JP6943332B2 - 異常検出装置及び異常検出方法 - Google Patents

Description

本発明は、異常検出装置及び異常検出方法に関するものである。

従来においては、振動センサの検出情報を処理してロボットが危険状態であるか否かを判断する技術が開示されている。

特開平０６−３２０４５７号公報

ところで、ロボットなどの機器は正常であっても、将来故障になる予兆として異常を示すことがある。同程度の異常が生じている機器であっても、故障になるまでの時間は、機器が作業を行う作業速度によって変わる。作業速度が速い場合は、故障になるまでの時間は短い。

よって、作業速度が速い場合は、小さい異常を検出して、機器の故障を早期に予測する必要がある。すなわち、機器が一定の作業を行うのに要する作業時間が短い（作業速度が速い）場合は、機器の故障を早期に予測する必要がある。一方、作業時間が長い（作業速度が遅い）と、故障になるまでの時間が長いので、例えば、作業時間が短い場合と同様の方法で故障を早期に予測してしまうと、機器の異常検知が早すぎてしまう問題がある。

本発明は、上記課題に鑑みて成されたものであり、その目的は、機器が一定の作業を行う作業時間の長さに応じた判定基準によって機器の異常を検出できる異常検出装置及び異常検出方法を提供することである。

本発明の一態様に係わる異常検出装置は、機器において検出された振動に関するデータと所定の閾値とを比較することにより、機器の異常を判断し、機器が一定の作業を行うのに要する作業時間の長さに応じて閾値を変化させる。

本発明によれば、機器が一定の作業を行う作業時間の長さに応じた判定基準によって機器の異常を検出できる。

図１は、第１実施例の異常検出装置を含むシステムの構成を示す図である。 図２は、作業ロボット２におけるセンサ２３の配置例を示す図である。 図３は、第１実施例の記憶部１７が記憶する情報を示す図である。 図４は、作業ロボット２が正常なときの加速度の周波数特性Ｕを示す図である。 図５は、作業ロボット２が正常なときの加速度の平均値の周波数特性Ｕ’と分散値の周波数特性δ^２を示す図である。 図６は、演算処理部１３の概略構成を示すブロック図である。 図７は、第１実施例における演算処理部１３の処理の流れを示すフローチャートである。 図８は、作業ロボット２が作業しているときの加速度の周波数特性Ｘを示す図である。 図９は、作業ロボット２が作業しているときの加速度の平均値の周波数特性Ｘ’を示す図である。 図１０は、（Ｘ’−Ｕ’）^２の周波数特性を示す図である。 図１１は、（Ｘ’−Ｕ’）^２／δ^２の周波数特性を示す図である。 図１２は、計測結果１４０の表示例を示す図である。 図１３は、第２実施例の記憶部１７が記憶する情報を示す図である。 図１４は、第２実施例における演算処理部１３の処理の流れを示すフローチャートである。 図１５は、第３実施例の記憶部１７が記憶する情報を示す図である。 図１６は、第３実施例における演算処理部１３の処理の流れを示すフローチャートである。

図面を参照して、実施形態を説明する。図面の記載において同一部分には同一符号を付して説明を省略する。

以下の実施形態では、例えば自動車を組み立てる多軸機械である作業ロボット（溶接ロボットなど）の機器の異常を検出する技術について説明する。

作業ロボットなどの機器を用いる生産ラインにおいて作業速度を速くするには、以下の（１）と（２）の方法の一方又は両方を実施する。（１）の方法は、所定の作業を行うのに要する作業時間の長さ（以下、作業時間長という）を短くするというものである。（２）の方法は、作業と次の作業の間に休止する休止時間の長さ、すなわち作業の前に機器が休止する休止時間の長さ（以下、休止時間長という）を短くするというものである。例えば作業ロボットが溶接ロボットである場合、例えば作業時間長は５０秒程度、休止時間長は５〜１０秒程度である。休止時間は、溶接する部品などの交換時間を含む。

ところで、機器は、作業を実行できたとしても、将来故障になる予兆として異常を示すことがある。異常の程度は時間経過とともに増加し、やがては故障になることがある。同程度の異常が生じている機器であっても、故障になるまでの時間は、作業速度によって変わる。作業速度が速い場合は、故障になるまでの時間は短い。

よって、実施形態では、作業速度が速い場合は、小さい異常を検出して、機器の故障を早期に予測する。すなわち、作業時間長が短い場合や休止時間長が短い場合は、小さい異常を検出して、機器の故障を早期に予測する。なお、機器が故障するとは、機器の機能が発揮されない場合に限らず、機器が故障になる可能性が非常に高まった状態や、異常の発生頻度が非常に高まった状態を故障と定義してもよい。

（第１実施例）
図１は、第１実施例の異常検出装置を含むシステムの構成を示す図である。
異常検出装置１は、機器の異常を検出するもので、例えば自動車等を組み立てる多軸機械である作業ロボット２を機器として、その異常を検出する。すなわち故障を予測する。異常検出装置１と作業ロボット２は生産現場３内に設けられ、異常検出装置１は通信回線４を介してコンピュータ５に接続される。

作業ロボット２は、作業ロボット２の回転機構（例えばモータであり、以下、モータ２１という）とモータ２１のトルクを高いトルクに変換して作業ロボット２のアーム等で荷重の大きなものを動かすための機構（例えば減速機であり、以下、減速機２２という）を備える機器である。減速機２２もモータ２１と同様に回転機構と言うことができる。作業ロボット２は、所定の作業Ａを繰り返し行う。

減速機２２の近傍の部位には、例えば、この部位の振動を検出する振動センサとして、減速機２２の近傍の部位の加速度を検出するセンサ２３が配置される。センサ２３は、センサ２３が配置された部位の加速度を表す波形を生成し、この波形を所定のサンプリング周期でサンプリングして加速度信号Ｍ１を出力する。なお、センサ２３を３つ配置して、互いに直交する３方向それぞれの加速度について加速度信号Ｍ１を出力してもよい。また、センサ２３としては、加速度を検出するセンサに限らず、配置された部位の速度や変位を検知することによって振動の大きさを検出できるセンサを使用してもよい。例えば、圧電センサ、角速度センサ、ジャイロセンサなど、姿勢の変化を時系列で取得可能な種々のセンサを用いることができる。

