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

JP7504163B2 - 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム - Google Patents

異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム Download PDF

Info

Publication number
JP7504163B2
JP7504163B2 JP2022109778A JP2022109778A JP7504163B2 JP 7504163 B2 JP7504163 B2 JP 7504163B2 JP 2022109778 A JP2022109778 A JP 2022109778A JP 2022109778 A JP2022109778 A JP 2022109778A JP 7504163 B2 JP7504163 B2 JP 7504163B2
Authority
JP
Japan
Prior art keywords
machine
abnormality
learning model
machine learning
degree
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
JP2022109778A
Other languages
English (en)
Other versions
JP2022125288A (ja
Inventor
尚吾 稲垣
浩 中川
大輔 岡野原
遼介 奥田
叡一 松元
圭悟 河合
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.)
Preferred Networks Inc
Original Assignee
Preferred Networks Inc
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=57988307&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=JP7504163(B2) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Preferred Networks Inc filed Critical Preferred Networks Inc
Publication of JP2022125288A publication Critical patent/JP2022125288A/ja
Application granted granted Critical
Publication of JP7504163B2 publication Critical patent/JP7504163B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B25/00Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes
    • G09B25/02Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes of industrial processes; of machinery
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1628Programme controls characterised by the control loop
    • B25J9/163Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1674Programme controls characterised by safety, monitoring, diagnostic
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00Systems controlled by a computer
    • G05B15/02Systems controlled by a computer electric
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063Monitoring general control system
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065Monitoring tool breakage, life or condition
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • G06N5/048Fuzzy inferencing
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/31From computer integrated manufacturing till monitoring
    • G05B2219/31359Object oriented model for fault, quality control
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33321Observation learning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/34Director, elements to supervisory
    • G05B2219/34477Fault prediction, analyzing signal trends
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/37Measurements
    • G05B2219/37214Detect failed machine component, machine performance degradation
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/50Machine tool, machine tool null till machine tool work handling
    • G05B2219/50185Monitoring, detect failures, control of efficiency of machine, tool life
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • YGENERAL 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
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00Robots
    • Y10S901/46Sensing device
    • Y10S901/47Optical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Robotics (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Fuzzy Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Description

