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

WO2020031225A1 - 異常診断装置及び異常診断方法 - Google Patents

異常診断装置及び異常診断方法 Download PDF

Info

Publication number
WO2020031225A1
WO2020031225A1 PCT/JP2018/029338 JP2018029338W WO2020031225A1 WO 2020031225 A1 WO2020031225 A1 WO 2020031225A1 JP 2018029338 W JP2018029338 W JP 2018029338W WO 2020031225 A1 WO2020031225 A1 WO 2020031225A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
movable
maintenance
unit
speed reducer
Prior art date
Application number
PCT/JP2018/029338
Other languages
English (en)
French (fr)
Inventor
田中　康裕
Original Assignee
日産自動車株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日産自動車株式会社 filed Critical 日産自動車株式会社
Priority to EP18929415.0A priority Critical patent/EP3835750B1/en
Priority to CN201880096289.8A priority patent/CN112534236B/zh
Priority to PCT/JP2018/029338 priority patent/WO2020031225A1/ja
Priority to US17/266,402 priority patent/US12103169B2/en
Priority to JP2020535341A priority patent/JP7079420B2/ja
Publication of WO2020031225A1 publication Critical patent/WO2020031225A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/06—Safety devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0061—Force sensors associated with industrial machines or actuators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Definitions

  • the present invention relates to an abnormality diagnosis device and an abnormality diagnosis method for diagnosing an abnormality occurring in a movable portion such as a speed reducer provided in a device such as a robot.
  • Patent Document 1 As a device for detecting an abnormality occurring in a device, for example, a device disclosed in Patent Document 1 is known.
  • Patent Literature 1 when an abnormality occurs in a device to be diagnosed, date, sound data, correctness of the diagnosis result, work record (whether there is a check, whether there is a problem, time at which the test was performed, location, etc.) are associated with each other. It is disclosed that a similar case in the past is presented to the user about a sound when an abnormality occurs in the device.
  • Patent Literature 1 when an abnormality occurs in a device to be diagnosed, there is a problem that a causal relationship with an abnormality in another device cannot be known.
  • the present invention has been made in order to solve such a conventional problem, and an object of the present invention is to solve the problem that when an abnormality occurs in one of the movable parts, an abnormality in the other movable part related thereto is caused. It is an object of the present invention to provide an abnormality diagnosis device and an abnormality diagnosis method capable of predicting and presenting the same to an operator.
  • One aspect of the present invention includes a maintenance history storage unit that stores maintenance data relating to maintenance performed on each movable unit, and a control unit that diagnoses an abnormality of each movable unit.
  • the control unit when detecting an abnormality of one movable unit based on the movable unit data, predicts an abnormality of another movable unit that occurs in association with the abnormality of the one movable unit based on the maintenance data, and predicts the abnormality.
  • the information about the abnormality of the other movable part is output to the display unit.
  • FIG. 1 is a block diagram illustrating a configuration of an abnormality diagnosis device according to an embodiment of the present invention and peripheral devices thereof.
  • FIG. 2 is an explanatory diagram showing an example in which the abnormality diagnosis device shown in FIG. 1 is configured by an integrated computer.
  • FIG. 3 is a flowchart illustrating a processing procedure of a correlation analysis process performed by the abnormality diagnosis device according to the present invention.
  • FIG. 4 is a flowchart showing a processing procedure of the abnormality detection device according to the present invention.
  • FIG. 5 is a graph showing changes in the disturbance torque and the degree of abnormality.
  • FIG. 6 is an explanatory diagram showing the abnormality detected in each reduction gear and the execution of maintenance.
  • FIG. 7A is an explanatory diagram showing the maintenance history A.
  • FIG. 7B is an explanatory diagram showing the maintenance history B.
  • FIG. 8 is an explanatory diagram showing a tree image showing the history of the abnormality diagnosis.
  • FIG. 9 is an explanatory diagram showing an abnormality diagnosis image displayed on the display.
  • FIG. 10 is an explanatory diagram showing an abnormality diagnosis image displayed on the display, and shows an example in which the maintenance history A is enlarged and displayed with respect to the maintenance history B.
  • FIG. 11 is a timing chart showing the maintenance (H1 to Hn) performed in each reduction gear and the abnormality detected in the reduction gear.
  • FIG. 1 is a block diagram illustrating a configuration of an abnormality diagnosis device according to an embodiment of the present invention and peripheral devices thereof.
  • an abnormality diagnosis device 102 according to the present embodiment is connected to a robot 101 (equipment) and a user interface 103 (illustrated as “UI” in the figure), and diagnoses an abnormality of the robot 101. Then, data regarding the diagnosis result is output to a display 62 (display unit) provided on the user interface 103, and the diagnosis result is displayed on the display 62.
  • “diagnosing an abnormality” is a concept that includes not only determining an abnormality that has occurred at present, but also predicting an abnormality that will occur in the future.
  • the robot 101 is, for example, a teaching playback type multi-axis robot.
  • Teaching playback refers to a function in which an operator actually operates a robot using a teaching pendant attached to the robot, and records and reproduces the operation to operate the robot.
  • a teaching playback type robot will be described as an example, but the present invention is not limited to this.
  • the robot 101 includes a speed reducer 14 (movable part), an operation control part 15, a sensor 13, a disturbance torque calculation part 12, and a communication part 11.
  • a speed reducer 14 movable part
  • an operation control part a sensor 13
  • a disturbance torque calculation part 12 a disturbance torque calculation part 11
  • a communication part 11 a communication part 11.
  • the speed reducer 14 includes a servomotor (hereinafter, abbreviated as “motor”) for operating the joint axis of the robot arm, and operates under the control of the operation control unit 15. Then, by operating the speed reducer 14, the welding electrode (welded portion) mounted on the tip of the robot arm, for example, is brought into contact with a desired portion of an object to be processed (for example, a metal blank). Perform welding work. In addition to the welding operation, the robot 101 can perform various operations such as pressing, painting, resin molding, and assembling the object.
  • a servomotor hereinafter, abbreviated as “motor”
  • the sensor 13 is installed on the robot 101 and includes, for example, a pulse generator and an encoder.
  • the position and angle of the robot arm operated by the speed reducer 14, the rotation angle, the rotation speed, the power consumption, and Various physical quantities such as a current and a rotation angle of the speed reducer 14 are detected. Further, the sensor 13 detects a torque value generated in the motor of the speed reducer 14.
  • the sensor data detected by the sensor 13 is transmitted from the communication unit 11 to the abnormality diagnosis device 102.
  • the operation control unit 15 operates the speed reducer 14 according to the operation program set by the above-described teaching, and controls each robot arm and joint axis mounted on the robot 101 to perform desired operations. Further, operation data when the robot 101 is operated is output to the communication unit 11.
  • the operation data includes various information related to the operation of the robot 101. Details will be described later.
  • the disturbance torque calculation unit 12 calculates the disturbance torque generated in the motor of the speed reducer 14.
  • the disturbance torque indicates a difference between a torque command value for controlling the motor and a torque detection value detected by the sensor 13.
  • the difference between the torque command value and the torque detection value is substantially constant, so that the disturbance torque shows a stable numerical value.
  • the disturbance torque is an example of movable part data relating to the state of the movable part (reducer 14).
  • the communication unit 11 transmits the operation data of the robot 101, the disturbance torque calculated by the disturbance torque calculation unit 12, and various sensor data detected by the sensor 13 to the abnormality diagnosis device 102.
  • the above-described functions of the robot 101 can be implemented by one or a plurality of processing circuits.
  • the processing circuit includes a programmed processing device such as a processing device including an electric circuit.
  • Processing devices also include devices such as application specific integrated circuits (ASICs) or conventional circuit components arranged to perform the functions provided by robot 101.
  • ASICs application specific integrated circuits
  • the user interface 103 includes a display 62 for displaying various information and a display control unit 61 for controlling the display of various information transmitted from the abnormality diagnosis device 102. Further, an input unit 63 for the operator to perform various operations is provided. When the operator inputs the maintenance data indicating that the maintenance of the robot 101 has been performed on the input unit 63, an operation of writing the maintenance data to a maintenance history DB 32 (maintenance history storage unit) described later is performed.
  • a tablet terminal or the like can be used as the user interface 103.
  • the abnormality diagnosis device 102 includes a control unit 51 and various databases (DB).