図２は、作業ロボット２におけるセンサ２３の配置例を示す図である。
作業ロボット２は、例えば、３つの回転軸２０１を備え、それぞれにモータ２１と減速機２２が設けられている。センサ２３は、例えば、その中の１つの回転軸２０１に設けられた減速機２２の近傍に配置される。回転軸２０１同士はアーム２０２によって接続される。すなわち、モータ２１と減速機２２をアーム２０２の駆動部とすれば、作業ロボット２は、モータ２１を含む駆動部と、駆動部により駆動されるアーム２０２を備えると言うことができる。

図１に戻り、説明を続ける。
異常検出装置１は、情報取得部１１、センサ制御部１２、演算処理部１３、表示部１４、音声出力部１５、通信部１６及び記憶部１７を備える。

異常検出装置１は、ＣＰＵ（中央処理装置）、メモリ、及び入出力部を備える汎用のマイクロコンピュータを含む。マイクロコンピュータには、異常検出装置として機能させるためのコンピュータプログラム（異常検出プログラム）がインストールされている。コンピュータプログラムを実行することにより、マイクロコンピュータは、異常検出装置が備える複数の情報処理回路（１１〜１３、１６）として機能する。なお、ここでは、ソフトウェアによって異常検出装置が備える複数の情報処理回路（１１〜１３、１６）を実現する例を示すが、もちろん、以下に示す各情報処理を実行するための専用のハードウェアを用意して、情報処理回路（１１〜１３、１６）を構成することも可能である。また、複数の情報処理回路（１１〜１３、１６）を個別のハードウェアにより構成してもよい。

情報取得部１１は、作業ロボット２から異常を検出するのに必要な作業データを取得し、記憶部１７に記憶させる。作業データについては後述する。

センサ制御部１２は、モータ２１の動作に伴い、減速機２２が動作するとき、センサ２３に加速度を検出させる。そして、センサ制御部１２は、減速機２２の加速度を示す加速度信号Ｍ１をセンサ２３から受信し、演算処理部１３に転送する。

演算処理部１３は、加速度信号Ｍ１に基づいて、作業ロボット２の異常を検出する制御部である。演算処理部１３は、加速度信号Ｍ１（検出した振動）に関するデータを算出し、振動に関するデータに基づいて、作業ロボット２（機器）の異常を検出する。具体的には、振動に関するデータと所定の閾値ＴＨを比較することにより機器の異常を判断する。つまり、振動に関するデータが閾値ＴＨより大きい場合は、作業ロボット２が異常であると判定する。すなわち故障が予測されると判断する。振動に関するデータは、閾値ＴＨの比較対象であるから、以下、比較対象値という。

そして、演算処理部１３（制御部）は、作業ロボット２が一定の作業を行うのに要する作業時間の長さ（以下、作業時間長Ｔという）に応じて閾値ＴＨを変化させる。

また、演算処理部１３（制御部）は、作業ロボット２が作業Ａと次の作業Ａの間に休止する休止時間の長さ、すなわち作業Ａの前に作業ロボット２が休止する休止時間の長さ（以下、休止時間長Ｒという）に応じて閾値ＴＨを変化させる。

表示部１４は、作業時間長Ｔ、休止時間長Ｒ、機器が作業を行う速度である作業速度（以下、ライン速度という）、閾値ＴＨ（以下、これらを総称して計測結果１４０という）をリアルタイムに表示するもので、例えば、液晶モニタである。
なお、ライン速度（作業速度）は、作業時間長Ｔや休止時間長Ｒに応じて変化する。つまり、作業時間長Ｔが長いほどライン速度（作業速度）は遅くなる。また、休止時間長Ｒが長いほどライン速度（作業速度）は遅くなる。逆に作業時間長Ｔが短いほどライン速度（作業速度）は速くなる。また、休止時間長Ｒが短いほどライン速度（作業速度）は速くなる。

通信部１６は、計測結果１４０を遠隔地（外部）のコンピュータ５に送信するためのもので、例えば有線ＬＡＮのルータや無線（ＷｉＦｉなど）のルータである。

記憶部１７は、情報取得部１１が取得した作業データを含め、作業ロボット２の異常を検出するのに必要な情報を記憶する。

図３は、第１実施例における記憶部１７が記憶する情報を示す図である。
記憶部１７は、情報取得部１１が取得した作業データに含まれる作業時間長Ｔと休止時間長Ｒを記憶する。また、異常を検出するのに必要なその他の情報として、作業時間長Ｔと休止時間長Ｒから閾値ＴＨを求めるための基準値ａ及び補正値ｘ（定数）、作業ロボット２が正常なときの加速度信号Ｍ１から求めた正常モデルＰを記憶する。

作業ロボット２が正常であるとは、作業ロボット２が故障してなく、且つ異常も発生していない状態をいう。

作業時間長Ｔと休止時間長Ｒは、作業ロボット２に設定されるもので、生産現場３の作業員などによって、長くする又は短くすることが可能である。演算処理部１３は、作業時間長Ｔと休止時間長Ｒを作業ロボット２から取得して、記憶部１７に格納する。なお、作業時間長Ｔと休止時間長Ｒを含む作業データは、作業ロボット２でなく、作業ロボット２を動作させるためのデータに格納されている場合もある。

正常モデルＰは、作業ロボット２が正常なときの加速度信号Ｍ１を１つ以上用いて生成されるもので、加速度信号Ｍ１の周波数特性における加速度の平均値、中央値、最大値、最小値、分散値などから構成される。また、加速度信号Ｍ１のような時系列データのモデル化手法の１つであるＡＲモデルを正常モデルとして採用してもよい。さらに、図示しない機械学習部が加速度信号Ｍ１について機械学習を行うことにより正常モデルＰの生成を行ってもよい。具体的には、機械学習部は、作業ロボット２が正常であるときの加速度信号Ｍ１を機械学習し、加速度信号Ｍ１の上述した所定の特徴を抽出することによって、正常モデルＰを生成し、これを記憶部１７に記憶させる。機械学習部は、例えば、ディープラーニングにより上記学習を行ってもよく、強化学習による学習を行ってもよい。

なお、記憶部１７には、作業ロボット２が正常なときの加速度信号Ｍ１が１つ以上格納され、正常モデルＰを生成するのに使用される。

ここで、図を用いて、正常モデルＰの具体例について説明する。
図４において、符号Ｕは、作業ロボット２が正常なときの加速度信号Ｍ１の周波数特性とする。横軸は周波数であり、縦軸は加速度である。この周波数特性において、符号ｂで示す範囲の加速度（値）の平均値と分散値を算出し、範囲を周波数の軸（横軸）に沿って移動しながら繰り返す。異なる範囲同士が一部重複してもよい。すなわち、時間によって細かく変動する周波数を緩やかな変化として捉えることができる。