本発明は、故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システムに関する。
産業機械では、歩留まりを向上させ又は深刻な事故の発生を防止するために、構成部品の異常を事前に検知することが求められる場合がある。例えば、センサの出力値を予め定められる閾値と比較し、その結果に基づいて異常を検知する方法が公知である。ここで、「産業機械」の文言は、産業用ロボットやコンピュータ数値制御(CNC:Computer Numerical Control)装置で制御される機械だけでなく、サービス用ロボットや様々な機械装置を含む機械を意味するものとする。
特許文献1には、正常状態のロボットの基準動作パターンと、稼働中のロボットの動作パターンを比較して、ロボットの故障を予知する故障予知診断方法が開示されている。
特許文献2には、駆動軸の実際の動作状態に基づく負荷側の仕事率と、駆動軸への動作指令に基づく駆動側の仕事率との間の差を判定値と比較することによって、ロボット機構部の劣化の有無及び劣化レベルを評価する故障予知方法が開示されている。
特開昭63-123105号公報 特開平10-039908号公報
しかしながら、産業機械の複雑化ないし高度化に伴って故障につながる要因も複雑化している。したがって、一定の基準に従って実行される従来の故障予知方法では、実際の状況に適用できなかったり、又は正確さを欠くことがあった。そこで、状況に応じて正確な故障予知を可能にする故障予知装置が求められている。
本願の1番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習装置であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも1つを含む状態変数を前記産業機械の動作中又は静止中に観測する状態観測部と、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得する判定データ取得部と、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師あり学習によって学習する学習部と、を備える機械学習装置が提供される。
本願の2番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習装置であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも1つを含む状態変数を前記産業機械の動作中又は静止中に観測する状態観測部と、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得する判定データ取得部と、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師なし学習によって学習する学習部と、を備える機械学習装置が提供される。
本願の3番目の発明によれば、1番目又は2番目の発明に係る機械学習装置において、前記学習部は、複数の産業機械に対して作成される前記訓練データセットに従って、前記条件を学習するように構成される。
本願の4番目の発明によれば、1番目から3番目のいずれかの発明に係る機械学習装置において、前記学習部は、ある一定期間のみで正常状態を学習し、その後は、前記判定データ取得部による故障発生を検知するように構成される。
本願の5番目の発明によれば、1番目から4番目のいずれかの発明に係る機械学習装置において、前記学習部は、前記判定データ取得部が、前記産業機械の故障を表す判定データを取得したときに、前記訓練データセットに含まれる前記判定データを、故障発生時から前記判定データの取得時まで遡った時間の長さに応じて重み付けして前記条件を更新するように構成される。
本願の6番目の発明によれば、1番目から5番目のいずれかの発明に係る機械学習装置を備えた、前記産業機械の故障を予知する故障予知装置であって、前記学習部が前記訓練データセットに従って学習した結果に基づいて、現在の前記状態変数の入力に応答して、前記産業機械の故障の有無又は故障の度合いを表す故障情報を出力する故障情報出力部をさらに備える、故障予知装置が提供される。
本願の7番目の発明によれば、6番目の発明に係る故障予知装置において、前記学習部は、前記現在の状態変数及び前記判定データの組合せに基づいて作成される追加の訓練データセットに従って、前記条件を再学習するように構成される。
本願の8番目の発明によれば、6番目又は7番目の発明に係る故障予知装置において、前記機械学習装置がネットワークを介して前記産業機械に接続され、前記状態観測部は、前記ネットワークを介して、前記現在の状態変数を取得するように構成される。
本願の9番目の発明によれば、8番目の発明に係る故障予知装置において、前記機械学習装置は、クラウドサーバ上に存在する。
本願の10番目の発明によれば、6番目から8番目のいずれかの発明に係る故障予知装置において、前記機械学習装置は、前記産業機械を制御する制御装置に内蔵されている。
本願の11番目の発明によれば、6番目から10番目のいずれかの発明に係る故障予知装置において、前記機械学習装置による学習結果は、複数の前記産業機械で共用される。
本願の12番目の発明によれば、6番目から11番目のいずれかの発明に係る故障予知装置と、前記出力データを出力するセンサと、前記故障情報をオペレータに通知する故障情報通知部と、を備える故障予知システムが提供される。
本願の13番目の発明によれば、12番目の発明に係る故障予知システムにおいて、前記故障情報通知部で前記故障情報がオペレータに通知される時期は、故障が発生する時期から遡って第1の所定期間で定められる時期より前である。
本願の14番目の発明によれば、13番目の発明に係る故障予知システムにおいて、前記故障情報通知部で前記故障情報がオペレータに通知される時期は、故障が発生する時期から遡って第1の所定期間で定められる時期より前であり、かつ、故障が発生する時期から遡って、前記第1の所定期間よりも長い第2の所定期間で定められる時期より後である。
本願の15番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習方法であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも1つを含む状態変数を前記産業機械の動作中又は静止中に観測し、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得し、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師あり学習によって学習する機械学習方法が提供される。
本願の16番目の発明によれば、産業機械の故障に関連付けられる条件を学習する機械学習方法であって、前記産業機械又は周囲環境の状態を検出するセンサの出力データ、前記産業機械を制御する制御ソフトウェアの内部データ、及び、前記出力データ又は前記内部データに基づいて得られる計算データの少なくとも1つを含む状態変数を前記産業機械の動作中又は静止中に観測し、前記産業機械の故障の有無又は故障の度合いを表す判定データを取得し、前記状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、前記産業機械の故障に関連付けられる条件を教師なし学習によって学習する機械学習方法が提供される。
これら及び他の本発明の目的、特徴及び利点は、添付図面に示される本発明の例示的な実施形態に係る詳細な説明を参照することによって、より明らかになるであろう。
本発明に係る機械学習装置及び機械学習方法は、状態変数及び判定データの組合せに基づいて作成される訓練データセットに従って、産業機械の故障に関連付けられる条件を学習する。産業機械を実際に動作させながら故障条件を学習するので、実際の使用状況に応じた正確な故障条件が学習される。また、本発明に係る故障予知装置及び故障予知システムによれば、故障条件を機械学習できる機械学習装置を備えているので、実際の使用状況に応じた正確な故障予知が可能になる。
図1は、一実施形態に係る故障予知システムの一例を示すブロック図である。 図2は、機械学習装置における学習過程の流れの一例を示すフローチャートである。 図3は、ニューラルネットワークの構成例を示す図である。 図4は、教師なしの学習の手法における学習期間の一例を説明するための図である。 図5は、リカレント型ニューラルネットワークの一例を説明するための図である。 図6は、他の実施形態に係る故障予知システムの一例を示すブロック図である。 図7は、実施形態に係る故障予知システムにおける故障の度合いを示す指標値の例を説明するための図(その1)である。 図8は、実施形態に係る故障予知システムにおける故障の度合いを示す指標値の例を説明するための図(その2)である。 図9は、学習結果を利用した故障予知の流れの一例を示すフローチャートである。
以下、添付図面を参照して、本発明に係る機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システムの実施形態を説明する。図示される実施形態の構成要素は、本発明の理解を助けるために縮尺が適宜変更されている。また、同一又は対応する構成要素には、同一の参照符号が使用される。
図1は、一実施形態に係る故障予知システムの一例を示すブロック図である。故障予知システム1は、機械学習機能を有する機械学習装置5を用いて産業機械の故障に関連付けられる条件(以下、「故障条件」と称することがある。)を学習することができる。また、故障予知システム1は、機械学習装置5が学習した結果に基づいて、産業機械及びその周囲環境の状態に応じた故障情報を作成することができる。
