的状态。机器人故障预兆检测装置5例如应用于如图1所示的机器人1。机器人1用于对作业对象的工件进行涂敷、清洗、焊接、搬运等作业。机器人1例如由垂直多关节机器人实现。

下面，参考图1以及图2等简单说明机器人1的结构。

机器人1包括基座部件10、多关节臂11以及腕部12。基座部件10固定在地面上(例如，工厂的地板)。多关节臂11具有多个关节。腕部12安装在多关节臂11的前端。在腕部12上安装有对作业对象的工件进行作业的末端执行器13。

如图2所示，机器人1具有臂驱动装置21。

这些驱动装置由致动器以及减速器等构成。致动器例如为伺服电机。但是，驱动装置的结构不限于所述结构。每个致动器分别与控制器90电连接。致动器是以反映从控制器90输入的指令值的方式动作。

来自构成臂驱动装置21的每个伺服电机的驱动力经由减速器被传递至多关节臂11的每个关节、基座部件10以及腕部12。在每个伺服电机上安装有检测其旋转位置的省略图示的编码器。

机器人1通过再现由示教记录的动作进行作业。控制器90以机器人1再现由示教者预先示教的一系列动作的方式控制所述致动器。对机器人1的示教，能够通过示教者操作省略图示的示教方框进行。通过对机器人1的示教，生成用于移动机器人1的程序。

控制器90例如为一公知的计算机，该计算机具有CPU、ROM、RAM、辅助存储装置等。辅助存储装置例如为HDD、SSD等。在辅助存储装置中存储有使机器人1移动的程序等。

如图1所示，机器人故障预兆检测装置5与控制器90连接。机器人故障预兆检测装置5透过控制器90取得流动于致动器(伺服电机)的电流的电流值等的推移。

可以认为，假定伺服电机以及与其连结的减速器等发生了异常，则伺服电机的电流值会受其影响而变动。由此，能够说该电流值反映了机器人1的状态。电流值的推移能够通过以短时间间隔反复取得该电流值并按时间序列排列多个电流值来表现。下面，有时也将按时间序列排列电流值的数据称为电流值时间序列数据(行为时间序列数据)。

机器人故障预兆检测装置5能够通过监视取得的电流值时间序列数据，判定机器人1有无异常。在本实施方式中，机器人故障预兆检测装置5主要以每个关节的伺服电机以及减速器为对象，判定有无异常。其中，“异常”，是指包括虽未达到动作不良/不能动作的程度，但在伺服电机、减速器或轴承中产生了成为预兆的某种状况的情况。

如图2所示，机器人故障预兆检测装置5，具有存储部50、电流值时间序列数据取得部(行为时间序列数据取得部)51、评估值计算部52、代表评估值生成部53、序列处理部54、判定部55、警报产生部62以及显示部63。

机器人故障预兆检测装置5为一公知的计算机，该计算机具有CPU、ROM、RAM、辅助存储装置等。辅助存储装置例如为HDD、SSD等。在辅助存储装置中存储有用于机器人1的状态评估等的程序等。通过这些硬件以及软件的协同动作，能够使计算机作为存储部50、电流值时间序列数据取得部51、评估值计算部52、代表评估值生成部53、序列处理部54、判定部55、警报产生部62、显示部63等进行动作。

电流值时间序列数据取得部51取得所述电流值时间序列数据。电流值时间序列数据取得部51，是以机器人1的臂驱动装置21所具有的所有伺服电机为对象，取得电流值时间序列数据。对于配置在机器人1的各部分的多个伺服电机(换句话说，多个减速器)的每一个，分别取得电流值时间序列数据。

其中，电流值是指通过传感器测定流动于伺服电机的电流的大小而获得的测定值的意思。来自传感器的信号通过未图示的A/D转换器而被数字化。传感器设在控制伺服电机的省略图示的伺服驱动器上。但是，传感器也能够与伺服驱动器分开设置而用于监视。也能够取而代之，采用由伺服驱动器供给于伺服电机的电流指令值。伺服驱动器以当前电流值接近电流指令值的方式反馈控制伺服电机。由此，若从检测伺服电机或减速器的异常的目的考虑，电流值与电流指令值几乎不存在差异。

伺服电机的转矩大小与电流大小成正比。由此，也能够使用转矩值或转矩指令值代替电流值。另外，也能够使用与伺服电机的旋转位置有关的目标值与通过所述编码器获得的实际的旋转位置的偏差(旋转位置偏差)。通常，伺服驱动器将该偏差乘以增益后的值作为电流指令值提供给伺服电机。由此，旋转位置的偏差的推移显示与电流指令值的推移相似的趋势。

在本实施方式中，将电流值时间序列数据用于故障预兆的检测。但是，也能够使用电流指令值、转矩值、转矩指令值或旋转位置偏差的时间序列数据来代替电流值。

在机器人1进行被示教的动作时，电流值时间序列数据取得部51对每个伺服电机取得电流值时间序列数据。

例如，考虑在对机器人1示教一个动作后，在工厂内每日例如从9时运行至17时的情况。电流值时间序列数据取得部51在机器人1每次进行被示教的动作时，对每个伺服电机取得电流值时间序列数据。由于机器人1反复进行相同的动作，因此能够每日获得多个电流值时间序列数据。

从开始使用机器人故障预兆检测装置5算起的期间，能够分为从第1日至第N日、以及第N+1日以后。下面，有时也可将第1日至第N日的期间称为初期运行期间，将第N+1日以后称为监视期间。N能够适当地规定，例如假设N＝30。无论在初期运行期间以及监视期间的哪一个期间，皆每日进行所述电流值时间序列数据的取得。

也能够在设置机器人并开始使用的同时开始初期运行期间，例如也能够将1个月的期间考虑为磨合运行期间，在磨合运行期间之后开始初期运行期间。也能够在初期运行期间之后经过适当的间隔期间(例如，2个月)后开始监视期间。

机器人1每进行一次动作，能够获得与伺服电机数等量的电流值时间序列数据。电流值时间序列数据取得部51开始取得电流值的时间序列数据的定时以及结束的定时，能够根据控制器90输出的信号适当确定。

图3的曲线显示在机器人1进行再现动作的情况下，在某个关节的伺服电机中流动的电流值的一例。如图3所示，在执行再现动作的程序前的状态下，伺服电机的电流值为零。此时，由于未图示的电磁制动器在各关节中进行动作，因此可保持多关节臂11等的姿势。

接着，开始机器人1的再现动作的程序。伴随此，开启制动器，电流几乎与其同时开始流经伺服电机。在此时刻，以停止的方式控制伺服电机的输出轴。在经过为了稳定伺服电机的输出轴的角度而需要的一定程度的时间之后，开始伺服电机的旋转。由此，实质上开始机器人1的动作。

在开启制动器后，且在开始伺服电机的旋转前不久的时刻，控制器90向机器人故障预兆检测装置5(进而，电流值时间序列数据取得部51)输出取得开始信号。

若全部完成对机器人1示教的一系列动作，则以停止旋转的方式控制伺服电机。在伺服电机成为旋转停止状态之后且结束程序前的时刻，控制器90向电流值时间序列数据取得部51输出取得结束信号。

存储部50例如由所述的辅助存储装置构成。存储部50用于存储机器人故障预兆检测程序、通过电流值时间序列数据取得部51取得的电流值时间序列数据等。通过机器人故障预兆检测程序，实现本实施方式的机器人故障预兆检测方法。

在本实施方式中，时间序列数据，是按照时间顺序排列通过以较短的恒定时间间隔反复检测获得的多个电流值而得的数据。检测电流值的时间间隔(采样间隔)例如是几毫秒。时间序列数据在图3的曲线中与从取得开始信号的定时至取得结束信号的定时为止的电流值的推移对应。

在存储部50中，与该时间序列数据建立关联地存储有显示数据的取得时期的时期信息。

如上所述，通过电流值时间序列数据取得部51取得的电流值时间序列数据，能够划分为在机器人1的初期运行期间收集的数据、与在监视期间收集的数据。在初期运行期间获得的电流值时间序列数据是利用于制作学习数据，该学习数据用于构建后述的判定用模型。在监视期间收集的电流值时间序列数据是利用于制作判定用数据，该判定用数据被输入至判定用模型。