または、一般的な「移動平均」のように、符号ｂの範囲の周波数特性を算出し、次に符号ｂの範囲を周波数の軸（横軸）に沿って移動し、周波数特性を積算し、その平均値や分散値を算出してもよい。

これにより、図５に示すように、算出した平均値の周波数特性Ｕ’と、算出した分散値の周波数特性δ^２が得られる。記憶部１７は、このような周波数特性Ｕ’と周波数特性δ ^２を正常モデルＰとして記憶する。

図５に示すように、周波数特性Ｕ’において平均値が高い周波数では、周波数特性δ^２においても分散値が高くなる傾向にある。しかし、特定の周波数では平均値が高いにも関わらず分散値が低く、この周波数では値の信頼性が高いと言える。また、別の特定の周波数では、平均値が低いにも関わらず分散値が高く、この周波数では値の信頼性が低いと言える。
なお、検出する異常の種類に応じて正常モデルＰの周波数範囲を限定してもよい。

また、正常モデルＰは、作業ロボット２が正常なときの加速度信号Ｍ１を取得する度に、取得した加速度信号Ｍ１を用いて更新してもよい。

図１に戻り、説明を続ける。

コンピュータ５は、作業ロボット２を遠隔地等で監視する監視員や保全員に使用されるもので、計測結果１４０を受信して表示し、監視員などに対して、異常検出の結果などを画像、音や音声、振動などで提示する。

図６は、演算処理部１３の概略構成を示すブロック図である。
演算処理部１３は、正常モデル生成部１３１、周波数特性算出部１３２、異常判定部１３３及び計測結果出力部１３４を備える。

正常モデル生成部１３１は、正常モデルＰを生成し、記憶部１７に格納する。

周波数特性算出部１３２は、センサ制御部１２から、作業ロボット２が作業Ａを行っているときの加速度信号Ｍ１を取得し、加速度信号Ｍ１の周波数特性ＸをＦＦＴ（Fast Fourier Transform）などにより算出する。

異常判定部１３３は、算出した周波数特性Ｘと、記憶部１７から読み出した情報により作業ロボット２が異常か否かを判定する。すなわち、異常判定部１３３は、作業ロボット２の異常を検出する。

計測結果出力部１３４は、計測結果１４０を表示部１４に表示する。また、作業ロボット２が異常の場合にアラーム音や振動を音声出力部１５から発生させる。また、計測結果１４０を通信部１６に出力する。

図７は、第１実施例における演算処理部１３の処理の流れを示すフローチャートである。
まず、正常モデル生成部１３１は、記憶部１７に正常モデルＰが格納されているか否かを判定し（Ｓ１）、格納されていない場合は（Ｓ１：ＮＯ）、記憶部１７に格納された加速度信号Ｍ１を使用して正常モデルＰを生成し、記憶部１７に格納する（Ｓ３）。

周波数特性算出部１３２は、ステップＳ３の実行後、又は、記憶部１７に正常モデルＰが格納されている場合は（Ｓ１：ＹＥＳ）、センサ制御部１２から、作業ロボット２が作業Ａを１回行っているときの加速度信号Ｍ１を取得する（Ｓ５）。

作業ロボット２は正常に作業Ａを実行していても、将来故障となる可能性があるので、将来故障となる可能性があるか否かを、すなわち異常か否かを、取得した加速度信号Ｍ１によって判定する。

まず、周波数特性算出部１３２は、取得した加速度信号Ｍ１の周波数特性Ｘを算出する（Ｓ７）。なお、周波数特性Ｘは、正常モデルと同様に、検出する異常の種類に応じた周波数範囲に限定してもよい。

次に、異常判定部１３３は、記憶部１７から正常モデルＰを読み出し、周波数特性Ｘと正常モデルＰとにより、比較対象値Ｓを算出する（Ｓ９）。

ここで、図を用いて、比較対象値Ｓを算出する方法の一例について説明する。

図８において、符号Ｘは、ステップＳ７で算出した周波数特性Ｘとする。横軸は周波数であり、縦軸は加速度である。この周波数特性Ｘにおいて、図５と同様に、符号ｂ（図８）で示す範囲の加速度（値）の平均値を算出し、範囲を周波数の軸（横軸）に沿って移動しながら繰り返す。異なる範囲同士が一部重複してもよい。または、一般的な「移動平均」のように、符号ｂの範囲の周波数特性を算出し、次に符号ｂの範囲を周波数の軸（横軸）に沿って移動し、周波数特性を積算し、その平均値や分散値を算出してもよい。

これにより、図９に示すように、算出した平均値の周波数特性Ｘ’が得られる。

次に、観測値の周波数特性Ｘ’と基準値の正常モデルＰの周波数特性Ｕ’とを用いて、図１０に示すように、（Ｘ’−Ｕ’）^２の周波数特性を算出する。このようにＸ’−Ｕ’を２乗することで、Ｕ’＞Ｘ’の場合でもプラス値が得られ、プラス値とマイナス値が相殺されるのを防止する。

なお、（Ｘ’−Ｕ’）^２の周波数特性は、図５の説明で信頼性が低いとした周波数の成分が含まれており、信頼性が低い。

次に、この周波数特性と正常モデルＰの周波数特性δ^２とを用いて、図１１に示すように、（Ｘ’−Ｕ’）^２／δ^２の周波数特性を算出する。すなわち異常度を（Ｘ’−Ｕ’） ^２／δ^２と定義して、その周波数特性を算出する。異常値は作業ロボット２が正常なときの値との差異とも言える。

このように、周波数特性δ^２を用いて、（Ｘ’−Ｕ’）^２の周波数特性を補正することにより、図５の説明で信頼性が低いとした周波数の成分が低減し、（Ｘ’−Ｕ’）^２／δ ^２の周波数特性の信頼性を高めることができる。よって、後述の処理による異常検出の精度を高めることができる。

次に、（Ｘ’−Ｕ’）^２／δ^２の周波数ごとの値（異常値）を積算した値（積算値）を算出し、この積算値を比較対象値Ｓとする。なお、比較対象値Ｓを算出する周波数範囲を限定してもよい。例えば、高周波帯で比較対象値Ｓを算出してもよい。また、（Ｘ’−Ｕ’）^２／δ^２における所定の周波数範囲の積分値を比較対象値Ｓとしてもよい。