  • the control unit 51 includes a communication unit 21, an abnormality degree determination unit 22, an abnormality prediction unit 23, a notification content setting unit 24, and a correlation analysis unit 25.
  • the database includes a sensor DB 31, a maintenance history DB 32 (maintenance history storage unit), an abnormality prediction DB 33, a correlation storage DB 34 (correlation storage unit), and an operation history DB 35.
  • the sensor DB 31 stores sensor data such as the position and angle of the robot arm detected by the sensor 13 and the rotation angle and rotation speed of the motor. Further, the disturbance torque (data relating to the state of the movable portion) calculated by the disturbance torque calculation section 12 is stored.
  • the operation history DB 35 stores operation data of the robot 101.
  • the operation data includes various data relating to the operation, such as the operation day of the robot 101, the time at which the operation started, the time at which the operation was stopped, the time at which the robot 101 was continuously operated, and the time at which the robot 101 was continuously stopped.
  • the operation data includes an operation mode of the speed reducer 14.
  • the operation mode includes a normal operation mode, a maintenance mode, and a stop mode.
  • the maintenance history DB 32 stores maintenance data when maintenance is performed on the robot 101 when an abnormality occurs in the speed reducer 14 or when an abnormality is predicted to occur.
  • the maintenance data can be input by the operator through the input unit 63 of the user interface 103. Alternatively, when the robot 101 is operated in the above-described maintenance mode, it may be determined that the maintenance is being performed, and the maintenance data may be automatically created and stored.
  • the maintenance data includes the ID number of the speed reducer 14 that performed the maintenance, the ID number of the motor mounted on the speed reducer 14, the date and time that the maintenance was performed, and the details of the maintenance (replacement, repair, oiling of grease, etc.). Is included.
  • the correlation storage DB 34 stores a correlation (details will be described later) derived by the correlation analyzer 25 described later. Further, the correlation storage DB 34 stores a correspondence relationship with one speed reducer provided in the robot 101 and another speed reducer that operates in conjunction with the one speed reducer.
  • the robot 101 is provided with six speed reducers 14 (hereinafter referred to as speed reducers 14a, 14b, 14c, 14d, 14e, and 14f), and the speed reducers 14a and 14b operate in conjunction with each other, When the reduction gears 14d, 14e, and 14f operate in conjunction with each other, the correspondence between them is stored.
  • a suffix such as “reduction gear 14a” or “reduction gear 14b” is added, and when not specified, “reduction gear 14” is used. I will show you.
  • the abnormality prediction DB 33 stores abnormality prediction data predicted by the abnormality prediction unit 23 (details will be described later). For example, when an abnormality is detected by the disturbance torque of a certain speed reducer 14a, and when an abnormality occurring in the speed reducer 14b operating in conjunction with the speed reducer 14a is predicted, the predicted data is stored as the abnormality prediction data. .
  • the communication unit 21 communicates with the communication unit 11 provided in the robot 101.
  • the communication unit 21 receives the operation data of the robot 101 transmitted from the robot 101 and outputs the operation data to the operation history DB 35. Further, the communication unit 21 receives the disturbance torque and the sensor data transmitted from the robot 101 and outputs the sensor torque and the sensor data to the sensor DB 31.
  • the correlation analysis unit 25 performs a correlation analysis of an abnormality occurring in each of the speed reducers 14 based on the maintenance data of each of the speed reducers 14 stored in the maintenance history DB 32.
  • FIG. 6 shows an example of the maintenance history of each speed reducer 14, and the horizontal axis shows the time of one to several weeks.
  • “ ⁇ ” indicates an abnormality occurring in the speed reducer 14
  • “ ⁇ ” indicates the execution of maintenance to replenish grease
  • “ ⁇ ” indicates the execution of maintenance to replace the speed reducer 14.
  • the speed reducer 14 is frequently replaced within several days thereafter. Therefore, it is determined that there is a correlation between the grease refueling and the subsequent replacement of the speed reducer 14.
  • the correlation obtained by the correlation analysis is stored in the correlation storage DB 34.
  • the abnormality degree determination unit 22 acquires the past disturbance torque of the motor mounted on the speed reducer 14 from the sensor DB 31 and calculates the abnormality degree indicating the abnormality of the acquired disturbance torque.
  • the degree of abnormality a (x ') when the disturbance torque is x' is defined by the following equation (1).
  • a (x ′) ⁇ (x′ ⁇ m) 2 ⁇ / 2 ⁇ s 2 (1)
  • m is a sample average of the disturbance torque
  • s is a standard deviation of the disturbance torque.
  • FIG. 5A is a waveform showing a disturbance torque generated in the speed reducer 14a, and the degree of abnormality is calculated by the above equation (1) based on the disturbance torque shown in FIG. As a result, the degree of abnormality is calculated as shown in FIG. For example, at the sign p1 in FIG. 5B, since the degree of abnormality exceeds the reference value (1.0), it is determined that the disturbance torque is abnormal.
  • kernel density estimation, density ratio estimation, or the like can be used as a method of calculating the degree of abnormality. Further, as another method of calculating the degree of abnormality, a difference between the disturbance torque and the predetermined value is calculated, and further, a change rate of the difference with respect to time is calculated. When the calculated change rate exceeds a predetermined threshold, the disturbance torque can be determined to be abnormal.
  • a predetermined threshold for example, an average value of disturbance torque of the same month one year ago can be used.
  • the abnormality prediction unit 23 determines or predicts an abnormality occurring in each of the speed reducers 14 based on the degree of abnormality calculated for each of the speed reducers 14. When it is determined based on the abnormality degree calculated by the abnormality degree determination unit 22 that the abnormality degree of a certain speed reducer 14a is high, it is determined that the speed reducer 14a is abnormal. Further, a list of the speed reducers 14 operating in conjunction with the speed reducer 14a is acquired with reference to the correlation storage DB 34. In the present embodiment, the speed reducer 14b is acquired as the list. Although there may be a plurality of speed reducers 14 that operate in conjunction with the speed reducer 14a, here, as an example, only the speed reducer 14b will be described.
  • the abnormality prediction unit 23 determines the speed of the reduction gears 14a and 14b based on the maintenance data (maintenance time, contents of maintenance, etc.) of the reduction gears 14a and 14b stored in the maintenance history DB 32 and the correlation stored in the correlation storage DB 34. , 14b are detected.
  • the abnormality prediction unit 23 refers to the correlation stored in the correlation storage DB 34 and correlates with the abnormality detected in the speed reducer 14a.
  • An abnormality of a certain reducer 14b (another movable part) is predicted.
  • FIG. 7A is a diagram showing abnormalities detected in the past in the speed reducers 14a and 14b and maintenance performed in the past, and the horizontal axis represents the time of one to several weeks. This is referred to as “maintenance history A”.
  • FIG. 7B is a diagram showing an abnormality detected in the past in the reduction gears 14a and 14b and maintenance performed in the past, and the horizontal axis represents a period of one to several years. This is referred to as “maintenance history B”.
  • “A” in FIG. 7A indicates the abnormality detected this time, and “ ⁇ ” in FIG. 7B indicates that no abnormality was detected, that is, normal. Further, “ ⁇ ”indicates an abnormality,“ ⁇ ”indicates grease refueling, and“ ⁇ ”indicates replacement of the speed reducer 14.
  • the speed reducer 14 is replaced at the time t11 in the speed reducer 14a, and at time t12 (corresponding to t3 in FIG. 7A) within one year thereafter, the current abnormality is detected. Has been detected.
  • the current abnormality (t3 in FIG. 7A and t12 in FIG. 7B) detected by the speed reducer 14a is within one year from the previous replacement of the speed reducer 14a. It is determined that the possibility of occurrence is low.
  • the grease is re-oiled at time t2 in FIG. 7A.
  • the correlation stored in the correlation storage DB 34 there is a high possibility that an abnormality has occurred in the speed reducer 14b. That is, referring to the maintenance history A shown in FIG. 7A, the abnormality is detected at the time t1 with respect to the speed reducer 14b, and the maintenance to replenish the grease is performed at the time t2. It is determined that there is a high possibility that an abnormality that requires replacement of the speed reducer has occurred.
  • the abnormality prediction unit 23 determines that even if the abnormality is detected in the speed reducer 14a, it is highly probable that an abnormality has occurred in the speed reducer 14b operating in conjunction with the speed reducer 14a.