为了除去杂讯等，也能够对电流值时间序列数据进行适当的滤波处理。由于对数据的滤波处理属于公知，因此省略详细说明。

评估值计算部52将通过电流值时间序列数据取得部51取得的电流值时间序列数据分别输入至规定的函数，计算评估值。该函数是提取电流值时间序列数据具有的某些特征的函数。原来的电流值时间序列数据是由多个标量(电流值)构成，与此相对，评估值是一个标量。由此，评估值计算部52进行的处理是与信息的压缩对应。

评估值计算部52使用的函数可任意，例如能够使用均方根、最大值、差值(最大值-最小值)、频率分析累计值。

如已周知的那样，在因减速器的齿的磨损等而效率降低的情况、转矩常数因伺服电机的磁铁的减磁而降低的情况下等，电流值的均方根产生变化。由此，也可优选使用均方根用于判定有无故障预兆。

另外，在轴承等产生损伤的情况下，电流值的推移可能有出现须状峰值的趋势。因此，也可优选使用最大值或差值用于判定有无故障预兆。

作为频率分析的一种方法，提出频率分析累计值。通过进行频率分析，能够获得振幅谱、功率谱或功率谱密度。下面的说明中，也将振幅谱、功率谱或功率谱密度称为频谱或简称为谱。频率分析累计值例如是通过频率分析而获得的达数十Hz的振幅谱、功率谱或功率谱密度的合计值。也能够使用平均值代替合计值求出频率分析累计值。振幅谱以及功率谱通过后述的公知方法求出。有时为了判定是否在机器人中产生振动趋势等故障预兆，也可优选使用频率分析累计值。振动趋势的原因可考虑多种因素，例如能够举出减速器的磨损加剧、失速运动增加等。

若假设机器人1的系统的固有振动频率为8Hz，则8Hz的成分因共振而变大，但在所述的频率分析累计值的例子中并不限于检测8Hz的峰值。评估达数十Hz为止的振幅谱、功率谱或功率谱密度的合计值。随着时间的经过，除了原本的主模式的振动外，多数情况下会加上伴随各种部件的劣化的振动。通过观察宽域内的频率，能够扩大故障预兆的检测范围。

下面，更详细地说明频率分析累计值。评估值计算部52通过对电流值时间序列数据进行FFT(Fast Fourier Transform；快速傅里叶转换)，求出傅里叶光谱(复数型式)。傅里叶光谱的平方值是功率谱。转换为功率谱会导致相位信息丢失。另外，取功率谱的平方根的值是振幅谱。振幅谱包括实效值与峰值，但任何值皆能够使用于判定有无故障预兆。另外，功率谱密度函数也称为PSD函数(Power Spectral Density Function；功率谱密度函数)。功率谱密度函数是以与FFT的频率分辨率无关的方式表现每单位频率宽度(1Hz宽度)的功率值的频谱函数。

能够以FFT检测的上限的频率，是采样频率的一半的频率。采样频率的一半的频率称为奈奎斯特频率。在本实施方式中，机器人1的控制周期与机器人故障预兆检测装置5的控制周期中较长一方的控制周期的倒数相当于采样频率。例如，在较长一方的控制周期是4ms的情况下，由于1/0.004/2＝125，因此奈奎斯特频率是125Hz。在本实施方式进行的FFT中，将等于或小于奈奎斯特频率的值作为对象。但是，根据执行FFT的机器的硬件结构或软件的算法，为了降低或排除折叠变形，优选使用乘以裕量系数的值作为上限。也就是说，在将奈奎斯特频率记述为f9、且将裕量系数记述为k的情况下，也能够将FFT的上限值表示为k×f9。k是例如从75％至100％的范围内的值。

如本实施方式，在根据致动器的电流值或电流指令值测量机器人1的行为进行FFT的情况下，存在基于所述奈奎斯特频率等的上限值。再者，执行FFT的软件，也能够以不超过奈奎斯特频率的方式限制。

另一方面，机器人1通常具有10Hz左右的固有振动频率。通常，若1次的固有振动频率为10Hz，则直到3次或4次的高次成分为止，皆能够检测某种程度的强度的信号。因此，在将固有振动频率设为f0、例如使用至4次信号为止的情况下，只要将4.5×f0＝45Hz设为上限即可。由此，由于取得4次信号而不取得5次信号，因此能够更准确地掌握振动成分。

另外，除了所述固有振动频率以外，还具有因故障而产生的振动。例如，由于电机的轴承的损伤、输入轴齿轮与公转齿轮的齿的损伤、以及偏心轴的轴承的损伤等，可能产生与固有振动频率不同的振动。其中频率比较高的是电机的轴承的损伤，作为一例，有可能产生25Hz左右的振动。再者，根据损伤在轴承的内圈、外圈、滚动体中的哪一个产生或电机的转速，振动频率的值也变化。若综合考虑上述情况，则优选以例如50Hz左右为上限。也能够将奈奎斯特频率设为上限。

另外，在重视主要的固有振动的情况下，也能够从0Hz开始依次搜索频谱，将最初的峰值作为1次固有振动频率f0，直到统计至其4.5倍即4.5×f0。在这种情况下，也能够将作为搜索的基准的频率预先登记为初期频率，从初期频率的例如0.5倍搜索至1.5倍。在与频率相关的特性稳定的情况下，也能够进行从0.2倍至1.8倍的搜索。在将其裕量记述为Δf1、Δf2，且将搜索的固有振动频率的初期频率记述为f01的情况下，从f01-Δf1搜索至f01+Δf2。

如本实施方式，多关节型的机器人1能够使多关节臂11整体例如以铅垂方向为旋转中心相对于基座部件10旋转。将该旋转的轴称为旋转轴JT1。在旋转轴JT1中，轴周围的惯性会随着多关节臂11的姿势而大幅变化。其结果，固有振动频率f0有可能在10Hz～20Hz之间变化。在如此的轴的情况下，有时不能进行如上述的1次固有振动频率f0的搜索。在这种情况下，能够预先将“视同”固有振动频率f02登记为例如12Hz，统计至其4.5倍为止。由此，累计频率的上限值与下限值能够汇总如下。另外，下面说明的上限值与下限值也能够任意组合使用。

作为上限值，例如能够使用下面的值。

(1)固定值

(2)1次固有振动频率的(n+0.5)倍

(3)视同频率的(n+0.5)倍

固定值例如也能够是50Hz。但是，固定值必须小于或等于奈奎斯特频率。另外，固定值也能够是奈奎斯特频率，也能够是将奈奎斯特频率乘以裕量系数而获得的值。n例如是4，但是任意的数值，例如也能够是1、2、3。另外，能够应用0以上且小于1的其它数值代替0.5。

作为下限值，例如能够使用下面的值。

(1)固定值

(2)0

(3)固有振动频率的α倍

其中，固定值例如也能够是6Hz。另外，0也被称为直流成分，是不伴随振动的量，与机器人1的各轴的负载转矩对应。因此，在将负载转矩包括在内进行评估的情况下，能够使用0作为下限值，在仅评估振动成分的情况下，能够使用固有振动频率的α倍作为下限值。α例如是0.5，但是α也能够是从0.2至0.8的任意值。再者，在仅评估固有振动频率附近的情况下，下限的α也能够是0.5等，上限也能够是固有振动频率的1.5倍等。

如上所述，假若函数不同，则容易检测的故障预兆不同。由于在后述的判定用模型中实质上输入函数的输出值来进行机械学习等，因此判定用模型也继承了函数的性质。由此，也能够对通过多个不同的函数获得的评估值的每一个进行判定用模型的学习以及评估。

在所述示例中，将频率分析累计值作为一个函数而作为评估值利用。与此相对，在以下所示的示例中，将频率分析累计值划分成多个频带，在每个范围内求出合计值。为了区别于频率分析累计值，将每个频带的频谱的累计值称为“频率分析部分累计值”。也能够简略称为“部分累计值”。也能够使用平均值代替合计值，求出频率分析部分累计值。

参考图18说明部分累计值。图18的纵轴是频谱的振幅，横轴是频率。在该例中，将频率的下限设为0Hz，上限设为50Hz。另外，设定10、20、30与40作为用于分割0Hz至50Hz的值。通过使用这些值来分割频谱，能够获得下面的频带。

频带：0-10、10-20、20-30、30-40、40-50

在每个频带中，也能够不包括两端频率(用于决定频带的下限与上限的频率)，或者也能够包括两端频率。另外，两端频率也能够包括在相邻的2个频带中。

在此，以图18中由粗线框所示的10-20的频带以及比其小的0-10的频带为例，说明在机器人1中产生的振动。例如，在0-10的频带中包括机器人手臂系统的固有振动频率即约8Hz的频谱。除此之外，在4、2、1Hz中也存在较大的振幅，但这些频率基本上属于机器人运动的轨迹的频率成分。这些轨迹的频率成分在决定运动的机器人程序相同的情况下几乎不变化。在10-20的频带中包括约16Hz的固有振动频率的2次谐波。在10-20的频带中，还包括固有振动频率的谐波以外的成分。