本明細書において、「産業機械」は、産業用ロボット、サービス用ロボット及びコンピュータ数値制御(CNC)装置で制御される機械を含む様々な機械を意味するものとする。また、本明細書において、「産業機械の故障」は、産業機械の構成部品の故障を含んでいる。すなわち、「産業機械の故障」は、意図される産業機械の機能を実行できない状態に限定されず、例えば、正常時の動作を一時的又は恒久的に再現できないといった状態も含むものとする。
故障予知システム1によって作成される「故障情報」は、産業機械の故障の有無を表す情報又は「故障の度合い」を表す情報を含んでいる。「故障情報」は、産業機械が正常な状態であることを表す情報を含んでいてもよい。「故障の度合い」は、故障の深刻さを意味する。「故障の度合い」は、最大値又は最小値のいずれか一方が制限されていてもよい。「故障の度合い」は、連続量であっても離散量であってもよい。オペレータは、「故障の度合い」に応じて、対象の構成部品の交換又は修理を直ちに行うべきか、或いは次回の保守作業時に行うべきかを判断することができる。
以下の説明では、ロボット2の故障を予知するために使用される故障予知システム1について説明する。しかしながら、他の任意の産業機械に対しても本発明を同様に適用できることを当業者は認識するであろう。
図1に例示されるロボット2は、モータによって各々の関節が駆動される6軸垂直多関節ロボットである。ロボット2は、公知の通信手段によってロボット制御装置3に接続されている。ロボット制御装置3は、制御プログラムに従ってロボット2に対する指令を作成する。
ロボット制御装置3は、CPU、ROM、RAM、不揮発性メモリ及び外部装置に接続されるインタフェースを備えたデジタルコンピュータである。ロボット制御装置3は、図1に示されるように、故障判定部31を備えている。
故障判定部31は、公知の故障診断方法を利用してロボット2の故障を判定する。故障判定部31は、故障予知システム1によって作成される故障情報とは独立して、ロボット2の故障の有無又は故障の度合いを判定する。例えば、トルクセンサによって検出される外乱トルク、或いはセンサの出力データの振動の振幅が予め定められる閾値を超えたときに、故障判定部31は、故障が発生したと判定する。或いは、故障判定部31は、ロボット制御装置3に格納された制御ソフトウェアの内部データに基づいて、ロボット2の故障が発生したと判定してもよい。このように、故障判定部31は、様々な要因に基づく故障を判定する。なお、故障判定部31による判定結果は、後述する機械学習装置5の判定データ取得部51に入力される。
別の実施形態において、機械学習装置5は、ロボット2の故障を発見し、或いは知得したオペレータの入力操作に応答して、故障情報が判定データ取得部51に入力されるように構成されていてもよい。
故障予知システム1は、ロボット2又は周囲環境の状態を検出するセンサ11をさらに備えている。センサ11は、力センサ、トルクセンサ、振動センサ、集音センサ、撮像センサ、距離センサ、温度センサ、湿度センサ、流量センサ、光量センサ、pHセンサ、圧力センサ、粘度センサ及び臭気センサの少なくともいずれか1つを含んでいてもよい。センサ11から出力されるデータ(以下、単に「出力データ」と称することがある。)は、機械学習装置5の状態観測部52に入力される。
機械学習装置5は、ロボット2の故障条件を学習する。一実施形態において、機械学習装置5は、ネットワークを介してロボット2に接続されていてロボット制御装置3とは別個のデジタルコンピュータであってもよい。
別の実施形態において、機械学習装置5は、ロボット制御装置3に内蔵されていてもよい。その場合、機械学習装置5は、ロボット制御装置3のプロセッサを利用して機械学習を実行する。また別の実施形態において、機械学習装置5は、クラウドサーバ上に存在していてもよい。
図1に示されるように、機械学習装置5は、判定データ取得部51と、状態観測部52と、学習部53と、を備えている。
判定データ取得部51は、故障判定部31から判定データを取得する。判定データは、判定データ取得部51から学習部53に入力され、機械学習装置5が故障条件を学習する際に使用される。判定データは、故障の有無又は故障の度合いを判定したデータである。判定データは、故障有りの場合、すなわちロボット2が異常な状態にあることを表すデータを含んでいなくてもよい。
状態観測部52は、機械学習の入力値としての状態変数をロボット2の動作中又は静止中に観測する。機械学習装置5がネットワークを介してロボット2及びセンサ11に接続されている実施形態において、状態観測部52は、ネットワークを介して状態変数を取得する。
状態変数は、センサ11の出力データを含んでいてもよい。状態変数は、ロボット2を制御する制御ソフトウェアの内部データを含んでいてもよい。内部データは、トルク、位置、速度、加速度、加加速度、電流、電圧及び推定外乱値のうちの少なくともいずれか1つを含んでいてもよい。推定外乱値は、例えば、トルク指令及び速度フィードバックに基づいてオブザーバによって推定される外乱値である。
状態変数は、出力データ又は内部データに基づいて得られる計算データを含んでいてもよい。計算データは、周波数解析、時間周波数解析及び自己相関解析のうちの少なくとも1つを利用して取得されてもよい。当然ながら、計算データは、より単純な計算、例えば係数乗算又は微分積分演算を利用して取得されてもよい。
学習部53は、状態観測部52から出力される状態変数、及び判定データ取得部51から出力される判定データの組合せに基づいて作成される訓練データセットに従って、故障条件を学習する。訓練データセットは、状態変数及び判定データを互いに関連付けたデータである。
図2を参照して、機械学習装置5における学習過程の一例について説明する。学習が開始されると、ステップS201において、状態観測部52が、出力データ、内部データ又は計算データなどを含む状態変数を取得する。ステップS202では、判定データ取得部51が、故障判定部31による判定結果に基づいて判定データを取得する。
ステップS203では、学習部53が、ステップS201で取得された状態変数と、ステップS202で取得された判定データと、の組合せに基づいて作成される訓練データセットに従って、故障条件を学習する。ステップS201~S203の処理は、機械学習装置5が故障条件を十分に学習するまで繰返し実行される。
一実施形態において、機械学習装置5の学習部53は、ニューラルネットワークモデルに従って故障条件を学習してもよい。図3は、ニューラルネットワークモデルの例を示している。ニューラルネットワークは、l個のニューロンx1、x2、x3、・・・、xlを含む入力層と、m個のニューロンy1、y2、y3、・・・、ymを含む中間層(隠れ層)と、n個のニューロンz1、z2、z3、・・・、znを含む出力層と、から構成されている。なお、図3において、中間層は、1層のみ示されているものの、2層以上の中間層が設けられてもよい。なお、機械学習装置5(ニューラルネット)は、汎用の計算機若しくはプロセッサを用いてもよいが、GPGPU(General-Purpose computing on Graphics Processing Units)や大規模PCクラスターなどを適用すると、より高速に処理することが可能である。
ニューラルネットワークは、ロボット2の故障に関連付けられる故障条件を学習する。ニューラルネットワークは、状態観測部52によって観測される状態変数と、判定データ取得部51によって取得される判定データとの組合せに基づいて作成される訓練データセットに従って、いわゆる教師あり学習によって、状態変数と故障発生との関係性、すなわち故障条件を学習する。教師あり学習とは、ある入力と結果(ラベル)のデータの組を大量に学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、すなわちその関係性を帰納的に獲得することができるというものである。
或いは、ニューラルネットワークは、故障無しの状態、すなわちロボット2が正常に動作しているときの状態変数のみを蓄積し、いわゆる教師なし学習によって、故障条件を学習することもできる。例えば、ロボット2の故障の頻度が極めて低い場合、教師なし学習の手法が有効であろう。教師なし学習とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮・分類・整形などを行う装置を学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすることなどができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することできる。また、教師なし学習と教師あり学習との中間的な問題設定として、半教師あり学習と呼ばれるものもあり、これは一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。
図4は、教師なしの学習の手法における学習期間の一例を説明するための図である。ここで、横軸は、時間(時間の経過)を示し、縦軸は、故障の度合いを示す。図4に示されるように、上記の教師なしの学習の手法は、ロボット2が、出荷された直後もしくはメンテナンスされた直後などを起点としてある一定期間、例えば、数週間などを学習期間として、このときのみ状態変数を更新し、正常状態として定義する。そして、その後は状態変数の更新を行わず、ニューラルネットワークから出力される出力結果から正常モデルからの距離をもとに「故障の度合い」を出力して異常判定のみを行うことによって、異常検知を行うことを実現できる。