また、互いに直交する３方向の加速度について加速度信号Ｍ１を受信した場合は、上記のように算出した各比較対象値Ｓの合計値を比較対象値Ｓとしてもよい。

すなわち、演算処理部１３は、作業ロボット２の異常判定に際して検出した振動の周波数特性である第１周波数特性（Ｘ）を算出する。そして、作業ロボット２が正常なときの振動の周波数特性である第２周波数特性（Ｕ）と第１周波数特性（Ｘ）との差に応じた値を比較対象値とする。

また、演算処理部１３は、第１周波数特性（Ｘ）における値の平均値（Ｘ’）と第２周波数特性（Ｕ）における値の平均値（Ｕ’）との差の平方値、すなわち（Ｘ’−Ｕ’）^２に応じた値を比較対象値とする。

また、演算処理部１３は、平方値を、第２周波数特性の分散値（δ^２）で補正した値に応じた値を比較対象値とする。

図７に戻り、説明を続ける。
異常判定部１３３は、記憶部１７から、作業時間長Ｔ、休止時間長Ｒ、基準値ａ及び補正値ｘを読み出し（Ｓ１０）、次の式により、閾値ＴＨを算出する（Ｓ１１）。
ＴＨ＝ａ×Ｔ×Ｒ＋ｘ

この式に示すように、異常判定部１３３は、作業時間長Ｔが短いほど閾値ＴＨが小さくなるように閾値ＴＨを算出する。つまり、作業時間長Ｔに反比例する、１回の作業Ａを行うときの作業速度が速いほど閾値ＴＨを小さくする。また、繰り返し行われる作業Ａの全体の作業速度（ライン速度）が速いほど閾値ＴＨを小さくする。

そして、さらに、この式に示すように、異常判定部１３３は、休止時間長Ｒが短いほど閾値ＴＨが小さくなるように閾値ＴＨを算出する。つまり、休止時間長Ｒが短いほど閾値ＴＨを小さくすることで、ライン速度が速いほど閾値ＴＨを小さくする。

なお、作業データにライン速度と作業時間長Ｔを含め、ライン速度と作業時間長Ｔから休止時間長Ｒを算出してもよい。または、作業データにライン速度と休止時間長Ｒを含め、ライン速度と休止時間長Ｒから作業時間長Ｔを算出してもよい。また、閾値を求める式は、上記式のような一次式に限らず、作業時間長Ｔが短いほど閾値が小さくなり、休止時間長Ｒが短いほど閾値が小さくなる式であればよい。すなわち、ライン速度が速いほど閾値が小さくなる式であればよい。また、作業時間長Ｔ、休止時間長Ｒ、及び作業速度の全てを用いて閾値ＴＨを設定する必要はなく、作業時間長Ｔ、休止時間長Ｒ、及び作業速度の少なくとも１つに基づいて閾値ＴＨを設定すればよい。

次に、異常判定部１３３は、比較対象値Ｓが閾値ＴＨより大きいか否かを判定する（Ｓ１３）。すなわち、比較対象値Ｓが異常を表す値であるとして、比較対象値Ｓにより異常の程度を判定する

異常判定部１３３は、比較対象値Ｓが閾値ＴＨより大きい場合は（Ｓ１３：ＹＥＳ）、作業ロボット２に将来故障が生じる、すなわち作業ロボット２が異常である判断する。これを作業員などに報知すべく、計測結果出力部１３４がアラーム音や振動を音声出力部１５から発生させる（Ｓ１５）。

比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ１３：ＮＯ）、異常でない、すなわち故障の予兆がないと判断する。
ステップＳ１５の実行後、又は、比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ１３：ＮＯ）、ステップＳ１７に進む。

このように、異常判定部１３３は、比較対象値Ｓに基づいて、機器が故障となる予兆として異常を検出する。すなわち、比較対象値Ｓが閾値ＴＨより大きい場合、機器が異常であると判断する。そして、作業時間長Ｔに応じて閾値ＴＨを変化させる。

なお、作業時間長Ｔと休止時間長Ｒの合計を作業時間長（以下、作業時間長ＴＲという）として考えれば、休止時間長Ｒに応じて閾値ＴＨを変化させることは、作業時間長ＴＲに応じて閾値ＴＨを変化させることであると言うことができる。よって、作業時間の長さ（Ｔ又はＴＲ）に応じた判定基準によって機器の異常を検出できる。

また、異常判定部１３３は、作業時間長（Ｔ又はＴＲ）が短いほど、すなわちライン速度（作業速度）が速いほど閾値ＴＨを小さくする。よって、比較対象値Ｓが比較的小さい時期すなわち早期に、機器の故障を予測できる。つまり、機器が故障するまでの時間が短くても、機器を迅速に停止させるなどして機器を保全できる。また、特定の故障のみにおいて作業速度が速いほど故障になるまでの時間が短い場合は、そのような故障が発生することを予測できる。

計測結果出力部１３４は、ステップＳ１７では、作業時間長Ｔ、休止時間長Ｒ、ステップＳ１５の判定結果（異常検出の結果）、閾値ＴＨなどを含む計測結果１４０を表示部１４に表示する（Ｓ１７）。また、計測結果１４０を通信部１６に出力する。

通信部１６は、計測結果１４０をコンピュータ５に送信する（Ｓ１７）。コンピュータ５は、計測結果１４０を表示する。また、作業ロボット２が異常である場合は、音や音声、振動を発生する。監視員や保全員は、計測結果１４０や発生音などにより、作業ロボット２に異常があるか否かを知ることができる。

次に、異常検出装置１に対して、生産現場３の作業員などが処理終了の操作を行ったか否かを判定し（Ｓ１９）、操作が行われてない場合は、ステップＳ１に戻り、操作が行われた場合は処理を終了する。

図１２は、計測結果１４０の表示例を示す図である。表示部１４とコンピュータ５は、例えば、計測結果１４０を図１２に示すように画像で表示する。

表示部１４やコンピュータ５の表示領域に、計測結果１４０として、作業時間長Ｔ、休止時間長Ｒ、閾値ＴＨが表示される。また、例えば、ステップＳ１３で比較対象値Ｓが閾値ＴＨ以下と判定された場合には、作業ロボット２が正常であることを示す表示情報１４１が表示される。なお、ステップＳ１３で比較対象値Ｓが閾値ＴＨより大きいと判定された場合には、作業ロボット２が異常であることを示す表示情報１４１が表示される。作業ロボット２が正常な場合は、正常であることを示す表示情報が表示される。

また、閾値ＴＨを実際の作業時間長Ｔと休止時間長Ｒを用いず、基準となる一定の作業時間長と休止時間長を用いて求めた閾値を示す表示情報１４２が表示される。この閾値を補正前の閾値とすると、閾値ＴＨは補正後の閾値ということができる。