由于决定固有振动频率的减速器的弹簧常数的变化或空转量的增加而引起，固有振动频率或其谐波的频谱可能变大。另外，相反地，固有振动频率或其谐波以外的频谱由于其它零件(安装在电机轴等上的轴承等零件)的劣化，固有振动频率或其谐波的频谱也有可能增加。并且，无论是哪种原因的情况，不仅振幅的变化(通常为增加)而且其频率变化的情况也较多。劣化的结果，存在固有振动频率下降的情况，且在该频率位于分割的频带附近的情况下还存在向低频的频带移动的情况。虽然在超过20Hz的频带中也存在固有振动频率的谐波，但其强度逐渐减少，其它振动成分的比例却增加。

如上面说明的那样，通过分割为多个而获得的部分累计值，能够利用于后述的判定用模型。另外，部分累计值可利用于使多个趋势管理装置同时运行的寿命预测或故障预兆判定系统。

再者，如图18所示，分割也能够像例如0-10、20-30、40-50那样使频带彼此空开间隔而非连续分割。或者，也能够如0-10、0-20、0-30那样使频带彼此重叠。由于部分累计值是用于趋势管理，因此部分累计值本身并无意义，而用于评估部分累计值的变化。因此，不需要无遗漏且不重叠地包括所有的频率，只要选择易于进行趋势管理的频带即可。当然，如图18所示，也能够无遗漏且不重叠地包括全部频率。

代表评估值生成部53从通过评估值计算部52获得的多个评估值中求出代表评估值。如上所述，虽然一个评估值与将电流值时间序列数据的信息压缩后的值对应，但能够认为代表评估值是将多个评估值进一步压缩后的信息。

例如，考虑机器人1在某一日的9时至17时的期间运行的情况。在此期间，机器人1重复多次相同的动作。由此，在电流值时间序列数据取得部51中获得多个时间序列电流值数据，在评估值计算部52中获得每个时间序列电流值数据的评估值。代表评估值生成部53从多个评估值中生成代表该日的1个评估值作为代表评估值。

例如，在9时至17时的期间，工厂内的室温可能会因室外气温的影响而变化。或者，供给于机器人1的关节上的润滑脂，在运行开始时为低温，但在运行开始后随着时间经过，温度上升，其结果粘度降低。为了抑制这些影响，可考虑由代表评估值生成部53从在9时至17时的期间获得的多个评估值中选择中间值，且将其作为代表评估值。代表评估值生成部53生成的代表评估值存储在存储部50。

代表评估值不限于中间值，例如也能够为平均值。

下面，将由一个代表评估值代表的多个评估值所属的时间范围称为数据收集单位期间。在所述示例中，由于一个代表评估值代表1日的电流值时间序列数据，因此数据收集单位期间为1日。

例如，在工厂中，可能有每日规定多次(例如，双班制)轮班的情况。一次轮班也能够说是一次的工作周期或者一次的机器人1的运行周期。在这种情况下，数据收集单位期间也能够作为1次轮班的量，但优选为包括2次轮班的1日。通过将包括昼夜的1日作为数据收集单位期间，能够防止因室外气温的变动周期的影响而导致故障预兆的检测精度降低。数据收集单位期间也能够是多日(例如，2日、3日或1周等)。

序列处理部54通过排列存储在存储部50中的多个代表评估值而生成序列。序列处理部54生成的代表评估值的序列被输入至判定部55。

判定部55使用由代表评估值生成部53生成的代表评估值，判定有无机器人1的故障预兆。判定部55具有学习部57、概率输出部58以及转换部61。

如上所述，通过使用代表评估值代替评估值，能够排除例如1日间的温度变化的影响。其结果可能会产生压缩评估值的效果。另一方面，在评估方法为趋势管理、或者以某种方法对评估值进行了温度补偿的情况下，也能够不使用代表评估值，而对取得的全部评估值进行评估。

在机器人1的初期运行期间，学习部57通过学习在N次的数据单位期间生成的N个代表评估值，制作作为机械学习模型的判定用模型。

在本实施方式的判定部55中，使用隐马尔可夫模型作为判定用模型。

在此，简要说明隐马尔可夫模型。隐马尔可夫模型是实现对于序列式数据的统计建模的概率模型之一。当提供有序列式数据时，隐马尔可夫模型能够计算序列数据出现的概率。

在隐马尔可夫模型中，若观察到序列数据，则认为在其背后存在序列的状态。由于状态无法观察，只能观察数据。

下面，说明隐马尔可夫模型。定义隐马尔可夫模型的参数，是迁移概率A、输出概率B以及初期概率Π的3种。其中，假设状态的数量为R。初期概率Π是与在后述的式(1)中显示总乘的Π相同的记号，但意义不同。

迁移概率A是a_ij的集合(A＝{a_ij})。a_ij表示在时刻(t-1)是状态i，但在时刻t变为状态j的概率。其中，i,j是1以上且R以下的整数。

输出概率B是b_jk的集合(B＝{b_jk})。b_jk表示在状态j中输出第k个观测信号vk的概率分布。在本实施方式中，作为输出假定为连续值，且以高斯分布表现输出观测信号vk的概率。在本实施方式中使用单一高斯分布，但是也能够使用混合高斯分布来代替单一高斯分布。

初期概率Π是π_j的集合(Π＝{π_j})。Π_j表示在时刻t＝0时的状态j的概率。在隐马尔可夫模型中，虽然状态被隐藏，但初期值是随意临时确定。

隐马尔可夫模型大致分为Ergodic隐马尔可夫模型、以及Left-to-Right隐马尔可夫模型。

Ergodic隐马尔可夫模型如图4的(a)所示。Ergodic隐马尔可夫模型包括多种状态。在图4的(a)中，显示状态为3个的例子。每个状态能够向包括其自身的所有状态迁移。

在Ergodic隐马尔可夫模型中，遍历性成立。遍历性是指[A]能够从任意的状态到达任意的状态，[B]不具有周期性，且[C]状态数有限。当隐马尔可夫模型具有遍历性时，集合平均与时间平均一致。

Left-to-Right隐马尔可夫模型如图4的(b)所示。Left-to-Right隐马尔可夫模型包括多个状态。在图4的(b)中，显示状态为4个的例子。在Left-to-Right隐马尔可夫模型中，状态的迁移总是单向的，因此一旦迁移至另一个状态，则无法返回迁移前的状态。

在Left-to-Right隐马尔可夫模型中，遍历性不成立。Left-to-Right隐马尔可夫模型具有不可逆转迁移的限制。由于如此地在状态的迁移上具有限制，因此Left-to-Right隐马尔可夫模型具有能够减少计算量的优点，适合于时间序列数据的评估。

在本实施方式中，作为判定用模型，能够使用Ergodic隐马尔可夫模型以及Left-to-Right隐马尔可夫模型中的任一个。隐马尔可夫模型的状态的数量只要是2个以上，则能够任意且适当地确定。

学习部57将所述N个代表评估值的序列输入至判定用模型，且以判定用模型生成该代表评估值的序列的概率变高的方式更新所述迁移概率、输出概率、初期概率的参数。此时，使用公知的EM(Expectation Maximization)法以及Baum-Welch算法。

在使用Ergodic隐马尔可夫模型的情况下，也能够固定将多个代表评估值输入至学习模型的顺序，或者也能够不固定。在使用Left-to-Right隐马尔可夫模型的情况下，优选以时日顺序固定多个代表评估值的输入顺序。序列处理部54根据条件生成由N个代表评估值构成的序列，并输出至判定部55。

概率输出部58将包括在监视期间获得的代表评估值的序列输入至制作的判定用模型，取得出现该序列的概率。

隐马尔可夫模型通过输入代表评估值的序列，能够通过计算估计该序列出现的概率。计算出的概率也能够被认为是将输入模型中的序列的同一性量化的值(似然)。可以说从模型输出的概率越低，则输入模型的代表评估值的序列与通常不同的或然率越高。由此，该概率反映了特异度。特异度也能够说成是异常度。隐马尔可夫模型输入的序列相对于学习后的序列越相似，则越高地输出概率。由此，取得概率是与取得2个序列的相似度基本相同。概率输出部58将获得的概率输出至转换部61。