また、本実施形態においては、例えば、時間的相関がある時系列データをモデル化するため、リカレント型と呼ばれるニューラルネットワークを使用するのも有効である。リカレントニューラルネットワーク(RNN:Recurrent Neural Network)は、現時刻だけの状態のみを使って学習モデルを形成するのではなく、これまでの時刻の内部状態も利用する。リカレントニューラルネットワークは時間軸のネットワークを展開して考えることで、一般的なニューラルネットワークと同様に扱うことができる。ここで、リカレントニューラルネットワークも多種あるが、一例として、単純再帰型ネットワーク(エルマンネットワーク:Elman Network)を説明する。
図5は、リカレント型ニューラルネットワークの一例を説明するための図であり、図5(a)は、エルマンネットワークの時間軸展開を示し、図5(b)は、誤差逆伝播法(バックプロパゲーション:Backpropagation)のバックプロパゲーションタイムスルータイム(BPTT:Back Propagation Through Time)を示す。ここで、図5(a)に示されるようなエルマンネットワークの構造であれば、バックプロパゲーションを適用することができる。
ただし、エルマンネットワークでは、通常のニューラルネットワークと異なり、図5(b)に示されるように、時間を遡るように誤差が伝搬し、このようなバックプロパゲーションをバックプロパゲーションスルータイム(BPTT)と呼ぶ。このようなニューラルネットワーク構造を適用することで、これまでの入力の遷移を踏まえた出力のモデルを推定することができ、例えば、その推定される出力値が、ある異常値であるかどうかを故障発生との関係性に使うことが可能になる。
後述する故障予知を行う際、ニューラルネットワークの入力層に入力される状態変数に応答して、出力層が前述の故障情報に対応する故障の有無を表す情報又は「故障の度合い」を出力する。なお、「故障の度合い」の取り得る値は、最大値・最小値のいずれかが制限された値、或いは、連続量、もしくは離散量であってもよい。
前述した実施形態に係る機械学習装置及び機械学習方法によれば、判定データ取得部51から出力される判定データによる故障条件よりも実際の使用状況に応じた正確な故障条件を学習できる。それにより、故障につながる要因が複雑であり、故障条件を予め設定するのが困難な場合であっても、高い精度の故障予知が可能になる。
一実施形態において、判定データ取得部51がロボット2の故障を表す判定データを取得したときに、学習部53が、判定データを、故障発生時から各々の判定データの取得時まで遡った時間の長さに応じて、それぞれ重み付けして故障条件を更新するようにしてもよい。ここで、判定データを取得してから故障が実際に発生するまでの時間が短ければ短いほど、故障発生に直結する状態に近いことが推定される。したがって、訓練データセット取得時からの経過時間に応じて判定データを重み付けすれば、故障条件を効果的に学習することができる。
一実施形態において、学習部53は、複数のロボット2に対して作成される訓練データセットに従って、故障条件を学習するようにしてもよい。なお、学習部53は、同一の現場で使用される複数のロボット2から訓練データセットを取得してもよいし、或いは、異なる現場で独立して稼働する複数のロボット2から収集される訓練データセットを利用して故障条件を学習してもよい。また、訓練データセットを収集するロボット2を途中で対象に追加し、或いは、逆に対象から除去することもできる。
次に、複数のロボット2の訓練データセットを共有(共用)する方法として、以下に3つの例を挙げるが、それ以外の方法を適用することができるのはいうまでもない。まず、第1の例としては、ニューラルネットワークのモデルを同じになるように共有する方法であり、例えば、ネットワークの各重み係数について、各ロボット2間の差分を、通信手段を用いて送信して反映させるものである。また、第2の例としては、ニューラルネットワークの入力と出力のデータセットを共有することにより、学習装置5の重みなどを共有することができる。さらに、第3の例としては、あるデータベースを用意し、それにアクセスしてより妥当なニューラルネットワークのモデルをロードすることで状態を共有する(同じようなモデルとする)ものである。
図6は、他の実施形態に係る故障予知システムの一例を示すブロック図である。故障予知システム1は、機械学習装置5によって学習された結果を利用して、ロボット2の故障情報を作成する故障予知装置4を備えている。
故障予知装置4は、状態観測部41と、故障情報出力部42と、を備えている。状態観測部41は、図1を参照して説明した状態観測部52と同様に機能し、ロボット2及び周囲の環境の状態を反映した状態変数を取得する。故障情報出力部42は、前述した機械学習装置5の学習部53が訓練データセットに従って学習した結果に基づいて、状態観測部41を介した状態変数の入力に応答して、ロボット2の故障情報を出力する。
図6に示されるように、ロボット制御装置3は、通知部(故障情報通知部)32を備えることができる。通知部32は、故障情報出力部42によって出力される故障情報をオペレータに通知する。故障情報が通知される態様は、オペレータが知得可能であれば、特に限定されない。例えば、予知された故障の有無又は故障の度合いを図示されない表示装置に表示してもよいし、或いは、故障情報の内容に応じて警告音を発生させてもよい。
図7および図8は、実施形態に係る故障予知システムにおける故障の度合いを示す指標値の例(第1例~第4例)を説明するための図である。ここで、図7(a),図7(b),図7(c)及び図8において、横軸は、時間を示し、縦軸は、故障の度合いを示す。まず、図7(a)に示されるように、例えば、第1例において、「故障の度合い」を示す指標値を、故障が近づくにつれて大きくなるように定め、学習によって得られた指標値をそのまま故障情報として故障情報出力部42が出力するように構成することができる。また、図7(b)に示されるように、例えば、第2例において、前述の指標値に閾値を設け、閾値以上であれば異常、閾値未満であれば正常、というように故障の有無を表す情報を故障情報として故障情報出力部42が出力するように構成することもできる。さらに、図7(c)に示されるように、例えば、第3例において、前述の指標値に閾値を複数(閾値1~閾値3)設け、各閾値別に区切られたレベル(故障レベル1~故障レベル4)を故障情報として故障情報出力部42が出力するように構成することもできる。
図8に示されるように、例えば、第4例において、複数の故障に至ったデータ(教師データ)に基づいて、前述の指標値と故障に至るまでの時間の関係を求め、それを元に、故障が発生する時期から遡って第1の所定期間で定められる時期より前であることを満たすための第1の閾値を求める。また、故障が発生する時期から遡って第2の所定期間で定められる時期より後であることを満たすための第2の閾値を定める。そして、指標値が第1の閾値未満であることと、指標値が第2の閾値以上であることの少なくとも一方を満たす場合に、指標値そのもの、或いは、指標値を閾値で区切ったレベルを、故障情報として故障情報出力部42が出力することもできる。この場合の閾値の決め方は、例えば、過去の教師データが条件を全て満たすように閾値を設けることもでき、また、必要に応じてマージンを設けて閾値を設けることもでき、さらに、確率論的に、ある一定確率内での判定間違いを許すように閾値を定めることもできる。
次に、図9を参照して、機械学習装置が学習した結果を利用して実行される故障予知の一例について説明する。ステップS501では、状態観測部41が、例えばセンサ11からの出力データを含む現在の状態変数を取得する。ステップS502では、故障情報出力部42が、前述した機械学習装置5の学習結果に基づいて、ステップS501で取得された状態変数に応じた故障情報を出力する。故障予知システム1が通知部32を備えている場合は、故障情報をオペレータに通知する工程がステップS502の後に実行されてもよい。
図9を参照して説明した故障予知装置4による故障予知は、ロボット2が予め定められる特定の動作を実行するときに行われてもよい。或いは、ロボット2の動作中又は静止中に並行してステップS501~S502の処理を継続して実行してもよい。或いは、予め定められた時刻に定期的に故障予知が行われてもよい。
一実施形態において、故障予知装置4による故障予知を実行するのと並行して、機械学習装置5による機械学習が実行されてもよい。その場合、故障予知装置4が故障情報を作成するのと同時に、故障判定部31又はオペレータの操作を介して取得される判定データとその時点での状態変数に基づいて、機械学習装置5の学習部53が故障条件を再学習する。
ニューラルネットワークを利用して機械学習する実施形態について説明したものの、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。また、繰り返しになるが、本明細書において、「産業機械」なる文言は、産業用ロボット、サービス用ロボット及びコンピュータ数値制御(CNC)装置で制御される機械を含む様々な機械を意味するのは、前述した通りである。
以上、本発明の種々の実施形態について説明したが、当業者であれば、他の実施形態によっても本発明の意図する作用効果を実現できることを認識するであろう。特に、本発明の範囲を逸脱することなく、前述した実施形態の構成要素を削除又は置換することができるし、或いは公知の手段をさらに付加することができる。また、本明細書において明示的又は暗示的に開示される複数の実施形態の特徴を任意に組合せることによっても本発明を実施できることは当業者に自明である。
1 故障予知システム
2 ロボット
3 ロボット制御装置
4 故障予知装置
5 機械学習装置
11 センサ
31 故障判定部
32 通知部
41 状態観測部
42 故障情報出力部
51 判定データ取得部
52 状態観測部
53 学習部