また、ライン速度を示す表示情報１４３が表示される。ライン速度は、例えば、基準のライン速度を１００％とした場合のパーセンテージで表示される。また、作業ロボット２のアームの角度の経過時間ごとの値を示す表示情報１４４が表示される。また、作業Ａの作業種別（例えば作業Ａで製造する車両の車種）を示す表示情報１４５が表示される。

以上のように、第１実施例の異常検出装置１は、機器（２）において検出された振動に関するデータ（比較対象値Ｓ）に基づいて、機器の異常を検出する制御部（演算処理部１３）を備える。演算処理部１３は、検出した振動に関するデータ（Ｓ）と所定の閾値ＴＨとを比較することにより、機器の異常を判断する。そして、機器が一定の作業を行う作業時間の長さ（Ｔ、ＴＲ）に応じて閾値ＴＨを変化させる。よって、同じ比較対象値Ｓでも機器が異常であるか否かは作業時間の長さによって変わり、すなわち、作業時間の長さに応じた判定基準によって機器の異常を検出できる。また、作業時間の長さに応じて閾値ＴＨを変化させるので、異常検出の精度を高めることができる。

さて、第１実施例とは異なる異常検出の方法として次のようなものがある。例えば、ロボットが動作しているときのセンサの出力に対し周波数分析を行って得た周波数スペクトラム又はその時間的変化のパターンを、標準の周波数スペクトラム又はその時間的変化のパターンと照合して異常を検出するというものである。この異常検出方法では、差異の検出が面倒で、作業内容に基づく異常判定の理由がわかりにくいという課題が発生する。しかし、第１実施例及び以下の実施例ではそのような照合の必要がなく、この課題を解決できる。

また、異常が検出されたということは、機器の故障が予測されたことになるので、作業時間の長さに応じて故障予測のタイミングを変えることができる。すなわち故障するまでの時間が短い場合は予測のタイミングを早くし、故障するまでの時間が長い場合は予測のタイミングを遅くできる。予測のタイミングを早くすることで余裕をもって機器の保全（機器の修理など）を行うことができる。つまり、作業時間が短い（作業速度が速い）場合は、早期に異常を検出できる。逆に作業時間が長い（作業速度が遅い）場合は、異常検出のタイミングが遅くなり、異常検出が早すぎるという不都合を防止できる。また、異常検出装置１が行う上記の異常検出方法によっても同様に作業時間の長さに応じた判定基準によって機器の異常を検出できる。

演算処理部１３は、作業時間の長さを示す作業時間長Ｔ、機器が休止する休止時間の長さを示す休止時間長Ｒ、及び機器が作業を行う速度である作業速度の少なくとも１つに基づいて、閾値ＴＨを設定する。よって、例えば、休止時間長Ｒを変えずに作業速度を変えることにより作業時間長Ｔが変わる場合、作業速度を変えずに休止時間長Ｒを変えることにより作業時間長Ｔが変わる場合、作業時間長Ｔを変えずに休息時間長Ｒを変えることにより作業速度が変わる場合のそれぞれに対応することができる。

また、機器（２）は回転機構（２１、２２）を含み、演算処理部１３は、振動に関するデータ（Ｓ）を、機器に取り付けられた振動センサ（２３）が出力する信号から算出する。よって、回転機構を含む機器について作業時間の長さに応じた判定基準によって機器の異常を検出できる。

また、演算処理部１３は、作業時間（Ｔ、ＴＲ）が短いほど閾値を小さくするので、作業時間が短いほど故障するまでの時間が短い場合において、そのような故障の予兆として異常を検出でき、検出の精度を高めることができる。

また、演算処理部１３は、作業の前に機器が休止する休止時間（Ｒ）が短いほど閾値を小さくするので、作業時間長Ｔが一定であっても、休止時間（Ｒ）が短い場合は閾値が小さくなる。その結果、休止時間（Ｒ）が短いほど故障するまでの時間が短い場合において、そのような故障の予兆として異常を検出でき、検出の精度を高めることができる。

また、演算処理部１３は、作業時間の長さ（Ｔ、ＴＲ）を含む作業データを取得し、機器に取り付けられた振動センサ（２３）が出力する信号から、振動に関するデータを算出し、作業データに含まれる作業時間の長さにより算出した閾値と、算出した振動に関するデータとに基づいて機器が異常か否かを判定する。よって、作業時間の長さによって故障するまでの時間が異なる場合において、そのような故障の予兆として異常を検出でき、検出の精度を高めることができる。

また、演算処理部１３は、作業速度（ライン速度）が速いほど閾値を小さくするので、作業時間長Ｔや休止時間長Ｒが一定でも、作業速度（ライン速度）が速い場合は閾値が小さくなる。その結果、作業速度（ライン速度）が速いほど故障するまでの時間が短い場合において、そのような故障の予兆として異常を検出でき、検出の精度を高めることができる。

すなわち、作業速度を変えて作業時間（ＴＲ）を短縮した場合、作業速度を変えずに休止時間（Ｒ）を長くして、作業時間（Ｔ）を短縮した場合、作業と作業の間の休止時間の長さを変えた場合のそれぞれにおいて、作業時間の長さに応じた判断基準によって機器の異常を検出できる。

演算処理部１３は、検出した機器の振動の周波数特性である第１周波数特性（Ｘ）を算出し、機器が正常なときの機器の振動の周波数特性である第２周波数特性（Ｕ）と第１周波数特性（Ｘ）との差に応じた値を比較対象値Ｓ（振動に関するデータ）とする。よって、周波数特性の差に基づき、異常検出を行え、よって異常検出の精度を高めることができる。

また、演算処理部１３は、観測値である第１周波数特性（Ｘ）における値の平均値（Ｘ’）と基準値である第２周波数特性（Ｕ）における値の平均値（Ｕ’）との差の平方値、すなわち（Ｘ’−Ｕ’）^２に応じた値を比較対象値Ｓ（振動に関するデータ）とする。よって、第１周波数特性と第２周波数特性の差についてプラス値とマイナス値が相殺されるのを防止でき、よって異常検出の精度を高めることができる。

また、演算処理部１３は、平方値を、第２周波数特性の分散値（δ^２）で補正した値に応じた値を比較対象値Ｓ（振動に関するデータ）とする。よって、周波数波形のフィッティングに比べ計算の負荷が低く、処理時間を短縮でき、しかも、統計学を用いて異常検出の精度を高めることができる。