  • the abnormality of the speed reducer 14b is predicted in addition to the speed reducer 14a. That is, when the abnormality predicting unit 23 detects the abnormality of the speed reducer 14a, the abnormality prediction unit 23 refers to the maintenance data for the abnormality of at least one other speed reducer 14 (the speed reducer 14b) and obtains information on the abnormality of the speed reducer 14b. To determine.
  • the notification content setting unit 24 sets the content displayed on the display 62 of the user interface 103 and notified to the operator.
  • a tree image 73 that expresses the abnormality diagnosis result of the speed reducer 14 diagnosed as abnormal by the abnormality prediction unit 23 in a tree structure is generated.
  • FIG. 8 is an explanatory diagram showing an example of the tree image 73.
  • an image of an “abnormality diagnosis tree” is generated as shown in a block q1 in FIG.
  • an image of “abnormality 2.1> reference value 1.0” indicating that the numerical value “2.1” of the degree of abnormality calculated at this time is larger than the reference value “1.0”.
  • the image of the symbol K1 is generated so that the correspondence with the waveform of the abnormality degree can be easily recognized.
  • the “symbol” described in the present embodiment is a concept including a character, a predetermined mark, an icon, and the like.
  • the tree image 73 includes a maintenance command for the speed reducer 14a and the speed reducer 14b in which the occurrence of an abnormality is predicted, and the relationship between the occurrence of the abnormality and the maintenance command is associated.
  • the display frames of blocks q1 to q5 indicating the flow from the occurrence of the abnormality to the execution of the maintenance are displayed with thick lines.
  • the display frames of the other blocks q6, q7, q8 are displayed by thin lines. Therefore, when an abnormality is detected in the speed reducer 14a, it is possible for the operator to recognize in a systematic manner a process until the abnormality predicting unit 23 predicts an abnormality in the speed reducer 14b.
  • the blocks q1 to q5 and the blocks q6 to q8 may be displayed in different colors, or may be highlighted by shading.
  • the notification content setting unit 24 displays information of the speed reducer 14a and information of the speed reducer 14b (blocks q4 and q6 in FIGS. 8 and 9) in a tree structure.
  • a tree image 73 (see FIG. 9) is generated.
  • a tree image 73 in which the display form (for example, the thickness of the line) of the information of the speed reducer 14b is changed is generated based on the information of the speed reducer 14b according to the content of the abnormality prediction of the speed reducer 14b.
  • the notification content setting section 24 generates the tree image 73, the disturbance torque waveform shown in FIG. 5, the abnormality degree display image 71 showing the abnormality degree waveform, and the maintenance history image 72 shown in FIGS. 7A and 7B. I do.
  • the maintenance history image 72 includes an image showing the maintenance history A (first maintenance history image) and an image showing the maintenance history B having a different time axis scale from the maintenance history A (second maintenance history image).
  • the abnormality diagnosis image 70 shown in FIG. 9 is generated by combining the generated images 71, 72, and 73. Note that the same operation instructions as the blocks q5, q7, q8 shown in FIG. 8 are shown in blocks q5, q7, q8 shown in FIG.
  • the abnormality diagnosis apparatus 102 includes a CPU 41 (central processing unit), a memory 42, and each database (sensor DB 31, maintenance history DB 32, abnormality prediction DB 33, correlation storage DB 34, operation history DB 35) as shown in FIG. It can also be realized using a computer.
  • a computer program (an abnormality diagnosis program) for causing the computer to function as the abnormality diagnosis device 102 is installed in the computer and executed. Accordingly, the CPU 41 functions as a plurality of information processing circuits included in the abnormality diagnosis device 102, that is, the communication unit 21, the abnormality determination unit 22, the abnormality prediction unit 23, the notification content setting unit 24, and the correlation analysis unit 25.
  • the above-described functions of the abnormality diagnosis device 102 can be implemented by one or a plurality of processing circuits.
  • the processing circuit includes a programmed processing device such as a processing device including an electric circuit.
  • the processing device also includes devices such as application specific integrated circuits (ASICs) or conventional circuit components arranged to perform the functions provided by the anomaly diagnostic device 102.
  • ASICs application specific integrated circuits
  • FIG. 3 is a flowchart showing a processing procedure of the correlation analysis processing executed by the correlation analysis unit 25.
  • step S11 the correlation analysis unit 25 acquires the maintenance data executed by each reduction gear 14 from the maintenance history DB32.
  • step S12 the correlation analysis unit 25 performs a correlation analysis based on the maintenance data performed by the plurality of speed reducers 14. For example, as shown in FIG. 6, an abnormality of the speed reducer 14 is detected (indicated by “ ⁇ ” in the figure), and then grease refueling is performed (indicated by “ ⁇ ” in the figure). Since the maintenance work in which the machine 14 is replaced (indicated by “ ⁇ ” in the figure) is performed frequently, it is determined that there is a correlation between the grease refueling and the subsequent replacement of the speed reducer 14.
  • step S13 the correlation analysis unit 25 stores the correlation obtained by the correlation analysis in the correlation storage DB 34, and ends the processing.
  • FIG. 4 is a flowchart showing the processing procedure of the abnormality diagnosis processing.
  • the abnormality determination unit 22 acquires the disturbance torque of a certain speed reducer (here, the speed reducer 14a) from the sensor DB31.
  • a certain speed reducer here, the speed reducer 14a
  • time-series data of the disturbance torque is obtained.
  • step S32 the abnormality determination unit 22 calculates the degree of abnormality indicating the abnormality of the speed reducer 14a using the above-described equation (1) based on the acquired disturbance torque. As a result, for example, as shown in FIG. 5B, time-series data of the degree of abnormality is obtained.
  • step S33 the abnormality determination unit 22 determines whether an abnormality has occurred in the speed reducer 14a based on the abnormality degree calculated in the process in step S32.
  • the reference value of the degree of abnormality is set to 1.0, and if the calculated degree of abnormality exceeds this reference value, it is determined that the speed reducer 14a is abnormal.
  • the degree of abnormality is higher than the reference value at the time point indicated by the reference symbol p1, and thus it is determined that the abnormality is abnormal.
  • the notification content setting unit 24 does not display the information regarding the abnormality when all the speed reducers 14 have no abnormality. Only when it is diagnosed that an abnormality has occurred in at least one of the speed reducers 14, information relating to the abnormality is displayed on the display 62.
  • step S34 the notification content setting unit 24 generates display data of the disturbance torque and the degree of abnormality displayed on the display 62 of the user interface 103. As a result, display data of the abnormality degree display image 71 shown in FIG. 9 is generated.
  • step S35 the abnormality prediction unit 23 acquires a list of the speed reducers 14 that operate in conjunction with the speed reducer 14a based on the information stored in the correlation storage DB 24.
  • the speed reducer 14b is specified as the speed reducer 14 that operates in conjunction with the speed reducer 14a.
  • step S36 the abnormality prediction unit 23 acquires the maintenance data of the speed reducers 14a, 14b from the maintenance history DB32.
  • step S37 the notification content setting unit 24 generates display data of the maintenance history A (see FIG. 7A) and the maintenance history B (see FIG. 7B) displayed on the display 62. As a result, display data of the maintenance history image 72 shown in FIG. 9 is generated.
  • step S38 the abnormality prediction unit 23 refers to the maintenance history B. Further, in step S39, it is determined whether or not the abnormality detected by the speed reducer 14a is inconsistent with the maintenance data of the maintenance history B. If it is determined that there is no contradiction (YES in step S39), the process proceeds to step S40. If it is not determined that there is contradiction (NO in step S39), the process proceeds to step S43.
  • the reduction gear 14a is replaced at the time t11, and the abnormality detected at the time t12 is within one year from the time t11. It is unlikely that this has occurred. Therefore, it is determined that the abnormality detected by the speed reducer 14a is inconsistent with the maintenance data of the maintenance history B (YES in step S39).
  • step S40 the abnormality prediction unit 23 refers to the maintenance history A, and in step S41, determines whether there is maintenance data indicating an abnormality in the speed reducer 14b. If the maintenance data indicating the abnormality exists (YES in step S41), the process proceeds to step S42, and if not (NO in step S41), the process proceeds to step S43.
  • step S42 the abnormality prediction unit 23 determines an instruction to measure the iron powder concentration of the speed reducers 14a and 14b.
  • step S43 the abnormality prediction unit 23 determines an instruction to measure the iron powder concentration of the speed reducer 14a.
  • step S44 the notification content setting unit 24 generates display data of the tree image 73 shown in FIG.