Claims (57)

  1. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得する観測部と、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力する出力部と、
    前記出力部からの出力を通知する通知部と、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記通知部は、複数の時点における前記異常の度合いに関する情報を、時間の経過を表す第1の軸と異常の度合いに関する値を表す第2の軸を有するグラフを用いて表示装置に表示する
    異常予知システム
  2. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得する観測部と、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力する出力部と、
    前記出力部からの出力を通知する通知部と、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記通知部は、前記異常が発生する時期から遡って第1の所定期間で定められる時期より前に、前記出力部からの出力を通知する
    異常予知システム
  3. 前記通知部は、前記異常が発生する時期から遡って前記第1の所定期間よりも長い第2の所定期間で定められる時期より後に、前記出力部からの出力を通知する、
    請求項2に記載の異常予知システム。
  4. 前記通知部は、複数の時点における前記異常の度合いに関する情報を、表示装置に表示する、
    請求項2又は3に記載の異常予知システム。
  5. 前記通知部は、前記複数の時点における前記異常の度合いに関する情報を、時間の経過を表す第1の軸と異常の度合いに関する値を表す第2の軸を有するグラフを用いて前記表示装置に表示する、
    請求項に記載の異常予知システム。
  6. 前記通知部は、前記異常の度合いに基づいて、警告音を発生する、
    請求項1乃至5のいずれか1項に記載の異常予知システム。
  7. 前記機械学習モデルは、少なくとも、前記第1の機械の異常が無いとき又は異常の度合いが低いときの前記状態変数、第2の機械の異常が無いとき又は異常の度合いが低いときの状態変数のいずれかを用いて学習されたものである、
    請求項1乃至6のいずれか1項に記載の異常予知システム
  8. 前記機械学習モデルは、少なくとも、前記第1の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の前記状態変数、第2の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の状態変数のいずれかを用いて学習されたものである、
    請求項1乃至6のいずれか1項に記載の異常予知システム
  9. 前記機械学習モデルは、教師なし学習で学習されたモデルである、
    請求項1乃至のいずれか1項に記載の異常予知システム
  10. 前記機械学習モデルは正常モデルであって、前記異常の度合いに関する情報は、前記正常モデルからの距離に基づいて生成される、
    請求項1乃至のいずれか1項に記載の異常予知システム
  11. 前記機械学習モデルは、時系列データを扱う機械学習モデルである、
    請求項1乃至10のいずれか1項に記載の異常予知システム
  12. 前記機械学習モデルは、少なくとも、前記第1の機械の状態変数と前記第1の機械の異常情報との組合せ、第2の機械の状態変数と前記第2の機械の異常情報との組合せのいずれかを含む訓練データセットを用いて学習されたものである、
    請求項1乃至6のいずれか1項に記載の異常予知システム
  13. 前記機械学習モデルは、複数の機械で得られた状態変数を用いて学習されたものである、
    請求項1乃至12のいずれか1項に記載の異常予知システム
  14. 前記機械学習モデルは、前記状態変数を用いて学習された学習モデルを含む、
    請求項1乃至6のいずれか1項に記載の異常予知システム
  15. 前記機械学習モデルを学習する学習部、を更に備え、
    前記学習部は、異常予知の実行と並行して前記機械学習モデルを学習する、
    請求項1乃至14のいずれか1項に記載の異常予知システム。
  16. 前記出力部は、前記異常の度合いに関する閾値を用いて、複数の異常レベルの情報を出力する、
    請求項1乃至15のいずれか1項に記載の異常予知システム
  17. 前記センサは、少なくとも、力センサ、トルクセンサ、振動センサ、集音センサ、撮像センサ、距離センサ、温度センサ、湿度センサ、流量センサ、光量センサ、pHセンサ、圧力センサ、粘度センサ、臭気センサのいずれか1つを含む、
    請求項1乃至16のいずれか1項に記載の異常予知システム
  18. 前記内部データは、少なくとも、トルク、位置、速度、加速度、加加速度、電流、電圧、推定外乱値のいずれか1つを含む、
    請求項1乃至17のいずれか1項に記載の異常予知システム
  19. 前記異常の度合いに関する情報は、前記第1の機械の構成部品に関する情報である、
    請求項1乃至18のいずれか1項に記載の異常予知システム
  20. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得する観測部と、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力する出力部と、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記機械学習モデルは正常モデルであって、前記異常の度合いに関する情報は、前記正常モデルからの距離に基づいて生成される
    異常予知装置。
  21. 前記機械学習モデルを学習する学習部、を更に備え、
    前記学習部は、異常予知の実行と並行して前記機械学習モデルを学習する、
    請求項20に記載の異常予知装置
  22. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得する観測部と、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力する出力部と、
    前記機械学習モデルを学習する学習部と、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記学習部は、異常予知の実行と並行して前記機械学習モデルを学習する
    異常予知装置。
  23. 前記機械学習モデルは、少なくとも、前記第1の機械の異常が無いとき又は異常の度合いが低いときの前記状態変数、第2の機械の異常が無いとき又は異常の度合いが低いときの状態変数のいずれかを用いて学習されたものである、
    請求項20乃至22のいずれか1項に記載の異常予知装置。
  24. 前記機械学習モデルは、少なくとも、前記第1の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の前記状態変数、第2の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の状態変数のいずれかを用いて学習されたものである、
    請求項20乃至22のいずれか1項に記載の異常予知装置。
  25. 前記機械学習モデルは、少なくとも、前記第1の機械の状態変数と前記第1の機械の異常情報との組合せ、第2の機械の状態変数と前記第2の機械の異常情報との組合せのいずれかを含む訓練データセットを用いて学習されたものである、
    請求項22に記載の異常予知装置。
  26. 前記機械学習モデルは、複数の機械で得られた状態変数を用いて学習されたものである、
    請求項20乃至25のいずれか1項に記載の異常予知装置。
  27. 前記出力部は、前記異常の度合いに関する閾値を用いて、複数の異常レベルの情報を出力する、
    請求項20乃至26のいずれか1項に記載の異常予知装置。
  28. 前記異常の度合いに関する情報は、前記第1の機械の構成部品に関する情報である、
    請求項20乃至27のいずれか1項に記載の異常予知装置。
  29. 前記出力部は、複数の時点における前記異常の度合いに関する情報を出力する、
    請求項20乃至28のいずれか1項に記載の異常予知装置。
  30. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得するステップと、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力するステップと、
    前記出力するステップからの出力を通知するステップと、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記通知するステップは、複数の時点における前記異常の度合いに関する情報を、時間の経過を表す第1の軸と異常の度合いに関する値を表す第2の軸を有するグラフを用いて表示装置に表示する
    異常予知方法。
  31. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得するステップと、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力するステップと、
    前記出力するステップからの出力を通知するステップと、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記通知するステップは、前記異常が発生する時期から遡って第1の所定期間で定められる時期より前に、前記出力するステップからの出力を通知する
    異常予知方法。
  32. 前記通知するステップは、前記異常が発生する時期から遡って前記第1の所定期間よりも長い第2の所定期間で定められる時期より後に、前記出力するステップからの出力を通知する、
    請求項31に記載の異常予知方法。
  33. 前記通知するステップは、複数の時点における前記異常の度合いに関する情報を、表示装置に表示する、
    請求項31又は32に記載の異常予知方法。
  34. 前記通知するステップは、前記複数の時点における前記異常の度合いに関する情報を、時間の経過を表す第1の軸と異常の度合いに関する値を表す第2の軸を有するグラフを用いて前記表示装置に表示する、
    請求項33に記載の異常予知方法。
  35. 前記通知するステップは、前記異常の度合いに基づいて、警告音を発生する、
    請求項30乃至34のいずれか1項に記載の異常予知方法。
  36. 前記機械学習モデルは、少なくとも、前記第1の機械の異常が無いとき又は異常の度合いが低いときの前記状態変数、第2の機械の異常が無いとき又は異常の度合いが低いときの状態変数のいずれかを用いて学習されたものである、
    請求項30乃至35のいずれか1項に記載の異常予知方法。
  37. 前記機械学習モデルは、少なくとも、前記第1の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の前記状態変数、第2の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の状態変数のいずれかを用いて学習されたものである、
    請求項30乃至35のいずれか1項に記載の異常予知方法。
  38. 前記機械学習モデルは、教師なし学習で学習されたモデルである、
    請求項30乃至37のいずれか1項に記載の異常予知方法。
  39. 前記機械学習モデルは正常モデルであって、前記異常の度合いに関する情報は、前記正常モデルからの距離に基づいて生成される、
    請求項30乃至38のいずれか1項に記載の異常予知方法。
  40. 前記機械学習モデルは、時系列データを扱う機械学習モデルである、
    請求項30乃至39のいずれか1項に記載の異常予知方法。
  41. 前記機械学習モデルは、少なくとも、前記第1の機械の状態変数と前記第1の機械の異常情報との組合せ、第2の機械の状態変数と前記第2の機械の異常情報との組合せのいずれかを含む訓練データセットを用いて学習されたものである、
    請求項30乃至35のいずれか1項に記載の異常予知方法。
  42. 前記機械学習モデルは、複数の機械で得られた状態変数を用いて学習されたものである、
    請求項30乃至41のいずれか1項に記載の異常予知方法。
  43. 前記機械学習モデルは、前記状態変数を用いて学習された学習モデルを含む、
    請求項30乃至35のいずれか1項に記載の異常予知方法。
  44. 前記機械学習モデルを学習するステップ、を更に備え、
    前記学習するステップは、異常予知の実行と並行して前記機械学習モデルを学習する、
    請求項30乃至43のいずれか1項に記載の異常予知方法
  45. 前記出力するステップは、前記異常の度合いに関する閾値を用いて、複数の異常レベルの情報を出力する、
    請求項30乃至44のいずれか1項に記載の異常予知方法。
  46. 前記異常の度合いに関する情報は、前記第1の機械の構成部品に関する情報である、
    請求項30乃至45のいずれか1項に記載の異常予知方法。
  47. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得するステップと、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力するステップと、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記機械学習モデルは正常モデルであって、前記異常の度合いに関する情報は、前記正常モデルからの距離に基づいて生成される
    異常予知方法。
  48. 前記機械学習モデルを学習するステップ、を更に備え、
    前記学習するステップは、異常予知の実行と並行して前記機械学習モデルを学習する、
    請求項47に記載の異常予知方法
  49. 少なくとも、第1の機械に関する情報を検出するセンサの出力データ、前記第1の機械の制御ソフトウェアの内部データ、前記出力データ又は前記内部データに基づいて得られるデータのいずれか1つを含む状態変数を取得するステップと、
    機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて生成された、前記第1の機械の異常の度合いに関する情報を異常が発生する前に出力するステップと、
    前記機械学習モデルを学習するステップと、を備え、
    前記第1の機械に関する情報は、少なくとも前記第1の機械の状態又は前記第1の機械の周囲環境の状態のいずれか1つを含み、
    前記学習するステップは、異常予知の実行と並行して前記機械学習モデルを学習する
    異常予知方法。
  50. 前記機械学習モデルは、少なくとも、前記第1の機械の異常が無いとき又は異常の度合いが低いときの前記状態変数、第2の機械の異常が無いとき又は異常の度合いが低いときの状態変数のいずれかを用いて学習されたものである、
    請求項47乃至49のいずれか1項に記載の異常予知方法。
  51. 前記機械学習モデルは、少なくとも、前記第1の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の前記状態変数、第2の機械が出荷された後又はメンテナンスされた後を起点とした一定期間の状態変数のいずれかを用いて学習されたものである、
    請求項47乃至49のいずれか1項に記載の異常予知方法。
  52. 前記機械学習モデルは、少なくとも、前記第1の機械の状態変数と前記第1の機械の異常情報との組合せ、第2の機械の状態変数と前記第2の機械の異常情報との組合せのいずれかを含む訓練データセットを用いて学習されたものである、
    請求項47乃至49のいずれか1項に記載の異常予知方法。
  53. 前記機械学習モデルは、複数の機械で得られた状態変数を用いて学習されたものである、
    請求項47乃至52のいずれか1項に記載の異常予知方法。
  54. 前記出力するステップは、前記異常の度合いに関する閾値を用いて、複数の異常レベルの情報を出力する、
    請求項47乃至53のいずれか1項に記載の異常予知方法。
  55. 前記異常の度合いに関する情報は、前記第1の機械の構成部品に関する情報である、
    請求項47乃至54のいずれか1項に記載の異常予知方法。
  56. 前記出力するステップは、複数の時点における前記異常の度合いに関する情報を出力する、
    請求項47乃至55のいずれか1項に記載の異常予知方法。
  57. 請求項30乃至56のいずれか1項に記載の異常予知方法を、少なくとも1台のコンピュータに実行させるための異常予知プログラム。
JP2022109778A 2015-07-31 2022-07-07 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム Active JP7504163B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015152572 2015-07-31
JP2015152572 2015-07-31
JP2020167222A JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2020167222A Division JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法