转换部61对从概率输出部58获得的概率进行对数转换。将获得的值(对数似然)输出至警报产生部62以及显示部63。

在从转换部61输入的对数似然偏离规定的范围的情况下，警报产生部62发出故障预兆的警报。在本实施方式中，警报是通过警报产生部62控制显示部63的显示而实现。

显示部63能够显示与图8等对应的曲线。显示部63例如由液晶显示器等显示装置构成。操作人员监视代表评估值的序列的对数似然是否偏离通常的趋势。操作人员能够利用这些信息适当地制定未来的维护计划。另外，显示部63能够根据来自警报产生部62的信号，切换显示的轴、或者例如以消息的形式输出警报。

接着，沿着图2的细线所示的数据的流程，说明本实施方式的机器人故障预兆检测装置5所使用的机器人故障预兆检测方法。下面，将数据收集单位期间设为1日，将N设为30进行说明。

机器人故障预兆检测装置5的电流值时间序列数据取得部51，对于在某一日内再现的多次的机器人动作的每一个动作，透过电流值时间序列数据取得部51取得电流值时间序列数据(行为时间序列数据取得工序)。

然后，评估值计算部52，根据电流值时间序列数据取得部51取得的电流值时间序列数据的每个数据，通过均方根等函数计算评估值(评估值计算工序)。获得与电流值时间序列数据的数量相等的数量的评估值。

接着，代表评估值生成部53生成代表1日中获得的多个评估值的代表评估值(代表评估值生成工序)。代表评估值能够作为在一日内获得的多个评估值的中间值。

每日重复所述的处理。其结果，在初期运行期间即N次数据收集单位期间(30日)结束时，获得30个代表评估值。

若获得30个代表评估值，则序列处理部54以按照时间顺序排列第1日至第30日的代表评估值的方式生成序列(序列处理工序)。序列处理部54将生成的代表评估值的序列输出至判定部55。下面，也将该序列称为初期序列。初期序列如图6的(a)所示。在图6中，一个四边形表示一个代表评估值。四边形中的数字表示该代表评估值是在第几日获得的。

判定部55的学习部57将该初期序列输入机器学习模型中学习(模型制作工序)。以将代表评估值的序列输入判定用模型，且该序列的出现概率变大的方式修正判定用模型的参数。具体而言，判定用模型的参数是指所述的迁移概率A、输出概率B以及初期概率Π。该处理与一次学习对应，且学习被重复多次。该处理的重复与机器学习的训练阶段对应。

可考虑将学习次数设为例如100次。但是，即使在学习达到100次之前，当能够确认判定用模型的参数的收敛时，也能够结束学习。完成学习后，在判定部55所具有的判定用模型存储部59中存储判定用模型的参数。

第N+1日以后是监视期间。在监视期间，序列处理部54制作作为由判定部55评估特异度的对象的代表评估值的序列(序列处理工序)。序列处理部54将生成的代表评估值的序列输出至判定部55。下面，也可将该序列称为判定用序列。在本实施方式中，判定用序列与判定用数据对应。序列处理部54生成的判定用序列，每当代表评估值生成部53生成新的代表评估值也就是每日进行变化。在判定用序列中至少包括1个第N+1日以后的代表评估值。

下面，具体说明用于判定用序列的处理。当获得第N+1次的数据收集单位期间(第31日)的代表评估值时，序列处理部54利用初期序列将判定用序列初期化。该初期化处理仅在初次(第31日)进行。接着，序列处理部54在判定用序列的末尾追加获得的最新的代表评估值。由于通过该追加，构成判定用序列的代表评估值变成31个，因此序列处理部54删除位于序列最前端的最旧的代表评估值。图6的(b)显示第31日的判定用序列。

该更新处理在第32日以后也同样进行。序列处理部54通过以此方式从上一次的判定用序列中删除最旧的代表评估值，使第2个以后的代表评估值向序列的最前端侧移动1个位置，且在末尾追加最新的代表评估值，从而制作每日的代表评估值的序列。图6的(c)显示第32日的判定用序列，图6的(d)显示第33日的判定用序列。判定用序列的代表评估值在每一次更新处理中逐个进行替换。

概率输出部58将序列处理部54生成的判定用序列输入至存储在判定用模型存储部59的判定用模型，求出该序列出现的概率。该处理与机器学习的评估阶段对应。概率输出部58将所获得的概率输出至转换部61。

转换部61将从概率输出部58输出的概率转换为对数，求出对数似然。通过对数转换，使数值的处理变得容易。

警报产生部62通过调查所获得的对数似然是否在规定范围内，判定有无故障预兆(故障预兆判定工序)。具体而言，警报产生部62比较对数似然与规定的阈值。在对数似然低于规定阈值的情况下，警报产生部62例如通过在显示部63上显示检测有故障预兆的消息等，发出警报(警报产生工序)。

接着，说明使用隐马尔可夫模型的本实施方式的效果。

图7的曲线显示某个伺服电机的电流值的均方根(也被称为I2)自机器人开始运行起的推移。横轴是时间，纵轴是均方根。在该曲线的示例中，可知均方根从三角形的标记附近开始略微上升。但是，由于该上升量较小，因此难以判断是否存在故障预兆。图7的粗线显示计算最初30日的平均，且将获得的值乘以1.1而得的值。在将该粗线作为异常判定阈值的情况下，判定为异常的点只有一个。

图8的曲线显示通过隐马尔可夫模型评估所述均方根的结果。横轴是时间，纵轴是对数似然。在图8的示例中，使用了图5所示的状态数为2个的Ergodic隐马尔可夫模型。

如图8所示，对数似然从12月16日前后开始变化。在多个点的斜坡状推移上明显地出现异常的征兆(而不是像图7那样只在一点的偏离值上出现)。这被认为是因为每当判定用序列的更新时，异常数据在判定用序列中所占的比例容易累计性地增加。

根据这种性质，操作人员能够直观且容易地掌握异常的征兆。

如上面的说明，本实施方式的机器人故障预兆检测装置5，具有电流值时间序列数据取得部51、评估值计算部52、代表评估值生成部53、序列处理部54以及判定部55。电流值时间序列数据取得部51在每个数据收集单位期间进行根据机器人动作取得机器人1的关节的驱动电流的电流值时间序列数据的处理。评估值计算部52，对通过电流值时间序列数据取得部51取得的电流值时间序列数据计算评估值。代表评估值生成部53在每个数据收集单位期间，根据通过评估值计算部52获得的评估值生成代表评估值的代表评估值。序列处理部54生成代表评估值的序列。判定部55在机器人1的运行初期，根据序列处理部54生成的序列即初期序列制作判定用模型。判定部55在运行初期之后，将判定用序列输入制作的判定用模型内，取得判定用序列的特异度，该判定用序列包括基于比该运行初期靠后的机器人动作的代表评估值。

由此，能够良好地检测机器人1的故障的预兆。因此，能够在故障前进行机器人1的维护。

另外，在本实施方式中，在运行初期之后，判定部55在每个数据收集单位期间，将由多个代表评估值构成的判定用序列作为判定用数据输入判定用模型内，且根据判定用模型的输出取得特异度。为了生成判定用序列，序列处理部54在利用初期序列对判定用序列进行初期化后，在每次生成代表评估值时进行判定用序列的更新处理。更新处理包括对更新前的判定用序列追加数据收集单位期间的代表评估值的处理。

由此，容易根据特异度的推移检测机器人1的故障的预兆。

另外，在本实施方式的机器人故障预兆检测装置5中，判定用模型是学习了初期序列的隐马尔可夫模型。

由此，使用能够容易地处理序列数据的模型，能够以高精度检测机器人1的故障的预兆。

另外，在本实施方式的机器人故障预兆检测装置5中，所述隐马尔可夫模型是Ergodic隐马尔可夫模型。Ergodic隐马尔可夫模型具有的状态数为2个。

由此，能够简化模型的结构。

另外，在本实施方式的机器人故障预兆检测装置5中，隐马尔可夫模型也能够是学习了初期序列的Left-to-Right隐马尔可夫模型。在这种情况下，初期序列以及判定用序列构成为按时间顺序排列N个代表评估值的序列。