  • the tree image 73 is configured so that when an abnormality is detected in the speed reducer 14a, the details of the detection of the abnormality up to the work content instructed by the operator can be easily recognized by the operator. Further, display data of an abnormality degree display image 71 indicating the disturbance torque and the degree of abnormality shown in FIG. 5 and display data of the maintenance history image 72 shown in FIGS. 7A and 7B are generated, and an abnormality diagnosis image 70 shown in FIG. Generate display data for.
  • a symbol K1 (clip mark) is displayed on the abnormality degree display image 71, and “abnormality 2.1> reference value 1.0” is further displayed.
  • the same symbol K1 and character are displayed in the block q2 of the tree image 73. That is, the same symbol as the symbol shown in the abnormality degree display image 71 is attached to the corresponding information in the tree image 73, and the abnormality diagnosis image 70 including the tree image 73 and the abnormality degree display image 71 is generated. . Therefore, it is possible to display the correspondence between the tree image 73 and the abnormality degree display image 71 in an easily recognizable manner.
  • the symbol K2 is displayed, and further, "reduction gear 14b: attention required” is displayed.
  • the same symbol K2 and character are displayed in the block q4 of the tree image 73. That is, the same symbol as the symbol shown in the maintenance history image 72 is attached to the corresponding information in the tree image 73, and the abnormality diagnosis image 70 including the tree image 73 and the maintenance history image 72 is generated. Therefore, the correspondence between the tree image 73 and the maintenance history image 72 can be displayed in an easily recognizable manner.
  • step S45 the notification content setting unit 24 outputs the display data of the abnormality diagnosis image 70 shown in FIG. After that, the process ends.
  • the display control unit 61 of the user interface 103 receives the display data of the abnormality diagnosis image 70 and displays the abnormality diagnosis image 70 as shown in FIG.
  • the operator sees the image displayed on the display 62, the disturbance torque of the speed reducer 14a fluctuates greatly, and an abnormality is detected. Further, the abnormality occurs in the speed reducer 14b operating in association with the speed reducer 14a. You can recognize that you may be doing.
  • the speed reducer 14b ( The abnormality of the other movable part) is predicted, and information on the abnormality is displayed on the display 62. Therefore, not only the speed reducer 14a in which the abnormality is detected, but also the abnormality of the speed reducer 14b in which an abnormality may occur in relation to the abnormality detected in the speed reducer 14a, can be notified to the operator, and a wide range of deceleration can be achieved. The abnormality diagnosis of the machine 14 becomes possible.
  • the abnormality prediction unit 23 decelerates from the maintenance data stored in the maintenance history DB 32 based on the timing of the maintenance performed by each reduction gear 14, the maintenance contents such as grease renewal and replacement of the reduction gear 14, and the like. The information regarding the abnormality of the machine 14 is determined. Therefore, the abnormality diagnosis of the speed reducer 14 can be performed with higher accuracy.
  • the correlation analysis unit 25 performs a correlation analysis based on the abnormality occurring in each of the speed reducers 14 and the content of the maintenance performed in each of the speed reducers 14, and stores the correlation of each of the speed reducers 14 in the correlation storage DB 34. Then, based on the correlation stored in the correlation storage DB 34, when an abnormality is detected in the speed reducer 14a, an abnormality in the speed reducer 14b having a correlation with the abnormality generated in the speed reducer 14 is predicted. Therefore, it is possible to perform a highly accurate abnormality diagnosis according to the abnormality occurring in each reduction gear 14 and the correlation of the maintenance performed in each reduction gear 14.
  • the symbol K2 displayed on the maintenance history image 72 and the symbol K2 displayed on the corresponding portion (block q4) of the abnormality diagnosis tree are the same symbol.
  • the operator can recognize the tree image 73 and the contents serving as the basis by associating the tree image 73 with the same symbol.
  • the display can be performed in a manner that is easier for the operator to understand.
  • the symbol K1 displayed on the abnormality degree display image 71 indicating the disturbance torque and the abnormality degree is the same as the symbol K1 displayed on the corresponding part (block q2) of the abnormality diagnosis tree.
  • the operator can recognize the tree image 73 and the contents serving as the basis by associating the tree image 73 with the same symbol.
  • the display can be performed in a manner that is easier for the operator to understand.
  • the abnormality that has occurred in the speed reducer 14a and the content of the maintenance performed in the speed reducer 14b in which the occurrence of the abnormality is predicted are displayed in association with each other. It is possible to notify the operator of the contents of the maintenance (blocks q5, q7, q8) to be performed in relation to the abnormality that has occurred in the speed reducer 14a in a manner that is easier for the operator to recognize.
  • the notification content setting unit 24 outputs the diagnostic image display command shown in FIG. 9 only when an abnormality has occurred in at least one of the speed reducers 14. Therefore, unnecessary display can be omitted. Further, when no abnormality has occurred, the abnormality diagnosis image 70 is not displayed, so that it is possible to suppress the occurrence of a problem of erroneously recognizing whether or not an abnormality has occurred.
  • the maintenance history A and the maintenance history B displayed as the maintenance history image 72 the maintenance history that is the basis for predicting the abnormality of the speed reducer 14b is enlarged or emphasized. That is, two maintenance histories having different time axis scales, that is, a maintenance history A and a maintenance history B, are displayed, and an image of the maintenance history, which is a basis for predicting the occurrence of an abnormality, is enlarged or highlighted. .
  • the maintenance history A is displayed larger than the maintenance history B. Therefore, it is possible to inform the operator of the grounds for determining that the speed reducer 14b is abnormal in a more easily recognizable manner.
  • the correlation analysis unit 25 shown in FIG. 1 performs machine learning based on abnormal data detected in the past in each of the speed reducers 14 and maintenance history that has been performed to generate a learning model. This is different from the first embodiment described above. That is, the correlation analysis unit 25 learns a pattern of maintenance data in which an abnormality is highly likely to occur based on the maintenance data of each speed reducer 14 in at least a part of the period stored in the maintenance history DB 32. Is carried out. Further, an abnormality of the speed reducer 14 is detected based on the result of the machine learning.
  • Machine learning generates a learning model by extracting regularity from past abnormal data and maintenance data included in the maintenance history.
  • well-known “supervised learning” can be used as the method.
  • FIG. 11 is a timing chart showing the maintenance (H1 to Hn) performed by each speed reducer 14 and the abnormality detected by the speed reducer 14. As shown in FIG. 11, the contents of various maintenances (H1 to Hn) performed by each speed reducer 14 before time t21 (for example, one month ago) in the past (see reference numeral 201) and each speed reducer 14 Machine learning is performed based on the relationship with the abnormal data that occurs in the process to generate a learning model. The generated learning model is stored in the correlation storage DB 34.
  • a learning model can be generated using “unsupervised learning” as a method other than supervised learning. Further, as a method other than machine learning, a learning model can be generated using deep learning.
  • the abnormality prediction unit 23 refers to the learning model stored in the correlation storage DB 34, and refers to another speed reducer with a high possibility of occurrence of the abnormality. 14 is extracted.
  • the abnormality diagnosis device is the same as the above-described first embodiment except that a learning model is used, and thus the description of the processing procedure is omitted.
  • the abnormality diagnosis device generates a learning model by using a machine learning method based on the maintenance data previously performed in each reduction gear.
  • the abnormality occurring in the speed reducer 14b is predicted with reference to the learning model. Therefore, the abnormality diagnosis of the speed reducer 14 can be performed with higher accuracy.
  • the device for which the abnormality is diagnosed is not limited to the robot 101.
  • an automobile engine may be used instead of the motor, and a transmission may be used instead of the speed reducer 14.
  • a moving body such as a rotating mechanism of a moving body, a playground equipment of an amusement park, and a machine tool such as a three-dimensional printer, that is, all devices having a rotating mechanism and a mechanism for transmitting the same can also be used. Also, other types of devices may be targeted.