また、演算処理部１３は、比較対象値（振動に関するデータ）が閾値より大きい場合に、機器が異常であることを報知する（Ｓ１５、Ｓ１７）。よって、生産現場の作業員や機器を監視する監視員や保全員は、機器が異常である、すなわち故障が予測されたことを知ることができ、機器の保全を行うことができる。

また、機器は、回転機構（２１、２２）を含む駆動部と駆動部により駆動されるアーム（２０２）とを備えるので、このような機器について作業時間の長さに応じた判定基準によって異常を検出できる。

（第２実施例）
次に、第２実施例について説明する。ここでは、第１実施例との違いを主に説明し、同一又は類似の内容については重複となるので説明を省略する。

第２実施例では、作業Ａの内容が、作業の種別（作業種別という）によって変わる場合について説明する。例えば、ある作業種別では、作業Ａにおいて、作業ロボット２のアームの移動が無く、溶接作業を行う。また、ある作業種別では、作業Ａにおいて、作業ロボット２はチップドレス作業を行う。作業種別は、予め作業ロボット２に設定され、作業ロボット２から取得可能であることとする。

図１３は、第２実施例の記憶部１７が記憶する情報を示す図である。
例えば、作業種別として、作業種別Ｃ１、Ｃ２及びＣ３があるとする。そして、作業時間長Ｔと休止時間長Ｒの組み合わせは、作業種別ごとに異なることとする。つまり異なる作業種別では、作業時間長Ｔと休止時間長Ｒの少なくとも一方が相違する。これにより、異なる作業種別では、加速度信号Ｍ１の周波数特性が相違する。よって、異なる作業種別では、正常モデルが相違する。また、異なる作業種別では、閾値ＴＨも相違する。

記憶部１７は、作業種別Ｃ１に対応づけて、作業種別Ｃ１の作業の場合の正常モデルＰ１を記憶している。また、作業種別Ｃ２に対応づけて、作業種別Ｃ２の作業の場合の正常モデルＰ２を記憶している。また、作業種別Ｃ３に対応づけて、作業種別Ｃ３の作業の場合の正常モデルＰ３を記憶している。正常モデルＰ１、Ｐ２、Ｐ３はそれぞれ、対応する作業種別に応じた閾値ＴＨ１、ＴＨ２、ＴＨ３を含んでいる。

また、第１実施例と同様に、各閾値は作業時間長Ｔが短いほど小さくなっている。また、各閾値は休止時間長Ｒが短いほど小さくなっている。

なお、作業種別が複数の要素の組み合わせによって決まる場合は、組み合わせごとに識別番号を設定し、識別番号に対応づけて正常モデル（閾値を含む）を記憶すればよい。作業種別を決める要素としては、機器である作業ロボットにおけるアームの移動の有無、アームの停止状態、作業ロボットによる溶接作業、作業ロボットによるチップドレス作業などがある。

例えば、作業ロボット２によって製造する自動車の車種によって作業種別が変わる場合は、作業種別としての車種に対応づけて正常モデル（閾値を含む）を記憶してもよい。
また、作業種別の数は、２又は４以上でもよい。

図１４は、第２実施例における演算処理部１３の処理の流れを示すフローチャートである。
まず、正常モデル生成部１３１は、全ての作業種別について正常モデルが記憶部１７に格納されているか否かを判定する（Ｓ３１）。そして、少なくとも一部が格納されていない場合は（Ｓ３１：ＮＯ）、記憶部１７に格納された加速度信号Ｍ１を使用して正常モデルを生成し、記憶部１７に格納する（Ｓ３３）。生成した正常モデルには閾値ＴＨが含まれる。

周波数特性算出部１３２は、ステップＳ３３の実行後、又は、記憶部１７に正常モデルが全て格納されている場合は（Ｓ３１：ＹＥＳ）、センサ制御部１２から作業ロボット２が作業Ａを１回行っているときの加速度信号Ｍ１を取得する（Ｓ３５）。

次に、周波数特性算出部１３２は、取得した加速度信号Ｍ１の周波数特性Ｘを算出する（Ｓ３７）。

次に、異常判定部１３３は、作業ロボット２がこれから行う作業Ａの作業種別を作業ロボット２から取得し（Ｓ３８）、取得した作業種別に対応する正常モデルを記憶部１７から読み出す（Ｓ３９）。なお、作業種別は、作業ロボット２を動作させるためのデータから取得してもよい。

次に、異常判定部１３３は、読み出した正常モデルから閾値（以下、閾値ＴＨという）を取り出す（Ｓ４１）。

次に、異常判定部１３３は、ステップＳ３７で算出した周波数特性ＸとステップＳ３９で読み出した正常モデルとにより、第１実施例と同様に比較対象値Ｓを算出する（Ｓ４３）。

次に、異常判定部１３３は、比較対象値ＳがステップＳ４１で取り出した閾値ＴＨより大きいか否かを判定する（Ｓ４５）。すなわち、作業ロボット２が異常か否かを判定する。

閾値ＴＨは作業種別に応じて変化するので、異常判定部１３３は、作業種別に応じて閾値を変化させると言うことができる。また、異常判定部１３３は、予め記憶部１７に記憶した複数の閾値から演算処理部１３が使用する閾値を選択して使用するとも言える。

異常判定部１３３は、比較対象値Ｓが閾値ＴＨより大きい場合は（Ｓ４５：ＹＥＳ）、作業ロボット２の故障が予測される、すなわち作業ロボット２が異常であると判断し、これを作業員などに報知すべく、計測結果出力部１３４がアラーム音や振動を音声出力部１５から発生させる（Ｓ４７）。

比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ４５：ＮＯ）、異常がないと判断する。
ステップＳ４７の実行後、又は、比較対象値Ｓが閾値ＴＨ以下の場合は（Ｓ４５：ＮＯ）、ステップＳ４９に進む。

計測結果出力部１３４は、ステップＳ４９では、第１実施例と同様に計測結果１４０を表示部１４に表示する（Ｓ４９）。また、計測結果１４０を通信部１６に出力する。

通信部１６は、計測結果１４０をコンピュータ５に送信する（Ｓ４９）。コンピュータ５は、計測結果１４０を表示する。また、作業ロボット２が異常である場合は、音や音声、振動を発生する。監視員や保全員は、計測結果１４０や発生音などにより、作業ロボット２が異常か否かを知ることができる。

次に、異常検出装置１に対して、生産現場３の作業員などが処理終了の操作を行ったか否かを判定し（Ｓ５１）、操作が行われてない場合は、ステップＳ３１に戻り、操作が行われた場合は処理を終了する。