由此，能够使用擅长处理时间序列的数据的模型以高精度检测机器人1的故障的预兆。另外，能够减少相当于模型中的状态迁移的约束量的计算量。

另外，在本实施方式的机器人故障预兆检测装置5中，计算均方根作为评估值。但是，作为评估值，也能够计算最大值、差值或频率分析累计值。

由此，能够良好地评估电流值时间序列数据的变化。

另外，在本实施方式的机器人故障预兆检测装置5中，评估值计算部52对通过电流值时间序列数据取得部51取得的行为时间序列数据的每一个进行频率分析而求出频谱，并对多个预先设定的频带，求出多个频谱的部分总和作为代表评估值。代表评估值生成部53在每一数据收集单位期间生成多个代表评估值。判定用模型是能够将多维的序列作为初期序列输入的模型。

由此，能够根据基于频率分析获得的频谱进行关于机器人1的故障预兆的判定。

另外，在本实施方式的机器人故障预兆检测装置5中，以成为环境温度的变化周期的整数倍、例如1日的整数倍的方式确定数据收集单位期间。

由此，能够基本消除环境温度周期性变化的影响。因此，故障预兆的检测精度良好。

另外，在本实施方式的机器人故障预兆检测装置5中，以成为工作周期或机器人1的运行期的整数倍的方式确定数据收集单位期间。

由此，能够在工作周期或机器人1的运行周期的初期基本上消除润滑脂的粘度较高的现象的影响。因此，故障预兆的检测精度良好。

另外，本实施方式的机器人故障预兆检测装置5具有显示部63，该显示部63显示判定部55输出的特异度。

由此，能够以易于使周围了解的方式通知关于机器人1的故障的预兆。

另外，在本实施方式中，判定部55以进行了对数转换的形式输出特异度。

由此，容易以数值形式处理判定部55的输出。例如，能够防止图8的曲线的输出过度敏感地变动。

另外，本实施方式的机器人故障预兆检测装置5具有警报产生部62。在判定部55输出的特异度偏离规定的范围的情况下，警报产生部62发出故障预兆的警报。

由此，能够明确地通知周围故障的预兆。

接着，说明第2实施方式。再者，在第2实施方式以后的说明中，对与所述实施方式相同或相似的部件在附图中标注相同的符号，并省略说明。

在本实施方式中，作为判定用模型，使用基于高斯分布的模型代替隐马尔可夫模型。

图9是本实施方式的框图。本实施方式的判定部55具有判定用模型制作部67以代替第1实施方式的学习部57。其它部分基本上与第1实施方式相同。

下面，说明在本实施方式中使用的判定用模型。考虑对判定用模型制作部67输入由N个代表评估值构成的初期序列C₁₍₁₎,C₁₍₂₎,…,C_1(N)的情况。判定用模型制作部67以构成这些初期序列的N个代表评估值为对象，计算平均μ以及标准偏差σ。

在判定部55中构建判定用模型f。该判定用模型f是由下式(1)表示。

[数式1]

其中，C₂₍₁₎,C₂₍₂₎,…,C_2(Q)是由Q个代表评估值构成的判定用序列。

所述数式(1)包括周知的高斯分布的数式。也就是说，本实施方式的判定用模型f，是与以判定用序列中的代表评估值的数量Q对高斯分布进行的总乘对应，其中高斯分布是基于初期序列的N个代表评估值的平均μ以及标准偏差σ。

通过发明人的实验，确认使用该判定用模型f时的输出也显示与第1实施方式的图8的曲线基本相同的推移。也就是说，判定用模型f的输出能够与由Q个代表评估值构成的序列出现的概率(换句话说，特异度)同样地进行处理。

在本实施方式中，通过求出初期序列的平均μ以及标准偏差σ，能够获得模型。通过判定用模型制作部67计算出的平均μ以及标准偏差σ，作为用于定义判定用模型的参数，存储在判定用模型存储部59。

在式(1)所示的判定用模型f中使用高斯分布的总乘，但也能够是高斯分布的对数总乘或总和。也能够使用高斯分布的总和。根据发明人的实验，在使用总和的情况下(但是，未进行对数转换)，存在判定用模型f的输出的推移比总乘略显粗犷地变动的趋势，但能够充分捕捉故障的征兆。

如上面的说明，在本实施方式的机器人故障预兆检测装置5中，判定用模型是由对高斯分布进行Q次总乘或总和构成，其中高斯分布是基于从构成初期序列的N个代表评估值求出的标准偏差σ以及平均值。另外，也能够在途中或在最终值进行对数化。

由此，能够以较少的计算量制作判定用模型。

接着，说明第3实施方式。图10是显示DTW算法的示意图。

在本实施方式的机器人故障预兆检测装置5中，在评估值计算部52进行的评估值的计算方面具有特征。评估值计算部52根据通过电流值时间序列数据取得部51取得的电流值时间序列数据，求出基于DTW算法的DTW距离等，且将其作为评估值。DTW是Dynamic TimeWarping(动态时间规整)的缩写。在本实施方式中，评估值计算部52进行的处理以外的部分，基本上与所述第1实施方式相同。

在此，简要说明DTW算法。DTW算法用于计算2个时间序列数据的相似程度。DTW算法的一大特征在于，在计算相似度时，允许时间序列数据在时间轴方向上的非线性伸缩。由此，DTW算法能够在时间序列数据的相似度方面，获得接近人类直觉的结果。

评估值计算部52输出DTW距离(非相似度)作为处理对象的电流值时间序列数据的评估值，DTW距离(非相似度)显示基准电流值时间序列数据(基准行为时间序列数据)与比较用电流值时间序列数据(比较用行为时间序列数据)的差异的大小。

作为基准电流值时间序列数据，例如，在机器人故障预兆检测装置5的使用开始时试验性地使机器人1动作时，使用通过电流值时间序列数据取得部51取得的电流值时间序列数据。作为比较用电流值时间序列数据，使用在机器人故障预兆检测装置5开始使用的第1日以后通过电流值时间序列数据取得部51取得的电流值时间序列数据。基准数据也能够在例如第1日取得。

利用图10说明DTW算法的原理。沿着横向延伸的第1轴按时间序列顺序配置包括在基准数据内的多个(s个)电流值。沿着纵向延伸的第2轴按时间序列顺序配置包括在比较用数据内的多个(p个)电流值。

接着，在由纵横的轴定义的平面中，定义呈矩阵状配置的s×p个单元。每个单元(l,m)表示基准数据中的第l个电流值与比较用数据中的第m个电流值的对应关系。其中，1≤l≤s，1≤m≤p。

每个单元(l,m)是与表示基准数据中的第l个电流值与比较用数据中的第m个电流值的差异的数值建立关联。在本实施方式中，在各单元中建立关联地存储第l个电流值与第m个电流值之差的绝对值。

评估值计算部52求出从位于图10的矩阵左下角的起点单元至位于右上角的终点单元的规整路径“warping path”(路径)。

起点单元(1,1)相当于使基准数据中的s个电流值中的在时间序列中最早的定时(也就是第1个)的电流值与比较用数据中的p个电流值中的在时间序列中最早的定时(也就是第1个)的电流值建立对应。

终点单元(s,p)相当于使基准数据中的s个电流值中的在时间序列中最后的定时(也就是第s个)的电流值与比较用数据中的p个电流值中的在时间序列中最后的定时(也就是第p个)的电流值建立对应。

在如上所述构建的s×p个矩阵中，根据下面[1]以及[2]的规则，考虑从起点单元出发至到达终点单元的路径。[1]只能沿纵、横、或倾斜相邻的单元移动。[2]不能向返回基准数据的时间的方向移动，也不能向返回比较数据的时间的方向移动。

这些单元连接而成的路线被称为路径或规整路径。规整路径显示如何将基准数据中的s个电流值与比较用数据中的p个电流值分别建立对应。从另一个角度来说，规整路径表示如何使2个时间序列数据在时间轴方向上伸缩。

从起点单元至终点单元的规整路径可考虑多种路径。评估值计算部52在能够考虑的规整路径中，求出显示与通过的单元建立关联的差异的数值(在本实施方式中，第l个电流值与第m个电流值的差的绝对值)的合计为最小的规整路径。在下面的说明中，也可将该规整路径称为最佳规整路径。另外，也可将该最佳规整路径中的各方格内的值的合计值称为DTW距离。

将DTW距离除以通过的方格数，能够计算出DTW距离平均值。DTW距离平均值也能够通过将DTW距离除以任意的时间序列数据的要素数s或p而计算得出。也能够代替DTW距离而将DTW距离平均值作为评估值。

若s与p较大，则可能存在巨大数量的规整路径。由此，假设将所有可能的规整路径均考虑在内，则用于求出最佳规整路径的计算量会爆发性地增加。为了解决该课题，本实施方式的评估值计算部52使用DP匹配方法(动态规划法)求出最佳规整路径。DP是DynamicProgramming的缩写。DP匹配方法属公知，故而省略其说明。