  • the abnormality diagnosis device may be arranged at a remote place, and necessary signals and data may be transmitted and received via a communication line to determine the abnormality of the device. Further, an abnormality of a plurality of devices may be diagnosed by one abnormality diagnosis device. Further, a plurality of devices may be arranged at different places.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Robotics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)
  • Controls And Circuits For Display Device (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

複数の減速機（１４）を有するロボット（１０１）に設置されたセンサ（１３）から取得した、減速機（１４）の状態に関する外乱トルクに基づいて各減速機（１４）の異常を診断し、診断の結果をディスプレイ（６２）に表示する異常診断装置であり、各減速機（１４）に対して実施した保全に関する保全データを記憶する保全履歴ＤＢ（３２）と、外乱トルクに基づいて各減速機（１４）の異常を検出する制御部（５１）を有する。制御部（５１）は、外乱トルクに基づいて減速機（１４ａ）の異常を検出した場合に、保全データに基づいて減速機（１４ａ）の異常に関連して発生する減速機（１４ｂ）の異常を予測し、予測した異常に関する情報をディスプレイ（６２）に表示する。

Description

異常診断装置及び異常診断方法
　本発明は、ロボット等の機器に設けられる減速機等の可動部に発生する異常を診断する異常診断装置及び異常診断方法に関する。
　従来より、機器に発生する異常を検出する装置として、例えば特許文献１に開示されたものが知られている。特許文献１では、診断対象となる機器に異常が発生した際の、日付、音データ、診断結果の正誤、作業の記録（点検の有無、問題の有無、実施した時刻、場所など）を対応付けて記録し、機器に異常が発生したときの音について過去に類似する事例をユーザに提示することが開示されている。
特開２００５－３３９１４２号公報
　しかしながら、上述した特許文献１では、診断対象となる機器に異常が発生した場合において、他の機器の異常との因果関係を知ることができないという問題があった。
　本発明は、このような従来の課題を解決するためになされたものであり、その目的とするところは、一の可動部に異常が発生した場合に、これに関連する他の可動部の異常を予測して操作者に提示することが可能な異常診断装置、及び異常診断方法を提供することにある。
　本発明の一態様は、各可動部に対して実施した保全に関する保全データを記憶する保全履歴記憶部と、各可動部の異常を診断する制御部とを有する。制御部は、可動部データに基づいて一の可動部の異常を検出した場合に、保全データに基づいて一の可動部の異常に関連して発生する他の可動部の異常を予測し、予測した他の可動部の異常に関する情報を表示部に出力する。
　本発明の一態様によれば、一の可動部に異常が発生した場合に、これに関連する他の可動部の異常を予測して操作者に提示することが可能となる。
図１は、本発明の実施形態に係る異常診断装置、及びその周辺機器の構成を示すブロック図である。 図２は、図１に示した異常診断装置を一体型のコンピュータで構成した例を示す説明図である。 図３は、本発明に係る異常診断装置で実施される相関分析処理の処理手順を示すフローチャートである。 図４は、本発明に係る異常検出装置の処理手順を示すフローチャートである。 図５は、外乱トルク、及び異常度の変化を示すグラフである。 図６は、各減速機で検出される異常、及び保全の実施を示す説明図である。 図７Ａは、保全履歴Ａを示す説明図である。 図７Ｂは、保全履歴Ｂを示す説明図である。 図８は、異常診断の経緯を示すツリー画像を示す説明図である。 図９は、ディスプレイに表示する異常診断画像を示す説明図である。 図１０は、ディスプレイに表示する異常診断画像を示す説明図であり、保全履歴Ａを保全履歴Ｂに対して拡大して表示する例を示す。 図１１は、各減速機で実施された保全（Ｈ１～Ｈｎ）と、減速機で検出される異常を示すタイミングチャートである。
　以下、本発明の実施形態について図面を参照して説明する。
　［第１実施形態の説明］
　図１は、本発明の実施形態に係る異常診断装置、及びその周辺機器の構成を示すブロック図である。図１に示すように、本実施形態に係る異常診断装置１０２は、ロボット１０１（機器）、及びユーザインターフェース１０３（図では「ＵＩ」と表記）に接続されており、ロボット１０１の異常を診断し、診断結果に関するデータをユーザインターフェース１０３に設けられたディスプレイ６２（表示部）に対して出力し、ディスプレイ６２に診断結果が表示される。なお、「異常を診断する」とは、現在生じている異常を判定するだけでなく、将来的に発生する異常を予測することを含む概念である。
　ロボット１０１は、例えばティーチングプレイバック型の多軸型ロボットである。ティーチングプレイバックとは、ロボットに付属するティーチングペンダントを使用して、操作者がロボットを実際に動作させ、その動作を記録、再生させてロボットを動作させる機能を示す。なお、本実施形態では、ティーチングプレイバック型のロボットを例に挙げて説明するが、本発明はこれに限定されるものではない。
　図１に示すようにロボット１０１は、減速機１４（可動部）と、動作制御部１５と、センサ１３と、外乱トルク演算部１２と、通信部１１を備えている。なお、減速機１４はロボット１０１に複数設けられているが、図１では１つのみを記載している。
　減速機１４は、ロボットアームの関節軸を動作させるためのサーボモータ（以下、「モータ」と略す）を備えており、動作制御部１５の制御により動作する。そして、減速機１４を動作させることにより、例えばロボットアームの先端に搭載した溶接電極（溶接部）を、加工の対象となる対象物（例えば、金属製のブランク材）の所望部位に接触させて、溶接作業を実施する。また、溶接作業以外にも、ロボット１０１により、対象物のプレス、塗装、樹脂成形、組み立て、等の各種作業を実施することができる。
　センサ１３は、ロボット１０１に設置され、例えばパルスジェネレータやエンコーダ等を含み、減速機１４により動作するロボットアームの位置及び角度、減速機１４に設けられるモータの回転角度、回転速度、消費電力、及び電流、減速機１４の回転角度等の各種の物理量を検出する。更に、センサ１３は、減速機１４のモータに生じるトルク値を検出する。センサ１３で検出したセンサデータは、通信部１１より異常診断装置１０２に送信される。
　動作制御部１５は、上述したティーチングにより設定された動作プログラムに従って減速機１４を動作させ、ロボット１０１に搭載される各ロボットアーム、関節軸が所望の動作をするように制御する。更に、ロボット１０１を稼働させたときの稼働データを通信部１１に出力する。稼働データには、ロボット１０１の稼働に関する各種の情報が含まれる。詳細については後述する。
　外乱トルク演算部１２は、減速機１４のモータに発生する外乱トルクを演算する。外乱トルクとは、モータを制御する際のトルク指令値と、センサ１３で検出されるトルク検出値との差分を示す。モータが正常であり減速機１４が安定的に動作しているときは、トルク指令値とトルク検出値との差分はほぼ一定となるので、外乱トルクは安定した数値を示す。減速機１４に異常が発生している場合には減速機１４は安定的に動作せず、外乱トルクに大きな変化が発生する。なお、外乱トルクは、可動部（減速機１４）の状態に関する可動部データの一例である。
　通信部１１は、ロボット１０１の稼働データ、外乱トルク演算部１２で演算された外乱トルク、センサ１３で検出された各種のセンサデータを異常診断装置１０２に送信する。
　ロボット１０１が備える上記した各機能は、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、ロボット１０１が備える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。