以上のように、第２実施例では、演算処理部１３は、作業の作業種別を更に取得し、作業時間の長さ及び作業種別に応じて閾値を変化させるので、作業時間の長さと作業種別に応じて作業時間の長さ（Ｔ、ＴＲ）が変化する場合において、作業時間の長さと作業種別に応じた判定基準によって機器の異常を検出できる。また、異常が検出されたということは、機器の故障が予測されたことになるので、作業種別によって故障するまでの時間が異なる場合において、そのような故障の予兆として異常を検出でき、検出の精度を高めることができる。

演算処理部１３は、予め記憶した複数の閾値から作業時間の長さ（Ｔ、ＴＲ）に応じた閾値を選択して使用するので、作業時間の長さに応じて閾値を計算する必要がなく、作業時間の長さに応じた判定基準によって機器の異常を検出できる。

また、異常検出装置１は、複数の作業種別のそれぞれに対応づけて、第２周波数特性（Ｕ）から生成した正常モデルを記憶する記憶部１７を備える。また、正常モデルは閾値を含む。そして、演算処理部１３は、機器が行う作業の作業種別に対応する正常モデルを記憶部１７から読み出し（Ｓ３９）、正常モデルから閾値を取り出す（Ｓ４１）。そして、読み出した正常モデルから第２周波数特性（Ｕ）を算出し、算出した第２周波数特性を用いて算出した比較対象値（振動に関するデータ）が、読み出した閾値より大きいか否かを判定する（Ｓ４５）。よって、作業種別に応じて作業時間の長さ（Ｔ、ＴＲ）が変化する場合において作業時間の長さに応じた判断基準によって機器の異常を検出できる。

（第３実施例）
次に、第３実施例について説明する。ここでは、第１実施例や第２実施例との違いを主に説明し、同一又は類似の内容については重複となるので説明を省略する。

第３実施例では、第２実施例と同様に、作業Ａの内容が作業種別によって変わる場合について説明する。

図１５は、第３実施例の記憶部１７が記憶する情報を示す図である。
記憶部１７は、作業種別Ｃ１に対応づけて、作業種別Ｃ１の作業の場合の正常モデルＰ１１を記憶している。また、作業種別Ｃ２に対応づけて、作業種別Ｃ２の作業の場合の正常モデルＰ１２を記憶している。また、作業種別Ｃ３に対応づけて、作業種別Ｃ３の作業の場合の正常モデルＰ１３を記憶している。

正常モデルＰ１１、Ｐ１２、Ｐ１３はそれぞれ、対応する作業種別に応じた基準値ａ１、ａ２、ａ３を含んでいる。各基準値ａ１、ａ２、ａ３は、第１実施例の基準値ａに代えて使用されるものである。ここでは作業種別によって作業の内容が相違し、これにより、各基準値も相違することとする。

なお、第２実施例と同様に、作業種別の識別番号に対応づけて正常モデル（基準値を含む）を記憶してもよい。
また、第２実施例と同様に、作業種別としての車種に対応づけて正常モデル（基準値を含む）を記憶してもよい。
また、作業種別の数は、２又は４以上でもよい。
また、記憶部１７は、第１実施例と同様に、補正値ｘ（図示せず）を記憶している。

図１６は、第３実施例における演算処理部１３の処理の流れを示すフローチャートである。
ここでは、第２実施例との差異のみを説明する。

ステップＳ３７までは、第２実施例と同様である。
続く、ステップＳ３８では、異常判定部１３３は、作業ロボット２がこれから行う作業Ａの作業種別、作業時間長Ｔ及び休止時間長Ｒを作業ロボット２から取得し（Ｓ３８）、取得した作業種別に対応する正常モデルと補正値ｘを記憶部１７から読み出す（Ｓ３９）。なお、作業種別、作業時間長Ｔ及び休止時間長Ｒは、作業ロボット２を動作させるためのデータから取得してもよい。

次に、異常判定部１３３は、読み出した正常モデルから基準値（以下、基準値ａという）を取り出し（Ｓ４０）、第１実施例と同様に、作業時間長Ｔ、休止時間長Ｒ、基準値ａ及び補正値ｘに基づいて、閾値ＴＨを算出する（Ｓ４１）。

閾値ＴＨは基準値に応じて変化し、基準値は作業種別に応じて変化するので、異常判定部１３３は、作業種別に応じて閾値を変化させると言うことができる。

次に、異常判定部１３３は、ステップＳ３７で算出した周波数特性とステップＳ３９で読み出した正常モデルとにより、第１実施例と同様に比較対象値Ｓを算出する（Ｓ４３）。
以下は、第２実施例と同様である。

以上のように、第３実施例では、演算処理部１３は、作業の作業種別を更に取得し、作業時間の長さ及び作業種別に応じて閾値を変化させるので、作業時間の長さと作業種別に応じて作業時間の長さ（Ｔ、ＴＲ）が変化する場合において、作業時間の長さと作業種別に応じた判断基準によって機器の異常を検出できる。また、異常が検出されたということは、機器の故障が予測されたことになるので、作業種別によって故障するまでの時間が異なる場合おいて、そのような故障の予兆として異常を検出でき、検出の精度を高めることができる。

また、異常検出装置１は、複数の作業種別のそれぞれに対応づけて、第２周波数特性から生成した正常モデルを記憶する記憶部１７を備え、正常モデルは、閾値を算出するのに使用する基準値を含む。

そして、演算処理部１３は、機器が行う作業の作業種別に対応する作業時間の長さと休止時間の長さを取得し（Ｓ３８）、作業種別に対応する正常モデルを記憶部１７から読み出す（Ｓ３９）。そして、正常モデルから基準値を取り出し（Ｓ４０）、基準値と作業時間の長さと休止時間の長さとから閾値を算出する（Ｓ４１）。

そして、読み出した正常モデルから第２周波数特性を算出し、算出した第２周波数特性を用いて算出した比較対象値（振動に関するデータ）が、算出した閾値より大きいか否かを判定する（Ｓ４５）。

よって、作業種別に応じて作業時間の長さ（Ｔ、ＴＲ）が変化する場合において作業時間の長さに応じた判断基準によって機器の異常を検出できる。

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

なお、異常を検出する対象の機器は作業ロボット２に限定されるものでない。例えば、モータの代わりに自動車のエンジン、減速機の代わりにトランスミッションを用いてもよい。また、移動体の回転機構、遊園地の遊具などの移動体、３次元プリンターなどの工作機械、すなわち回転機構とそれを伝達する機構を有する全ての機器も対象にすることができる。また、その他の種類の機器を対象としてもよい。