对于电流值时间序列数据取得部51取得的电流值时间序列数据的每一个，通过评估值计算部52计算DTW距离或DTW距离平均值。代表评估值生成部53生成的代表评估值，例如是一日中获取了多个的DTW距离或DTW距离平均值的中间值。代表评估值的序列通过序列处理部54生成，且作为初期序列或判定用序列被输入判定部55。

图11的曲线显示在本实施方式中获得的对数似然的推移。如该曲线所示，在本实施方式中也与第1实施方式同样，从12月16日前后起，开始明显地出现故障的预兆。

如上所述，在本实施方式的机器人故障预兆检测装置5中，评估值计算部52对通过电流值时间序列数据取得部51取得的电流值时间序列数据的每一个，分别计算与规定的基准电流值时间序列数据之间的DTW距离以及DTW距离平均值中的任一个作为评估值。

由此，能够容易地捕捉电流值的时间序列数据的变化趋势。

接着，说明第4实施方式。图12是示意显示第4实施方式的机器人故障预兆检测装置5的电结构的框图。

本实施方式的机器人故障预兆检测装置5，与对图2所示的第1实施方式进行了变形后的装置对应。

本实施方式的判定部55与第1实施方式同样，具有学习部57、概率输出部58、判定用模型存储部59以及转换部61。判定部55还具有概率存储部68与总乘值输出部69。

本实施方式的学习部57与第1实施方式同样，使隐马尔可夫模型学习初期序列。所获得的隐马尔可夫模型的参数被存储在判定用模型存储部59。

如上所述，在图2所示的第1实施方式中，在监视期间(即、N+1日以后)中，每日从序列处理部54对判定部55的判定用模型输入由Q个代表评估值构成的序列。另一方面，在图12所示的本实施方式中，每日从存储部50对判定部55的判定用模型仅输入当日获得的1个代表评估值作为判定用数据。在本实施方式中，该一个代表评估值与判定用数据对应。

一般情况下，隐马尔可夫模型通常在评估序列数据的用途中使用。但是，在初期序列中进行了学习后的Ergodic隐马尔可夫模型，即使在评估阶段中不是以序列而是以单独的形式输入代表评估值的情况下，也能够输出可作为概率处理的值。

概率输出部58输出将1个代表评估值输入至判定用模型时的判定用模型的输出结果(也就是概率)。概率输出部58输出的概率被存储在概率存储部68。

概率存储部68能够存储最近的U日量的判定用模型在N+1日以后输出的概率。

图13显示N＝30、U＝15的情况下的本实施方式中的初期序列以及判定用数据。在第30日，学习部57使隐马尔可夫模型学习图13的(a)所示的30个代表评估值的序列。由此，制作判定用模型。

如图13的(b)所示，在第31日，向判定用模型输入1个第31日的代表评估值，并存储判定用模型输出的概率。如图13的(c)所示，在第32日，向判定用模型输入1个第32日的代表评估值，并存储判定用模型输出的概率。在图13中，1个圆表示判定用模型输出的1个概率。圆中的数字显示概率对应于第几日的代表性评估值。若圆是虚线，则显示该概率已在过去存储。

判定部55每日向判定用模型输入当日获得的1个代表评估值，并进行存储判定用模型输出的概率的处理。其结果，在第45日，如图13的(d)所示，在概率存储部68中存储了15日的概率。

在第45日，总乘值输出部69将如图13的(d)所示存储在概率存储部68中的第31日至第45日的15日的概率全部相乘。在本实施方式中，这样获得的总乘值对应于特异度。总乘值输出部69输出的总乘值在转换部61中被进行对数转换后，从判定部55输出。

在第46日，在概率存储部68中删除最旧的第31日的概率，并且存储第46日的概率。总乘值输出部69将如图13的(e)所示存储在概率存储部68中的第32日至第46日的15日的概率全部相乘。这样获得的总乘值在转换部61中被进行对数转换后，从判定部55输出。

在本实施方式中，来自判定部55的输出实质上是从第45日开始。根据本实施方式的结构，与第1实施方式以及第2实施方式同样，也能够良好地捕捉故障的预兆。

在本实施方式中，判定部55以进行了对数转换后的形式输出总乘值，但也能够将最近的15日的概率全部相加后的值即总和值作为特异度输出。在这种情况下，能够省略对数转换。

也能够省略概率存储部68。在这种情况下，只要在第45日一次计算从第31日至第45日的模型输出值即可。

如上面的说明，在本实施方式中，在运行初期之后，判定部55在每个数据收集单位期间，仅将1个代表评估值作为判定用数据输入至判定用模型，并取得判定用模型的输出。判定部55根据在最近的多个数据收集单位期间内的判定用模型的输出的总乘或总和取得特异度。

通过该结构，也能够良好地检测机器人1的故障的预兆。

接着，说明第5实施方式。图14是示意显示第5实施方式的机器人故障预兆检测装置5的电结构的框图。

本实施方式的机器人故障预兆检测装置5还具有正规化部71。正规化部71用于对输入隐马尔可夫模型(判定用模型)的代表评估值进行正规化。

在此说明正规化。简单地说，正规化是指以将最小值设为0、将最大值设为1、且将中间的数值在0～1间按比例分配的方式对某一数据组包括的数值进行转换。

本实施方式的正规化部71，例如以初期运行期间的30个代表评估值为对象求出最小值与最大值，并根据此进行各代表评估值的正规化。被正规化后的值存储在存储部50，利用于通过序列处理部54制作初期序列以及判定用序列。

作为正规化的其它方法，也能够以成为平均为0、分散为1的高斯分布的方式转换数据组。

如上所述，对于机器人1的各轴的电机取得电流值时间序列数据。在实际的机器人的例子中，腕轴的电机的电流值的平均为3A左右，与此相对，主轴的电机的电流值的平均为20A左右。电流值的大小当然会影响代表评估值。这样，虽然存在代表评估值在各轴大不相同的情况，但对每个轴确定作为警报产生条件的阈值相当麻烦。另外，根据机器人的机种，是大型还是小型，则可搬重量、速度等不同，相应地电流值也不同而具有各种电流值。

在本实施方式中，能够通过正规化消除这些差异，进行统一的判定。本申请案的发明人等发现：在将代表评估值正规化的情况下，正常的情况下对数似然落在-50至10的范围内，但若产生异常，则多数情况下对数似然会减小至-500附近。由此可见，关于对数似然，只要将-100左右的值设定为统一的阈值，则作为故障预兆的检测大致适当。换句话说，不需要每一个异常判定阈值。

如上面的说明，在本实施方式的机器人故障预兆检测装置5中，将输入判定用模型内的代表评估值正规化。

由此，能够对从各种电机获得的电流值时间序列数据进行统一的判断。

接着，说明第6实施方式。图15是示意显示第6实施方式的机器人故障预兆检测装置5的电结构的框图。

在本实施方式的机器人故障预兆检测装置5中，如图15所示，具有各2个评估值计算部52、代表评估值生成部53以及正规化部71。除此之外，本实施方式与所述第1实施方式基本相同。

2个评估值计算部52分别使用不同的函数计算电流值时间序列数据的评估值。例如，可考虑1个评估值计算部52计算均方根，剩余的评估值计算部52计算最大值。

与此相应地，判定部55中使用的隐马尔可夫模型，是以输入由2种评估值构成的二维向量的序列计算概率的方式构成。由此，能够综合考虑多个评估值来检测故障的预兆。

代表每个评估值的代表评估值通过正规化部71正规化。由此，能够使多个评估值各自的影响力均等化。也能够将正规化后的每个代表评估值乘以用于加权而确定的倍率。由此，与最大值相比，能够重视例如均方根来判定故障预兆。也能够省略正规化部71。

在图15中，显示对电流值时间序列数据计算2种评估值的情况。但是，机器人故障预兆检测装置5也能够以取得3种以上的评估值的方式构成。在这种情况下，在隐马尔可夫模型中输入三维以上的向量序列。

在高斯分布模型的情况下，虽然在模型f、也就是式(1)中为一维模型，但为了与多维对应，通过准备多个模型f即式(1)与每个评估值相乘或相加，也能够与隐马尔可夫模型同样地与多维的输入对应。