　ユーザインターフェース１０３は、各種の情報を表示するディスプレイ６２と、異常診断装置１０２より送信される各種の情報の表示を制御する表示制御部６１を備えている。更に、操作者が各種の操作を行う入力部６３を備えている。入力部６３において操作者がロボット１０１の保全を実施したことを示す保全データを入力した場合には、この保全データを後述する保全履歴ＤＢ３２（保全履歴記憶部）に書き込む操作を行う。ユーザインターフェース１０３は、タブレット端末などを用いることも可能である。
　次に、異常診断装置１０２の構成について説明する。異常診断装置１０２は、制御部５１と、各種のデータベース（ＤＢ）を備えている。制御部５１は、通信部２１と、異常度判定部２２と、異常予測部２３と、通知内容設定部２４と、相関分析部２５を含んでいる。データベースは、センサＤＢ３１と、保全履歴ＤＢ３２（保全履歴記憶部）と、異常予測ＤＢ３３と、相関記憶ＤＢ３４（相関記憶部）と、稼働履歴ＤＢ３５を含んでいる。
　センサＤＢ３１は、センサ１３で検出されたロボットアームの位置及び角度、モータの回転角度及び回転速度等のセンサデータを記憶する。更に、外乱トルク演算部１２で演算された外乱トルク（可動部の状態に関するデータ）を記憶する。
　稼働履歴ＤＢ３５は、ロボット１０１の稼働データを記憶する。稼働データには、ロボット１０１の稼働日、稼働を開始した時刻、稼働を停止した時刻、連続して稼働した時間、連続して停止した時間等の、稼働に関する各種のデータが含まれる。また、稼働データには、減速機１４の運転モードが含まれる。運転モードには、通常運転モード、保全モード、停止モードが含まれる。
　保全履歴ＤＢ３２は、減速機１４に異常が発生した場合や、異常の発生が予測された場合において、ロボット１０１に対して保全を実施した際の、保全データを記憶する。保全データは、操作者がユーザインターフェース１０３の入力部６３により入力することができる。或いは、ロボット１０１が上述した保全モードで運転された場合に、保全が実施されているものと判定して自動で保全データを作成して記憶してもよい。保全データには、保全を実施した減速機１４のＩＤ番号、或いは該減速機１４に搭載されるモータのＩＤ番号、保全を実施した日時、保全の内容（交換、修理、グリスの更油等）が含まれる。
　相関記憶ＤＢ３４は、後述する相関分析部２５で導き出される相関関係（詳細は後述）を記憶する。更に相関記憶ＤＢ３４は、ロボット１０１に設けられる一の減速機、及び一の減速機と連動して動作する他の減速機との対応関係を記憶する。例えば、ロボット１０１に６台の減速機１４（これを、減速機１４ａ、１４ｂ、１４ｃ、１４ｄ、１４ｅ、１４ｆとする）が設けられており、減速機１４ａと１４ｂとが連動して動作し、減速機１４ｄ、１４ｅ、１４ｆが連動して動作する場合に、これらの対応関係を記憶する。なお、「減速機１４ａと１４ｂが連動して動作する」とは、減速機１４ａの動作が減速機１４ｂの動作に何らかの影響を与えることを含む概念である。また、以下では個々の減速機を特定して示す場合には、「減速機１４ａ」、「減速機１４ｂ」等のようにサフィックスを付して示し、特定しない場合には「減速機１４」と示すことにする。
　異常予測ＤＢ３３は、異常予測部２３（詳細は後述）で予測された異常予測データを記憶する。例えば、ある減速機１４ａの外乱トルクにて異常が検出され、更に、減速機１４ａと連動して動作する減速機１４ｂに生じる異常が予測された際に、予測したデータを異常予測データとして記憶する。
　通信部２１は、ロボット１０１に設けられる通信部１１との間で通信を行う。通信部２１は、ロボット１０１より送信されるロボット１０１の稼働データを受信し、稼働履歴ＤＢ３５に出力する。また、通信部２１は、ロボット１０１より送信される外乱トルク、センサデータを受信して、センサＤＢ３１に出力する。
　相関分析部２５は、保全履歴ＤＢ３２に記憶されている各減速機１４の保全データに基づいて、各減速機１４に発生する異常の相関分析を実施する。図６は、各減速機１４の保全履歴の一例を示しており、横軸は１～数週間の時間を示している。図６において、「○」は減速機１４に生じる異常を示し、「△」はグリスを更油する保全の実施を示し、「□」は減速機１４を交換する保全の実施を示している。図６に示すように、各減速機１４ａ、１４ｂ、１４ｃでは、異常が発生しその後グリスを更油すると、その後数日以内に高い頻度で減速機１４の交換が行われている。従って、グリスの更油とその後の減速機１４の交換には相関関係があるものと判定する。相関分析により得られる相関関係を相関記憶ＤＢ３４に記憶する。
　異常度判定部２２は、減速機１４に搭載されるモータの過去の外乱トルクを、センサＤＢ３１から取得し、取得した外乱トルクの異常さを示す異常度を演算する。以下、異常度の演算方法について説明する。外乱トルクがｘ’であるときの異常度ａ（ｘ’）を、下記の（１）式で定義する。
　ａ（ｘ’）＝｛（ｘ’－ｍ）２｝／２・ｓ２　　・・・（１）
　但し、ｍは外乱トルクの標本平均、ｓは外乱トルクの標準偏差である。
　そして、異常度ａ（ｘ’）が予め設定した基準値を超える場合には、この外乱トルクは異常であると判定する。図５（ａ）は減速機１４ａに生じる外乱トルクを示す波形であり、図５（ａ）に示す外乱トルクに基づいて上記（１）式により異常度を演算する。その結果、図５（ｂ）示す如くの異常度が演算される。例えば、図５（ｂ）の符号ｐ１では、異常度が基準値（１．０）を超えているので、外乱トルクに異常が発生しているものと判定する。
　また、上記以外にも、異常度を演算する方法として、カーネル密度推定や密度比推定等を用いることができる。更に、異常度を演算する他の方法として、外乱トルクと所定値との差分を演算し、更に、この差分の時間経過に対する変化率を演算する。そして、演算した変化率が所定の閾値を上回った場合に外乱トルクは異常であると判定することもできる。上記の所定値は、例えば、１年前の同月の外乱トルクの平均値を用いることができる。
　異常予測部２３は、各減速機１４毎に演算された異常度に基づいて、各減速機１４に発生する異常を判定または予測する。前述した異常度判定部２２で演算された異常度に基づき、ある減速機１４ａの異常度が高いと判定された場合には、この減速機１４ａは異常であると判定する。更に、相関記憶ＤＢ３４を参照して、減速機１４ａと連動して動作する減速機１４のリストを取得する。本実施形態では、上記リストとして減速機１４ｂが取得される。なお、減速機１４ａと連動して動作する減速機１４は複数存在することもあるが、ここでは一例として減速機１４ｂのみとして説明する。
　異常予測部２３は、保全履歴ＤＢ３２に記憶されている減速機１４ａ、１４ｂの保全データ（保全時期、保全の内容等）、及び相関記憶ＤＢ３４に記憶されている相関関係に基づいて、減速機１４ａ、１４ｂに発生する異常を検出する。
　例えば、図６に示したように、ある減速機１４の異常が検出されると、その後グリスの更油が行われ、更にその後、減速機１４の交換が行われる保全作業が高い頻度で行われている。グリスの更油とその後の減速機１４の交換には相関関係があるものと判定する。従って、減速機１４ａで異常が検出された時点が、減速機１４ｂでグリスの更油を実施した後である場合には、減速機１４ｂで減速機１４の交換を必要とする異常が発生している可能性が高いと判定されるので、減速機１４ｂに異常が発生すると予測する。即ち、異常予測部２３は、減速機１４ａ（一の可動部）で異常が検出された場合に、相関記憶ＤＢ３４に記憶された相関関係を参照し、減速機１４ａで検出された異常と相関関係がある減速機１４ｂ（他の可動部）の異常を予測する。
　以下、図７Ａ、図７Ｂを参照してより詳細に説明する。図７Ａは、減速機１４ａ、１４ｂにおいて過去に検出された異常と、過去に実施した保全を示す図であり、横軸は１～数週間の時間である。これを、「保全履歴Ａ」とする。また、図７Ｂは、減速機１４ａ、１４ｂにおいて過去に検出された異常と、過去に実施した保全を示す図であり、横軸は１～数年の期間である。これを、「保全履歴Ｂ」とする。図７Ａの「☆」は今回検出された異常を示し、図７Ｂの「◎」は異常が検出されなかったこと、即ち、正常であったことを示す。また、「○」は異常を示し、「△」はグリスの更油を示し、「□」は減速機１４の交換を示す。
　図７Ａの保全履歴Ａに示すように、減速機１４ｂでは時刻ｔ１において異常が発生し、その後時刻ｔ２においてグリスの更油が行われている。減速機１４ａでは、時刻ｔ３において今回の異常が検出されている。