また、異常検出装置１は、コンピュータ５と同様に遠隔地に配置し、必要な信号やデータを通信回線を介して送受信して、機器の異常を検出してもよい。また、複数の機器の異常を１台の異常検出装置１が検出してもよい。また、複数の機器は互いに異なる場所に配置されていてもよい。また、情報取得部１１、センサ制御部１２及び演算処理部１３等の機能ブロックをコンピュータを用いて構成することも可能である。

上述の各実施形態で示した各機能は、１又は複数の処理回路により実装され得る。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理装置は、また、実施形態に記載された機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置を含む。

１ 異常検出装置
２ 作業ロボット（機器）
１１ 情報取得部
１２ センサ制御部
１３ 演算処理部（制御部）
１４ 表示部
１５ 音声出力部
１６ 通信部
１７ 記憶部
２１ モータ
２２ 減速機
２３ センサ（振動センサ）
１３１ 正常モデル生成部
１３２ 周波数特性算出部
１３３ 異常判定部
１３４ 計測結果出力部
１４０ 計測結果
Ａ 作業
Ｍ１ 加速度信号
Ｐ、Ｐ１、Ｐ２、Ｐ３、Ｐ１１、Ｐ１２、Ｐ１３ 正常モデル
ＴＨ、ＴＨ１、ＴＨ２、ＴＨ３ 閾値
ａ、ａ１、ａ２、ａ３ 基準値
Ｔ、ＴＲ 作業時間長
Ｒ 休止時間長
ｘ 補正値

Claims (13)

1. 機器において検出された振動に関するデータに基づいて、前記機器の異常を検出する制御部、を備える異常検出装置であって、
   前記機器は回転機構を含み、前記制御部は、前記振動に関するデータを、前記機器に取り付けられた振動センサが出力する信号から算出し、
   前記制御部は、
   検出した前記振動の周波数特性である第１周波数特性を算出し、前記機器が正常なときの前記振動の周波数特性である第２周波数特性と前記第１周波数特性との差に応じた値を前記振動に関するデータとし、
   前記振動に関するデータと所定の閾値とを比較することにより、前記機器の異常を判断し、
   前記機器が一定の作業を行う作業時間が短いほど前記閾値を小さくすることを特徴とする異常検出装置。
2. 前記制御部は、前記機器が作業を行う速度である作業速度が速いほど前記閾値を小さくすることを特徴とする請求項１記載の異常検出装置。
3. 前記制御部は、前記作業の前に前記機器が休止する休止時間が短いほど前記閾値を小さくすることを特徴とする請求項１または２に記載の異常検出装置。
4. 前記制御部は、前記作業の作業種別を更に取得し、前記作業時間が短いほど前記閾値を小さくし、且つ、前記作業種別に応じて前記閾値を変化させることを特徴とする請求項１乃至３のいずれかに記載の異常検出装置。
5. 前記制御部は、
   前記作業時間の長さを含む作業データを取得し、
   前記機器に取り付けられた振動センサが出力する信号から前記振動に関するデータを算出し、
   前記作業データに含まれる前記作業時間の長さにより算出した前記閾値と、算出した前記振動に関するデータとに基づいて、前記機器が異常か否かを判定することを特徴とする請求項１乃至４のいずれかに記載の異常検出装置。
6. 前記制御部は、予め記憶した複数の閾値から、前記作業時間の長さに応じた前記閾値を選択して使用することを特徴とする請求項１乃至４のいずれかに記載の異常検出装置。
7. 前記制御部は、前記第１周波数特性における値の平均値と前記第２周波数特性における値の平均値との差の平方値に応じた値を前記振動に関するデータとすることを特徴とする請求項１乃至６のいずれかに記載の異常検出装置。
8. 前記制御部は、前記平方値を、前記第２周波数特性の分散値で補正した値に応じた値を前記振動に関するデータとすることを特徴とする請求項７記載の異常検出装置。
9. 複数の作業種別のそれぞれに対応づけて、前記第２周波数特性から生成した正常モデルを記憶する記憶部を備え、
   前記正常モデルは閾値を含み、
   前記制御部は、前記機器が行う前記作業の作業種別に対応する前記正常モデルを前記記憶部から読み出し、前記正常モデルから閾値を取り出し、読み出した正常モデルから前記第２周波数特性を算出し、算出した前記第２周波数特性を用いて算出した前記振動に関するデータが、読み出した前記閾値より大きいか否かを判定することを特徴とする請求項１乃至８のいずれかに記載の異常検出装置。
10. 複数の作業種別のそれぞれに対応づけて、前記第２周波数特性から生成した正常モデルを記憶する記憶部を備え、
    前記正常モデルは、閾値の算出に使用する基準値を含み、
    前記制御部は、前記機器が行う前記作業の作業種別に対応する作業時間の長さと休止時間の長さを取得し、前記作業種別に対応する前記正常モデルを前記記憶部から読み出し、前記正常モデルから基準値を取り出し、前記基準値と前記作業時間の長さと前記休止時間の長さとから閾値を算出し、読み出した正常モデルから前記第２周波数特性を算出し、算出した前記第２周波数特性を用いて算出した前記振動に関するデータが、算出した前記閾値より大きいか否かを判定することを特徴とする請求項１乃至８のいずれかに記載の異常検出装置。
11. 前記制御部は、前記振動に関するデータが前記閾値より大きい場合に、前記機器が異常であることを報知することを特徴とする請求項１乃至１０のいずれかに記載の異常検出装置。
12. 前記機器は、回転機構を含む駆動部と前記駆動部により駆動されるアームとを備えることを特徴とする請求項１乃至１１のいずれかに記載の異常検出装置。
13. 機器において検出された振動に関するデータに基づいて、前記機器の異常を検出する異常検出装置の異常検出方法であって、
    前記機器は回転機構を含み、前記異常検出装置は、前記振動に関するデータを、前記機器に取り付けられた振動センサが出力する信号から算出し、
    検出した前記振動の周波数特性である第１周波数特性を算出し、前記機器が正常なときの前記振動の周波数特性である第２周波数特性と前記第１周波数特性との差に応じた値を前記振動に関するデータとし、
    前記振動に関するデータと所定の閾値とを比較して、前記機器の異常を判断し、
    前記機器が一定の作業を行う作業時間が短いほど前記閾値を小さくすることを特徴とする異常検出方法。

Images