如上面的说明，在本实施方式的机器人故障预兆检测装置5中，评估值计算部52以相互不同的方法对通过电流值时间序列数据取得部51取得的电流值时间序列数据的每一个计算多种类的评估值。代表评估值生成部53在每个数据收集单位期间生成多种类的代表评估值。判定用模型是能够输入多维序列的模型。

由此，能够通过综合考虑多个评估值来捕捉故障的预兆。

另外，在本实施方式的机器人故障预兆检测装置5中，评估值计算部52计算电流值时间序列数据的均方根以及最大值。但是，也能够计算差值、频率分析累计值、DTW距离以及DTW距离平均值中的任一个，代替均方根与最大值中的一方或双方。

另外，在本实施方式的机器人故障预兆检测装置5中，评估值计算部52计算电流值时间序列数据的均方根以及最大值。但是，也能够计算2个频率分析部分累计值，代替均方根与最大值双方。也能够构成为取得3种以上的评估值。在这种情况下，在隐马尔可夫模型中输入三维以上的向量的序列。另外，如图18所示，也能够计算5个部分累计值。

由此，能够良好地评估电流值时间序列数据的变化。

接着，说明不使用判定用模型预测机器人1的故障时期的例子。在本例中说明的处理，通过图16所示的机器人维护支援装置5a进行。机器人维护支援装置5a的基本结构与机器人故障预兆检测装置5相同。机器人维护支援装置5a根据基于电流值时间序列数据求出的评估值的过去的趋势，预测评估值将来的变化方式并显示在显示器80，并且根据评估值的将来的变化方式求出机器人1的故障预测日。在下面的说明中，参考图16以及图17进行详细说明。图16是显示器80显示的趋势管理画面的显示例。图17是显示使参考日数变化时的预测线的变化的曲线图。

在图16的趋势管理画面中，显示有曲线显示部81、评估值选择部82、诊断部位选择部83、以及预测日显示部84。

曲线显示部81显示的曲线的横轴是时间，纵轴是评估值。计算评估值的方法与所述实施方式相同。另外，用于求出评估值的电流值时间序列数据，能够在使机器人1进行涂敷等实际作业的期间取得，也能够在使机器人1进行诊断用动作的期间取得。诊断用动作是以诊断机器人1的状态为目的而进行的动作。再者，关于基准线与预测线稍待后述。

评估值选择部82是用于选择在曲线显示部81上显示的曲线的评估值的选框。在评估值选择部82中显示有I2监视器、DUTY、PTP、频率分析累计值，操作人员选择任意1个。

I2是电流值的均方根。均方根也被称为实效值或RMS。电流值的均方根显示交流成分的实质效果。因此，I2是抑制细小的胡须成分的值。由此，能够进行减速器的损耗增大即效率降低、伴随电机的减磁的转矩常数的降低等的稳定的检测。另外，DUTY是电机的失速电流与I2的比率。另外，PTP是Peak to Peak的缩写，显示所述的“差值”。也就是说，PTP是从电流波形高的峰值的电流值减去低峰值的电流值而得的值。由于PTP容易算出，且能够高精度地估计状态，因此经常使用。频率分析累计值是如上所述的值。在图16以及图17的曲线中，选择并显示频率分析累计值作为评估值。

诊断部位选择部83是用于选择机器人1的可动轴中的诊断对象的可动轴的选框。在诊断部位选择部83显示有机器人1所具有的多个可动轴。

预测日显示部84显示有机器人1的故障预测日。故障预测日根据下面的基准线与预测线而求得。

基准线显示评估值的阈值。阈值例如被设定为机器人1的运行初期的实效值、或者机器人1的磨合运行后的初期值的120％的值。磨合运行后的初期值的120％的值是一例，也能够是120％以外的值。阈值能够根据经验确定并登记。另外，阈值能够改变。另外，任意的初期值也能够根据一个数据设定，但也能够将对多个数据进行平均后的值设定为阈值。

预测线是通过对过去获得的评估值应用最小二乘法而算出。另外，预测线与基准线交叉时的时间是故障预测日。操作人员能够通过观察预测线直观地掌握机器人1的状态。操作人员通过观察故障预测日，能够掌握与机器人1的故障预测相关的具体时日。

在距故障预测日的日数比预先设定的日数(例如30日)更近的情况下，也能够在显示器80显示警告。另外，在本例中，对所选择的评估值与可动轴显示预测线，但也能够对未选择的评估值与可动轴的组合求出故障预测日，并在满足条件的情况下在显示器80上显示警告。

接着，参考图17说明曲线的显示方式的改变。如图17所示，曲线显示部81的横轴的一端是描绘开始日，横轴的另一端是描绘结束日。从描绘开始日至描绘结束日的期间与评估值以及预测线等的显示期间对应。在本例中，能够改变描绘开始日与描绘结束日。例如，在以当日为基准将第1日数前作为描绘开始日，且以当日为基准将第2日数后作为描绘结束日的情况下，能够独立地改变这些第1日数与第2日数。由此，操作人员能够掌握自己希望的范围的评估值。

另外，在本例中，也能够改变参考日数。参考日数是指规定为了计算预测线而使用的评估值的范围的日数。例如，在参考日数为10日的情况下，根据从10日前至现在为止取得的评估值求出预测线。参考日数能够独立于所述第1日数与第2日数进行改变。

下面，说明参考日数被改变为较短而成为参考日数a的情况。在参考日数变短的情况下，预测线的斜率变化。另外，作为一般的趋势，在参考日数变短的情况下，预测线的斜率变陡。在图17中，预测线a的斜率比预测线的斜率更陡。作为预测线的斜率变化的结果，由于预测线与基准线交叉的时间变化，因此故障预测日变化。通过具有改变参考日数的功能，能够以各种观点求出故障预测日。

另外，也能够使用多个部分累计值代替频率分析累计值。为了对应多个评估值，设置有多个趋势管理功能。图19显示在与部分累计值对应的例子中显示的趋势管理画面。再者，图19中，也可省略具有与图16相同功能的部分的说明。

在图19的评估值选择部82A显示有I2监视器、DUTY、PTP、部分累计值。在部分累计值的旁边显示用于选择频带的下拉式菜单。可使用评估值选择部82A选择的频带是0-10、10-20、20-30、30-40、40-50、ALL。ALL是所有部分累计值的合计，且作为结果与频率分析累计值相同显示。图19的显示方法是一例，也能够不同。例如，也能够在评估值选择部82A添加频率分析累计值，并且从用于选择频带的菜单中省略ALL。

基准线显示评估值的阈值。在使用图16显示的示例中，说明了将机器人1的磨合运行后的初期值的120％作为阈值的情况。在使用图19所示的示例中，也能够根据频带改变阈值。例如，能够将频带为ALL或0-10时的阈值设为初期值的120％，将频带为20-30、30-40、40-50时的阈值设为初期值的200％等。再者，预测线是通过对过去取得的评估值中的参考期间部分应用最小二乘法而算出。

另外，在计算距故障预测日的日数时，除了评估值与可动轴以外，还对包括频带的任意组合计算故障预测日。另外，在图19所示的示例中，在预测日显示部84A，除了所述的预测日外，还显示综合预测日。综合预测日能够是基于多个部分累计值算出的多个预测日中最早的组合，也能够是包括其它种类的评估值以及可动轴在内的最早的预测日。并且，在距综合预测日的日数比预先设定的日数更近而显示警告的情况下，也能够自动地切换为与综合预测日所记载的日期对应的评估值、频带以及可动轴的组合的画面。在这种情况下，通过添加“切换至显示警告的条件”等的显示，容易使操作者明白画面变化的理由。

这样，机器人维护支援装置5a在每个数据收集单位期间进行根据机器人动作对机器人1的每个可动轴取得驱动电流的电流值时间序列数据的处理。机器人维护支援装置5a对电流时间序列数据的每一个进行频率分析以求出频谱，且对多个预先确定的频带，算出频谱的部分的总和即部分累计值。机器人维护支援装置5a根据预先设定的参考期间内的多个部分累计值，估计每个可动轴的将来的变化趋势。另外，机器人维护支援装置5a根据部分累计值达到预定的阈值为止的预测时间，估计每个可动轴的预测寿命。机器人维护支援装置5a也能够根据达到预测寿命前的时间(日数)而发出警告。发出警告的功能不是必须的组成部分，也能够省略。