　一方、図７Ｂの保全履歴Ｂに示すように、減速機１４ａでは時刻ｔ１１において減速機１４の交換が行われ、その後一年以内の時刻ｔ１２（図７Ａのｔ３に対応）において、今回の異常が検出されている。
　異常予測部２３では、減速機１４ａで検出された今回の異常（図７Ａのｔ３、図７Ｂのｔ１２）は、減速機１４ａの前回の交換から１年以内であるので、減速機１４ａに異常が発生する可能性は低いと判定する。
　更に、減速機１４ｂでは図７Ａの時刻ｔ２においてグリスの更油が行われている。相関記憶ＤＢ３４に記憶されている相関関係を参照すると、減速機１４ｂに異常が発生している可能性が高い。即ち、図７Ａに示す保全履歴Ａを参照すると、減速機１４ｂについて時刻ｔ１において異常が検出され、時刻ｔ２においてグリスを更油する保全が行われているので、時刻ｔ３において減速機１４ｂには、減速機の交換が必要になる程度の異常が発生している可能性が高いものと判定される。つまり、減速機１４ｂに異常が発生し、この異常の発生に起因して、減速機１４ｂと動作が連動する減速機１４ａに異常が発生している可能性が高いものと判定される。
　従って、異常予測部２３は、減速機１４ａにおいて異常が検出された場合であっても、減速機１４ａと連動して動作する減速機１４ｂに異常が発生している可能性が高いものと判断して、減速機１４ａに加えて、減速機１４ｂの異常を予測する。即ち、異常予測部２３は、減速機１４ａの異常を検出した場合には、少なくとも一つの他の減速機１４（減速機１４ｂ）の異常に対する保全データを参照して、減速機１４ｂの異常に関する情報を決定する。
　通知内容設定部２４は、ユーザインターフェース１０３のディスプレイ６２に表示して操作者に通知する内容を設定する。異常予測部２３で異常と診断された減速機１４の異常診断結果をツリー構造状に表現するツリー画像７３を生成する。
　図８はツリー画像７３の一例を示す説明図である。例えば、減速機１４ａにおいて異常が検出された場合には、図８のブロックｑ１に示すように「異常診断ツリー」の画像を生成する。ブロックｑ２に示すように、このとき演算された異常度の数値「２．１」が基準値「１．０」よりも大きいことを示す「異常度２．１＞基準値１．０」の画像を生成する。更に、後述するように、異常度の波形との対応を認識しやすいように記号Ｋ１の画像を生成する。なお、本実施形態で説明する「記号」とは文字、所定のマーク、アイコンなども含む概念である。
　ブロックｑ３に示すように、「保全履歴Ｂ」「１年以内に減速機１４ａを交換」の画像を生成する。ブロックｑ４に示すように、「保全履歴Ａ」「減速機１４ｂ：要注意」の画像を生成する。
　更に、この異常に対して実施する保全の内容を示す画像を生成する。この場合は、減速機１４ａまたは減速機１４ｂに異常が発生していることが想定されるので、ブロックｑ５に示すように「減速機１４ａ、減速機１４ｂのグリスの鉄粉濃度を測定してください」の保全の実施を示す画像を生成する。ツリー画像７３は、減速機１４ａ、及び異常の発生が予測される減速機１４ｂに対する保全指令を含み、異常の発生と保全指令の関係が対応付けされている。
　異常の発生から保全の実施までの流れを示すブロックｑ１～ｑ５の表示枠を太線で表示する。それ以外のブロックｑ６、ｑ７、ｑ８の表示枠を細線で表示する。従って、減速機１４ａで異常が検出された際に、異常予測部２３において減速機１４ｂの異常が予測されるまでの経緯を系統付けて操作者に認識させることができる。また、ブロックｑ１～ｑ５とブロックｑ６～ｑ８を色分けして表示することや、網掛け表示などにより強調表示してもよい。
　即ち、通知内容設定部２４は、減速機１４ａの異常を検出した場合に、減速機１４ａの情報、及び減速機１４ｂの情報（図８、図９のブロックｑ４、ｑ６）をツリー構造状に表示するツリー画像７３（図９参照）を生成する。そして、減速機１４ｂの情報を、減速機１４ｂの異常予測の内容に応じて、減速機１４ｂの情報の表示形態（例えば、線の太さ）を変更したツリー画像７３を生成する。
　通知内容設定部２４は、上記のツリー画像７３、及び図５に示した外乱トルクの波形、異常度の波形を示す異常度表示画像７１、図７Ａ、図７Ｂに示した保全履歴画像７２を生成する。保全履歴画像７２は、保全履歴Ａを示す画像（第１の保全履歴画像）と、保全履歴Ａとは時間軸のスケールが相違する保全履歴Ｂを示す画像（第２の保全履歴画像）を含んでいる。生成した各画像７１、７２、７３を組み合わせて、図９に示す異常診断画像７０を生成する。なお、図９に示すブロックｑ５、ｑ７、ｑ８には、図８に示すブロックｑ５、ｑ７、ｑ８と同一の操作指示が示される。
　ここで、異常診断装置１０２は、図２に示すようにＣＰＵ４１（中央処理装置）、メモリ４２、及び各データベース（センサＤＢ３１、保全履歴ＤＢ３２、異常予測ＤＢ３３、相関記憶ＤＢ３４、稼働履歴ＤＢ３５）を備えるコンピュータを用いて実現することもできる。コンピュータを異常診断装置１０２として機能させるためのコンピュータプログラム（異常診断プログラム）を、コンピュータにインストールして実行する。これにより、ＣＰＵ４１は、異常診断装置１０２が備える複数の情報処理回路、即ち、通信部２１、異常判定部２２、異常予測部２３、通知内容設定部２４、及び相関分析部２５として機能する。
　異常診断装置１０２が備える上記した各機能は、１又は複数の処理回路により実装することができる。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、異常診断装置１０２が備える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。
　［第１実施形態の動作の説明］
　次に、第１実施形態に係る異常診断装置１０２の作用を、図３、図４に示すフローチャートを参照して説明する。図３は相関分析部２５により実行される相関分析処理の処理手順を示すフローチャートである。
　初めに、ステップＳ１１において、相関分析部２５は、保全履歴ＤＢ３２より各減速機１４にて実施された保全データを取得する。
　ステップＳ１２において、相関分析部２５は、複数の減速機１４で実施された保全データに基づいて相関分析を実施する。例えば、図６に示したように、減速機１４の異常が検出され（図中「○」で表記）、その後グリスの更油が行われ（図中「△」で表記）、更にその後、減速機１４の交換（図中「□」で表記）が行われる保全作業が高い頻度で行われるので、グリスの更油とその後の減速機１４の交換には相関関係があるものと判定する。
　ステップＳ１３において、相関分析部２５は、相関分析により得られた相関関係を相関記憶ＤＢ３４に記憶し、本処理を終了する。
　図４は、異常診断処理の処理手順を示すフローチャートである。初めにステップＳ３１において、異常判定部２２は、ある減速機（ここでは、減速機１４ａとする）の外乱トルクを、センサＤＢ３１より取得する。その結果、例えば図５（ａ）に示すように、外乱トルクの時系列的なデータが得られる。
　ステップＳ３２において、異常判定部２２は、取得した外乱トルクに基づき、前述した（１）式を用いて減速機１４ａの異常さを示す異常度を演算する。その結果、例えば図５（ｂ）に示すように、異常度の時系列的なデータが得られる。
　ステップＳ３３において、異常判定部２２は、ステップＳ３２の処理で演算した異常度に基づいて、減速機１４ａに異常が発生しているか否かを判断する。例えば、異常度の基準値を１．０に設定し、演算した異常度がこの基準値を上回った場合に、減速機１４ａが異常であると判断する。図５（ｂ）に示す例では、符号ｐ１に示す時点で異常度が基準値を上回っているので、異常であると判定する。
　減速機１４ａに異常が発生していなければ（ステップＳ３３でＮＯ）、本処理を終了する。即ち、通知内容設定部２４は、全ての減速機１４に異常が発生していない場合には、異常に関する情報を表示しない。各減速機１４のうちの少なくとも一つに異常が発生していると診断された場合にのみ異常に関する情報をディスプレイ６２に表示する。
　ステップＳ３４において、通知内容設定部２４は、ユーザインターフェース１０３のディスプレイ６２に表示する外乱トルク、及び異常度の表示データを生成する。その結果、図９に示す異常度表示画像７１の表示データが生成される。
　ステップＳ３５において、異常予測部２３は、相関記憶ＤＢ２４に記憶されている情報に基づき、減速機１４ａと連動して動作する減速機１４のリストを取得する。その結果、減速機１４ａと連動して動作する減速機１４として、例えば減速機１４ｂが特定される。