Publications (2)

Publication Number Publication Date
JP2022125288A JP2022125288A (ja) 2022-08-26
JP7504163B2 true JP7504163B2 (ja) 2024-06-21

Family

ID=57988307

Family Applications (4)

Application Number Title Priority Date Filing Date
JP2015234022A Active JP6148316B2 (ja) 2015-07-31 2015-11-30 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017020403A Active JP6773582B2 (ja) 2015-07-31 2017-02-07 機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法
JP2020167222A Active JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法
JP2022109778A Active JP7504163B2 (ja) 2015-07-31 2022-07-07 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム

Family Applications Before (3)

Application Number Title Priority Date Filing Date
JP2015234022A Active JP6148316B2 (ja) 2015-07-31 2015-11-30 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017020403A Active JP6773582B2 (ja) 2015-07-31 2017-02-07 機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法
JP2020167222A Active JP7104121B2 (ja) 2015-07-31 2020-10-01 故障予知装置、故障予知システム及び故障予知方法

Country Status (2)

Country Link
JP (4) JP6148316B2 (ja)
CN (1) CN106409120B (ja)

Families Citing this family (100)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6346251B2 (ja) * 2016-11-25 2018-06-20 ファナック株式会社 油漏れ検出装置
CN110268350B (zh) * 2017-03-03 2022-12-20 松下知识产权经营株式会社 劣化诊断系统追加学习方法
JP6499689B2 (ja) 2017-03-08 2019-04-10 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
JP6693451B2 (ja) * 2017-03-14 2020-05-13 オムロン株式会社 判定装置、判定プログラムおよび学習方法
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
WO2018173121A1 (ja) * 2017-03-21 2018-09-27 株式会社Preferred Networks サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム
JP6527187B2 (ja) * 2017-03-22 2019-06-05 ファナック株式会社 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ
JP6557272B2 (ja) * 2017-03-29 2019-08-07 ファナック株式会社 状態判定装置
JP6313516B1 (ja) * 2017-03-30 2018-04-18 三菱総研Dcs株式会社 情報処理装置、情報処理方法およびコンピュータプログラム
JP6514260B2 (ja) * 2017-04-13 2019-05-15 ファナック株式会社 制御装置及び機械学習装置
JP6530779B2 (ja) * 2017-04-20 2019-06-12 ファナック株式会社 加工不良要因推定装置
CN110785716B (zh) 2017-06-30 2023-03-31 三菱电机株式会社 不稳定检测装置、不稳定检测系统以及不稳定检测方法
JP6572265B2 (ja) * 2017-06-30 2019-09-04 ファナック株式会社 制御装置及び機械学習装置
KR102616698B1 (ko) * 2017-07-07 2023-12-21 오티스 엘리베이터 컴파니 엘레베이터 상태 모니터링 시스템
JP7082461B2 (ja) * 2017-07-26 2022-06-08 株式会社Ye Digital 故障予知方法、故障予知装置および故障予知プログラム
JP6380628B1 (ja) * 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
JP6680730B2 (ja) * 2017-08-08 2020-04-15 ファナック株式会社 制御装置及び学習装置
JP6989841B2 (ja) * 2017-08-25 2022-01-12 国立大学法人 鹿児島大学 教師情報付学習データ生成方法、機械学習方法、教師情報付学習データ生成システム及びプログラム
JP6577542B2 (ja) * 2017-09-05 2019-09-18 ファナック株式会社 制御装置
JP6926904B2 (ja) * 2017-09-28 2021-08-25 株式会社デンソーウェーブ ロボットの異常判定装置
CN111164524B (zh) * 2017-09-30 2023-09-01 西门子股份公司 一种数控机床的故障诊断信息库的生成方法和装置
JP6629815B2 (ja) 2017-10-23 2020-01-15 ファナック株式会社 寿命推定装置及び機械学習装置
KR101989579B1 (ko) * 2017-10-31 2019-06-14 한국전자통신연구원 시스템 감시 장치 및 방법
JP6622778B2 (ja) * 2017-11-01 2019-12-18 ファナック株式会社 回転テーブル装置
JP6798968B2 (ja) 2017-11-22 2020-12-09 ファナック株式会社 ノイズ発生原因推定装置
JP6972971B2 (ja) * 2017-11-28 2021-11-24 株式会社安川電機 制御システム、機械学習装置、メンテナンス支援装置、及びメンテナンス支援方法
JP6721563B2 (ja) 2017-11-28 2020-07-15 ファナック株式会社 数値制御装置
JP7173273B2 (ja) * 2017-12-11 2022-11-16 日本電気株式会社 障害分析装置、障害分析方法および障害分析プログラム
EP3726437A4 (en) * 2017-12-11 2020-12-16 NEC Corporation ERROR ANALYSIS DEVICE, ERROR ANALYSIS PROCEDURE AND ERROR ANALYSIS PROGRAM
JP7007715B2 (ja) * 2017-12-28 2022-01-25 ローレル精機株式会社 状態判定装置、貨幣処理機状態判定システム、状態判定方法及びプログラム
CN107919054B (zh) * 2018-01-04 2019-06-25 南京旭上数控技术有限公司 一种工业机器人教学装置
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
JP6892400B2 (ja) * 2018-01-30 2021-06-23 ファナック株式会社 レーザ装置の故障発生メカニズムを学習する機械学習装置
JP6662926B2 (ja) * 2018-01-31 2020-03-11 ファナック株式会社 ロボットおよびロボットに関する保守時期の報知方法
CN111670094B (zh) * 2018-02-01 2022-12-06 本田技研工业株式会社 机器人系统和机器人的控制方法
JP2019141869A (ja) * 2018-02-19 2019-08-29 ファナック株式会社 制御装置及び機械学習装置
JP6711854B2 (ja) * 2018-02-22 2020-06-17 ファナック株式会社 故障予測装置及び機械学習装置
DE102018203234A1 (de) * 2018-03-05 2019-09-05 Kuka Deutschland Gmbh Vorausschauende Beurteilung von Robotern
JP7167990B2 (ja) * 2018-03-05 2022-11-09 オムロン株式会社 ロボットを制御する方法、装置、システム及びプログラム、並びに記憶媒体
JP6882719B2 (ja) 2018-03-07 2021-06-02 オムロン株式会社 ロボット制御装置、異常診断方法、及び異常診断プログラム
JP6965798B2 (ja) * 2018-03-12 2021-11-10 オムロン株式会社 制御システムおよび制御方法
DE102019001760A1 (de) * 2018-03-19 2019-09-19 Fanuc Corporation Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
CN108459933B (zh) * 2018-03-21 2021-10-22 哈工大大数据(哈尔滨)智能科技有限公司 一种基于深度递归网络的大数据计算机系统故障检测方法
JP2019191799A (ja) 2018-04-23 2019-10-31 株式会社日立製作所 故障予兆診断システム及び故障予兆診断方法
CN108621159B (zh) * 2018-04-28 2020-05-19 首都师范大学 一种基于深度学习的机器人动力学建模方法
JP6909410B2 (ja) * 2018-05-08 2021-07-28 オムロン株式会社 ロボット制御装置、保守管理方法、及び保守管理プログラム
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
CN110539331A (zh) * 2018-05-28 2019-12-06 睿胜自动化工程有限公司 可预先侦测机械手臂及泵异常的方法及装置
WO2019239562A1 (ja) * 2018-06-14 2019-12-19 ヤマハ発動機株式会社 機械学習装置及びこれを備えたロボットシステム
KR102239040B1 (ko) * 2018-06-29 2021-04-13 성균관대학교산학협력단 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법
JP2021529395A (ja) * 2018-06-29 2021-10-28 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングRobert Bosch Gmbh 電気駆動システムにおけるセンサ故障を監視及び識別するための方法
JP7060546B2 (ja) * 2018-07-10 2022-04-26 ファナック株式会社 歯当たり位置調整量推定装置、機械学習装置、ロボットシステム及び歯当たり位置調整量推定システム
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
CN112601934B (zh) 2018-09-03 2023-02-17 三菱电机株式会社 信号显示控制装置以及计算机可读取的记录介质
JP6856591B2 (ja) 2018-09-11 2021-04-07 ファナック株式会社 制御装置、cnc装置及び制御装置の制御方法
CN109270921A (zh) * 2018-09-25 2019-01-25 深圳市元征科技股份有限公司 一种故障诊断方法及装置
JP2020052821A (ja) * 2018-09-27 2020-04-02 株式会社ジェイテクト 劣化判定装置および劣化判定システム
JP7110884B2 (ja) 2018-10-01 2022-08-02 オムロン株式会社 学習装置、制御装置、学習方法、及び学習プログラム
JP6885911B2 (ja) * 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP6787971B2 (ja) * 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
US11119716B2 (en) * 2018-10-31 2021-09-14 Fanuc Corporation Display system, machine learning device, and display device
JP6867358B2 (ja) * 2018-11-13 2021-04-28 ファナック株式会社 状態判定装置及び状態判定方法
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
CN109514560A (zh) * 2018-12-25 2019-03-26 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) 工业机器人故障监控系统、方法以及装置
JP7162550B2 (ja) 2019-02-15 2022-10-28 オムロン株式会社 モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム
JP7357450B2 (ja) * 2019-02-28 2023-10-06 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
JP7219117B2 (ja) * 2019-02-28 2023-02-07 コマツ産機株式会社 産業機械の予知保全装置、方法、及びシステム