上面说明了本申请案的优选实施方式，但所述结构例如能够改变如下。

在使用Ergodic隐马尔可夫模型的情况下，在初期序列与判定用序列中，代表评估值的数量也能够不同。例如，初期序列中的代表评估值数是30，与此相对，能够将判定序列中的代表评估值数设为50。在这种情况下，从第31日至第50日，在序列处理部54每日进行的判定用序列的更新处理中，只追加最新的代表评估值。第51日以后，随着最新的代表评估值的追加，删除最旧的代表评估值。对判定用序列的判定用模型的输入变得能够从第50日开始。若允许判定用序列比通常短，则也能够从第31日开始对判定用序列的判定用模型的输入。

第2实施方式的基于高斯分布的判定用模型，也能够与第5实施方式以及第6实施方式组合。

第3实施方式的DTW算法，也能够与第4实施方式、第5实施方式以及第6实施方式组合。

显示在显示部63的对数似然的曲线，也能够上下颠倒地显示。例如，通过对转换部61输出的对数似然乘以-1并将颠倒了符号后的值输出在显示部63，从而能够基本上实现上下颠倒显示。该值随着2个序列的相似度降低而上升，因此作为显示异常度的值而容易直观地理解。

能够省略转换部61。也就是说，能够以不对判定部55输出的概率进行对数转换的形式与阈值进行比较或显示在显示部63。

机器人故障预兆检测装置5，也能够通过与控制器90相同的硬件来实现。

本说明书公开的元件的功能，能够使用包括以执行所公开的功能的方式构成或编程的通用处理器、专用处理器、集成电路、专用集成电路(ASIC)、常规电路以及/或这些组合的电路或处理电路来执行。处理器因为包括晶体管或其它电路，因此被视作为是处理电路或电路。在本公开中，电路、单元或装置是执行所列举的功能的硬件、或者以执行所列举的功能的方式编程的硬件。硬件能够是在本说明书公开的硬件，或者也能够是以执行所列举的功能的方式被编程或构成的其它已知硬件。在硬件被认为是电路的一种的处理器的情况下，电路、装置或单元是硬件与软件的组合，并且软件被使用于硬件以及/或处理器的构成。

Claims (19)

1.一种机器人故障预兆检测装置，用于检测机器人的故障预兆，其特征在于包括：

行为时间序列数据取得部，其在每个数据收集单位期间进行下述的处理，该处理用于根据机器人动作取得与所述机器人的关节的电机相关的行为时间序列数据；

评估值计算部，其对通过所述行为时间序列数据取得部取得的行为时间序列数据计算评估值；

代表评估值生成部，其在每个所述数据收集单位期间，根据通过所述评估值计算部获得的所述评估值，生成代表所述评估值的代表评估值；

序列处理部，其生成所述代表评估值的序列；以及

判定部，其在机器人的运行初期，根据所述序列处理部生成的序列即初期序列制作判定用模型，在所述运行初期之后将判定用数据输入制作完成的所述判定用模型内，取得所述判定用数据的特异度，所述判定用数据包括基于比该运行初期靠后的机器人动作的数据。

2.根据权利要求1所述的机器人故障预兆检测装置，其中，在所述运行初期之后，所述判定部在每个所述数据收集单位期间，将由多个所述代表评估值构成的判定用序列作为所述判定用数据输入至所述判定用模型，并根据所述判定用模型的输出取得所述特异度，

为了生成所述判定用序列，所述序列处理部利用所述初期序列将所述判定用序列初期化后，在每次生成所述代表评估值时进行所述判定用序列的更新处理，

所述更新处理，包括对更新前的所述判定用序列追加所述数据收集单位期间的所述代表评估值的处理。

3.根据权利要求1所述的机器人故障预兆检测装置，其中，在所述运行初期之后，所述判定部在每个所述数据收集单位期间，仅将一个所述代表评估值作为所述判断用数据输入至所述判定用模型，取得所述判定用模型的输出，并根据在最近的多个所述数据收集单位期间内的所述判定用模型的输出的总乘或总和取得所述特异度。

4.根据权利要求1至3中任一项所述的机器人故障预兆检测装置，其中，所述判定用模型是学习了所述初期序列的隐马尔可夫模型。

5.根据权利要求4所述的机器人故障预兆检测装置，其中，所述隐马尔可夫模型是Ergodic隐马尔可夫模型。

6.根据权利要求2所述的机器人故障预兆检测装置，其中，隐马尔可夫模型也能够是学习了初期序列的Left-to-Right隐马尔可夫模型。所述评估值计算部，以相互不同的方法对由所述行为时间序列数据取得部取得的行为时间序列数据的每一个计算多种类的所述评估值，

所述初期序列构成为按时间顺序排列N个代表评估值的序列，

所述判定用数据构成为按时间顺序排列N个代表评估值的序列。

7.根据权利要求1或2所述的机器人故障预兆检测装置，其中，所述判定用模型是由对高斯分布进行Q次总乘或总和构成，该高斯分布是基于从构成所述初期序列的N个代表评估值求出的标准偏差以及平均值。

8.根据权利要求1至7中任一项所述的机器人故障预兆检测装置，其中，所述评估值为所述行为时间序列数据的均方根、最大值、差值以及频率分析累计值中的任一个。

9.根据权利要求1至8中任一项所述的机器人故障预兆检测装置，其中，所述评估值计算部，对由所述行为时间序列数据取得部取得的行为时间序列数据的每一个，计算与规定的基准行为时间序列数据之间的DTW距离以及DTW距离平均值中的任一个作为所述评估值。

10.根据权利要求1至9中任一项所述的机器人故障预兆检测装置，其中，将输入判定用模型内的代表评估值正规化。

11.根据权利要求1至9中任一项所述的机器人故障预兆检测装置，其中，所述评估值计算部，以相互不同的方法对由所述行为时间序列数据取得部取得的行为时间序列数据的每一个计算多种类的所述评估值，

所述代表评估值生成部在每个所述数据收集单位期间生成多种类的所述代表评估值，

所述判定用模型是能够将多维的序列作为所述初期序列输入的模型。

12.根据权利要求11所述的机器人故障预兆检测装置，其中，所述多种类的评估值包括所述行为时间序列数据的均方根、最大值、差值、频率分析累计值、DTW距离以及DTW距离平均值中的任一个。

13.根据权利要求1至9中任一项所述的机器人故障预兆检测装置，其中，所述评估值计算部，对由所述行为时间序列数据取得部取得的行为时间序列数据的每一个进行频率分析以求出频谱，并对多个预先确定的频带，求出多个所述频谱的部分总和作为所述代表评估值，

所述代表评估值生成部在每个所述数据收集单位期间生成多个所述代表评估值，

所述判定用模型是能够将多维的序列作为所述初期序列输入的模型。

14.根据权利要求11或12所述的机器人故障预兆检测装置，其中，输入至所述判定用模型中的多种类的所述代表评估值中的至少任一个被正规化。

15.根据权利要求1至14中任一项所述的机器人故障预兆检测装置，其中，以成为环境温度的变化周期、为工作周期、或机器人的运行期的整数倍的方式确定数据收集单位期间。

16.根据权利要求1至15中任一项所述的机器人故障预兆检测装置，其中，具有显示部，该显示部显示判定部输出的特异度。

17.根据权利要求1至16中任一项所述的机器人故障预兆检测装置，其中，判定部以进行了对数转换的形式输出特异度。

18.根据权利要求1至17中任一项所述的机器人故障预兆检测装置，其中，具有警报产生部,在判定部输出的特异度偏离规定的范围的情况下，警报产生部发出故障预兆的警报。

19.一种机器人故障预兆检测方法，用于检测机器人的故障预兆，其特征在于，该机器人故障预兆检测方法包括下面的工序:

行为时间序列数据取得工序，在所述行为时间序列数据取得工序中，在每个数据收集单位期间进行下述的处理，该处理用于根据机器人动作取得与所述机器人的关节的电机相关的行为时间序列数据；

评估值计算工序，在所述评估值计算工序中，对通过所述行为时间序列数据取得工序取得的行为时间序列数据计算评估值；

代表评估值生成工序，在所述代表评估值生成工序中，在每个所述数据收集单位期间，根据在所述评估值计算工序中获得的所述评估值，生成代表所述评估值的代表评估值；

序列处理工序，在所述序列处理工序中，生成所述代表评估值的序列；

模型制作工序，在所述模型制作工序中，在所述机器人的运行初期，根据在所述序列处理工序中生成的序列即初期序列制作判定用模型；以及

判定工序，在所述判定工序中，在所述运行初期之后，将判定用数据输入制作完成的所述判定用模型内，取得所述判定用数据的特异度，所述判定用数据包括基于比该运行初期靠后的机器人动作的数据。