JP6915638B2 (ja) * 2019-03-08 2021-08-04 セイコーエプソン株式会社 故障時期推測装置、機械学習装置、故障時期推測方法
JP6647461B1 (ja) * 2019-03-08 2020-02-14 三菱電機株式会社 故障診断システム、故障予測方法、および故障予測プログラム
JP6993374B2 (ja) * 2019-03-25 2022-01-13 ファナック株式会社 ロボット制御システム
KR102398307B1 (ko) * 2019-03-26 2022-05-16 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 이상 판정 지원 장치
CN113614660B (zh) * 2019-03-28 2022-07-29 三菱电机株式会社 数控装置及数控方法
US10996664B2 (en) * 2019-03-29 2021-05-04 Mitsubishi Electric Research Laboratories, Inc. Predictive classification of future operations
JP7000376B2 (ja) * 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置
TR201906067A2 (tr) * 2019-04-24 2020-11-23 Borusan Makina Ve Guec Sistemleri Sanayi Ve Ticaret Anonim Sirketi İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem
CN111942973B (zh) * 2019-05-16 2023-04-11 株式会社日立制作所 电梯控制装置、机器人故障预兆诊断系统及其方法
JP7260402B2 (ja) * 2019-05-31 2023-04-18 ファナック株式会社 ケーブルの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
JP7347969B2 (ja) 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法
JP7401207B2 (ja) 2019-06-21 2023-12-19 ファナック株式会社 ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
US20210331655A1 (en) * 2019-07-08 2021-10-28 Lg Electronics Inc. Method and device for monitoring vehicle's brake system in autonomous driving system
JP7436169B2 (ja) * 2019-09-18 2024-02-21 ファナック株式会社 診断装置および診断方法
JP7396850B2 (ja) 2019-10-18 2023-12-12 ファナック株式会社 ロボット
CN111086025A (zh) * 2019-12-25 2020-05-01 南京熊猫电子股份有限公司 一种应用于工业机器人的多故障原因诊断系统及诊断方法
JP7282700B2 (ja) * 2020-01-22 2023-05-29 双葉電子工業株式会社 ロボット、モータ駆動ユニット、ロボットの制御方法
JP7298494B2 (ja) 2020-01-31 2023-06-27 横河電機株式会社 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム
US20210247753A1 (en) 2020-02-07 2021-08-12 Kabushiki Kaisha Yaskawa Denki State estimation device, system, and manufacturing method
US11531339B2 (en) * 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
JP2021160031A (ja) * 2020-03-31 2021-10-11 セイコーエプソン株式会社 故障予測方法および故障予測装置
KR102181432B1 (ko) * 2020-04-22 2020-11-24 김한수 지능형 로봇제어 시스템
KR102129480B1 (ko) * 2020-04-23 2020-07-02 호서대학교 산학협력단 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법
AT524001B1 (de) * 2020-07-10 2023-10-15 Engel Austria Gmbh Verfahren zur Optimierung und/oder Bedienung mindestens eines Produktionsprozesses
KR102316773B1 (ko) * 2020-07-31 2021-10-26 삼성중공업(주) 선박 상태 예측 시스템 및 방법
KR102538542B1 (ko) * 2021-04-12 2023-05-30 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
US20220342391A1 (en) 2021-04-27 2022-10-27 Aida Engineering, Ltd. Press machine and method of displaying operating state of press machine
CN114142605B (zh) 2021-11-09 2022-07-15 广东工业大学 纵联保护方法、装置和存储介质
CN114055516B (zh) * 2021-11-10 2023-08-11 合肥欣奕华智能机器股份有限公司 一种故障诊断和维保的方法、系统、设备及存储介质
CN114565058A (zh) * 2022-03-16 2022-05-31 广东电网有限责任公司 一种孤岛检测模型训练方法、装置、设备和介质
CN114770509A (zh) * 2022-05-05 2022-07-22 新代科技(苏州)有限公司 一种应用于焊接机器人系统的故障诊断方法
WO2024053101A1 (ja) * 2022-09-09 2024-03-14 富士通株式会社 学習プログラム、生成プログラム、学習方法および情報処理装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005207644A (ja) 2004-01-21 2005-08-04 Mitsubishi Electric Corp 機器診断装置、冷凍サイクル装置、流体回路診断方法、機器監視システム、冷凍サイクル監視システム
JP2006300896A (ja) 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
US20070038838A1 (en) 2005-08-11 2007-02-15 The University Of North Carolina At Chapel Hill Novelty Detection Systems, Methods and Computer Program Products for Real-Time Diagnostics/Prognostics In Complex Physical Systems
WO2008120552A1 (ja) 2007-03-29 2008-10-09 Nec Corporation 診断システム
JP5684941B1 (ja) 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08202444A (ja) * 1995-01-25 1996-08-09 Hitachi Ltd 機械設備の異常診断方法および装置
JPH08263131A (ja) * 1995-03-27 1996-10-11 Hitachi Ltd プラント劣化診断装置及び方法
JPH1049223A (ja) * 1996-07-31 1998-02-20 Nissan Motor Co Ltd ニューラルネットワークを用いた故障診断方法およびその装置
JPH10154900A (ja) * 1996-11-25 1998-06-09 Hitachi Ltd 電子部品実装用プリント基板の故障解析方法およびシステム
JP3604860B2 (ja) * 1997-03-24 2004-12-22 三洋電機株式会社 機器の運転状態管理装置
JPH11212637A (ja) * 1998-01-22 1999-08-06 Hitachi Ltd 予防保全方法及び装置
JP2000064964A (ja) * 1998-08-21 2000-03-03 Ebara Corp 真空ポンプの故障予知システム
JP4592235B2 (ja) * 2001-08-31 2010-12-01 株式会社東芝 生産装置の故障診断方法及び生産装置の故障診断システム
JP2003208220A (ja) 2002-01-11 2003-07-25 Hitachi Industries Co Ltd 設備の劣化診断方法と劣化診断装置
TWI240216B (en) * 2002-06-27 2005-09-21 Ind Tech Res Inst Pattern recognition method by reducing classification error
US7536371B2 (en) * 2005-12-05 2009-05-19 Insyst Ltd. Apparatus and method for the analysis of a process having parameter-based faults
CN101127100A (zh) * 2006-08-18 2008-02-20 张湛 一种处理不确定因果关系类信息的智能系统的构造方法
CN101008992A (zh) * 2006-12-30 2007-08-01 北京市劳动保护科学研究所 基于人工神经网络的管道泄漏的检测方法
US8036999B2 (en) * 2007-02-14 2011-10-11 Isagacity Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters
CN100468263C (zh) * 2007-09-05 2009-03-11 东北大学 连采机远程实时故障预测及诊断方法与装置
CN101697079B (zh) * 2009-09-27 2011-07-20 华中科技大学 用于航天器实时信号处理的盲系统故障检测与隔离方法
JP5454671B2 (ja) * 2010-02-26 2014-03-26 株式会社日立製作所 故障原因診断システムおよびその方法
CN102063109B (zh) * 2010-11-29 2012-09-05 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
JP2012168799A (ja) 2011-02-15 2012-09-06 Hitachi Ltd プラント監視装置およびプラント監視方法
CN103064340B (zh) * 2011-10-21 2014-12-03 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
CN102609764A (zh) * 2012-02-01 2012-07-25 上海电力学院 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN102629243B (zh) * 2012-03-02 2015-01-07 燕山大学 基于神经网络集成和bs-emd的端点效应抑制方法
JP5996384B2 (ja) * 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
CN103018660B (zh) * 2012-12-25 2015-04-22 重庆邮电大学 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
WO2014116888A1 (en) * 2013-01-25 2014-07-31 REMTCS Inc. Network security system, method, and apparatus
JP5530019B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
CN104571079A (zh) * 2014-11-25 2015-04-29 东华大学 一种基于多传感器信息融合的无线远程故障诊断系统
CN104699994A (zh) * 2015-04-02 2015-06-10 刘岩 一种基于fbf神经网络的电机气隙偏心故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005207644A (ja) 2004-01-21 2005-08-04 Mitsubishi Electric Corp 機器診断装置、冷凍サイクル装置、流体回路診断方法、機器監視システム、冷凍サイクル監視システム
JP2006300896A (ja) 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
US20070038838A1 (en) 2005-08-11 2007-02-15 The University Of North Carolina At Chapel Hill Novelty Detection Systems, Methods and Computer Program Products for Real-Time Diagnostics/Prognostics In Complex Physical Systems
WO2008120552A1 (ja) 2007-03-29 2008-10-09 Nec Corporation 診断システム
JP5684941B1 (ja) 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Also Published As

Publication number Publication date
JP7104121B2 (ja) 2022-07-20
JP2017033526A (ja) 2017-02-09
CN106409120B (zh) 2021-03-23
JP2022125288A (ja) 2022-08-26
CN106409120A (zh) 2017-02-15
JP6773582B2 (ja) 2020-10-21
JP6148316B2 (ja) 2017-06-14
JP2017120649A (ja) 2017-07-06
JP2021002398A (ja) 2021-01-07

Similar Documents

Publication Publication Date Title
JP7504163B2 (ja) 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム
US12066797B2 (en) Fault prediction method and fault prediction system for predecting a fault of a machine
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6810097B2 (ja) 異常検出器
JP6956028B2 (ja) 故障診断装置及び機械学習装置
US7395188B1 (en) System and method for equipment life estimation
JP7320368B2 (ja) 故障予測装置、故障予測方法およびコンピュータプログラム
CN112727965B (zh) 采煤机制动器的故障监测方法及装置
JP2018500709A5 (ja) コンピューティングシステム、プログラムおよび方法
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP6647473B1 (ja) 異常検知装置および異常検知方法
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP2021121888A (ja) 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム
JP2021015573A (ja) 異常判定装置及び異常判定システム
JP2018086715A (ja) テレスコピックカバーの異常発生推定装置及び異常発生推定方法
US12103169B2 (en) Abnormality diagnosis device and abnormality diagnosis method
JP7085140B2 (ja) 制御装置、制御方法及び制御プログラム
JP6662222B2 (ja) 製造プロセスの異常状態診断方法及び異常状態診断装置
WO2017199652A1 (ja) 診断システム及び電子制御装置

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220804

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220804

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230808

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230928

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240109

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240216

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240514

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240611

R150 Certificate of patent or registration of utility model

Ref document number: 7504163

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150