　ステップＳ３６において、異常予測部２３は、保全履歴ＤＢ３２より減速機１４ａ、１４ｂの保全データを取得する。
　ステップＳ３７において、通知内容設定部２４は、ディスプレイ６２に表示する保全履歴Ａ（図７Ａ参照）、及び保全履歴Ｂ（図７Ｂ参照）の表示データを生成する。その結果、図９に示す保全履歴画像７２の表示データが生成される。
　ステップＳ３８において、異常予測部２３は保全履歴Ｂを参照する。更に、ステップＳ３９において、減速機１４ａにて検出された異常は、保全履歴Ｂの保全データと矛盾するか否かを判定する。矛盾すると判定された場合には（ステップＳ３９でＹＥＳ）、ステップＳ４０に処理を進め、矛盾すると判定されない場合には（ステップＳ３９でＮＯ）、ステップＳ４３に処理を進める。
　図７Ｂに示した保全履歴Ｂでは、時刻ｔ１１において減速機１４ａの交換を実施しており、時刻ｔ１２で検出される今回の異常は時刻ｔ１１から１年以内であるので、減速機１４ａに異常が発生している可能性が低い。従って、減速機１４ａにて検出された異常は、保全履歴Ｂの保全データと矛盾すると判定される（ステップＳ３９でＹＥＳ）。
　ステップＳ４０において、異常予測部２３は保全履歴Ａを参照し、ステップＳ４１において、減速機１４ｂに異常を示す保全データが存在するか否かを判定する。異常を示す保全データが存在する場合には（ステップＳ４１でＹＥＳ）、ステップＳ４２に処理を進め、存在しない場合には（ステップＳ４１でＮＯ）、ステップＳ４３に処理を進める。
　図７Ａに示す例では、時刻ｔ１において減速機１４ｂの異常が検出され、時刻ｔ２においてグリスの更油が行われているので、その後の時刻ｔ３において減速機１４ｂの交換を必要とする異常が発生している可能性が高い。従って、異常を示す保全データが存在すると判定される（ステップＳ４１でＹＥＳ）。
　ステップＳ４２において、異常予測部２３は、減速機１４ａ、１４ｂの鉄粉濃度の測定指示を決定する。
　ステップＳ４３において、異常予測部２３は、減速機１４ａの鉄粉濃度の測定指示を決定する。
　ステップＳ４４において、通知内容設定部２４は、図８に示したツリー画像７３の表示データを生成する。ツリー画像７３は、減速機１４ａにて異常が検出された際に、この異常検出に対して、操作者に指示する作業内容に至るまでの経緯が操作者に認識しやすい態様とする。更に、図５に示した外乱トルク及び異常度を示す異常度表示画像７１の表示データ、図７Ａ、図７Ｂに示した保全履歴画像７２の表示データを生成し、図９に示す異常診断画像７０の表示データを生成する。
　図９に示すように、異常度表示画像７１には、記号Ｋ１（クリップのマーク）を表示し、更に「異常度２．１＞基準値１．０」を表示する。これと同じ記号Ｋ１及び文字をツリー画像７３のブロックｑ２に表示する。つまり、異常度表示画像７１に示した記号と同一の記号を、ツリー画像７３中の対応する情報に付帯させて、ツリー画像７３及び異常度表示画像７１を含む異常診断画像７０を生成している。従って、ツリー画像７３と異常度表示画像７１の対応関係を認識しやすい態様で表示することができる。
　一方、保全履歴画像７２には、記号Ｋ２を表示し、更に「減速機１４ｂ：要注意」を表示する。これと同じ記号Ｋ２及び文字をツリー画像７３のブロックｑ４に表示する。つまり、保全履歴画像７２に示した記号と同一の記号を、ツリー画像７３中の対応する情報に付帯させて、ツリー画像７３及び保全履歴画像７２を含む異常診断画像７０を生成している。従って、ツリー画像７３と保全履歴画像７２の対応関係を認識しやすい態様で表示することができる。
　ステップＳ４５において、通知内容設定部２４は、図９に示した異常診断画像７０の表示データをユーザインターフェース１０３に出力する。その後、本処理を終了する。
　ユーザインターフェース１０３の表示制御部６１は、異常診断画像７０の表示データを受信し、図９に示す如くの異常診断画像７０をディスプレイ６２に表示する。操作者は、ディスプレイ６２に表示された画像を見ることにより、減速機１４ａの外乱トルクが大きく変動して異常が検出され、更に、減速機１４ａと関連して動作する減速機１４ｂに異常が発生している可能性があることを認識できる。
　このようにして、第１実施形態に係る異常診断装置１０２では以下に示す効果を達成することができる。
　（１）
　減速機１４ａ（一の可動部）の外乱トルク（可動部の状態に関するデータ）に基づいて、減速機１４ａの異常が検出された場合には、減速機１４ａと連動して動作する減速機１４ｂ（他の可動部）の異常を予測し、異常に関する情報をディスプレイ６２に表示する。従って、異常が検出された減速機１４ａのみならず、減速機１４ａで検出された異常に関連して異常の発生の可能性がある減速機１４ｂの異常を操作者に知らせることができ、幅広い減速機１４の異常診断が可能となる。
　（２）
　異常予測部２３は、保全履歴ＤＢ３２に記憶されている保全データから、各減速機１４で実施された保全の時期、グリスの更油や減速機１４の交換等の保全の内容に基づいて、減速機１４の異常に関する情報を決定する。従って、より高精度な減速機１４の異常診断が可能となる。
　（３）
　減速機１４ａの異常が検出された場合には、減速機１４ａと連動して動作する減速機１４ｂの保全データを参照して、減速機１４ｂの異常に関する情報を決定する。従って、高精度な減速機１４の異常診断が可能となる。
　（４）
　相関分析部２５は、各減速機１４に発生する異常、及び各減速機１４で実施される保全の内容に基づいて相関分析を行い、各減速機１４の相関関係を相関記憶ＤＢ３４に記憶する。そして、相関記憶ＤＢ３４に記憶されている相関関係に基づき、減速機１４ａで異常が検出された場合には、減速機１４に発生した異常と相関関係のある減速機１４ｂの異常を予測する。従って、各減速機１４に発生する異常、及び各減速機１４で実施される保全の相関関係に応じた高精度な異常診断が可能となる。
　（５）
　減速機１４ａで異常が検出された場合には、図９に示すツリー画像７３の表示データを生成する。更に、ツリー画像７３では、異常の発生から保全の実施までの流れを、強調して表示する。具体的には、図９に示すブロックｑ１～ｑ５の枠を太線で表示する。従って、操作者は異常診断のツリー画像７３を見ることにより、異常の発生から保全の実施までの経緯を、系統付けて認識することができる。ロボット１０１についての専門的な知識を持たない操作者であっても、認識しやすい態様での異常診断画像７０の表示が可能となる。なお、網掛け表示や表示色などを用いて強調表示してもよい。
　（６）
　図９に示すように、保全履歴画像７２に表示する記号Ｋ２と、異常診断ツリーの対応箇所（ブロックｑ４）に表示する記号Ｋ２を同一の記号としている。操作者は、ツリー画像７３とその根拠となる内容を同一の記号で対応付けて認識することができる。操作者に対してより理解しやすい態様での表示が可能となる。
　（７）
　図９に示すように、外乱トルク及び異常度を示す異常度表示画像７１に表示する記号Ｋ１と、異常診断ツリーの対応箇所（ブロックｑ２）に表示する記号Ｋ１を同一としている。操作者は、ツリー画像７３とその根拠となる内容を同一の記号で対応付けて認識することができる。操作者に対してより理解しやすい態様での表示が可能となる。
　（８）
　図９に示すように、ツリー画像７３には、減速機１４ａに発生した異常と、異常の発生が予測される減速機１４ｂで実施する保全の内容を対応付けて表示する。減速機１４ａに発生した異常に関連して実施するべき保全の内容（ブロックｑ５、ｑ７、ｑ８）を、操作者に対してより認識しやすい態様で知らせることが可能となる。
　（９）
　通知内容設定部２４は、少なくとも一つの減速機１４に異常が発生したと場合にのみ、図９に示した診断画像の表示指令を出力する。このため、不要な表示を省略することができる。また、異常が発生していないときには、異常診断画像７０は表示されないので、異常が発生しているか否かの認識を誤るという問題の発生を抑制することができる。
　［第１実施形態の変形例の説明］
　次に、上述した第１実施形態の変形例について説明する。変形例では、保全履歴画像７２として表示する保全履歴Ａ、保全履歴Ｂのうち、減速機１４ｂの異常を予測するための根拠となった保全履歴を拡大、或いは強調して表示する。即ち、時間軸のスケールが異なる２つの保全履歴、即ち、保全履歴Ａ、保全履歴Ｂを表示し、このうち異常の発生を予測する根拠となった保全履歴の画像を拡大表示、或いは強調表示する。例えば、図１０に示すように、保全履歴Ａを保全履歴Ｂよりも拡大して表示する。従って、減速機１４ｂが異常であると判断するに至る根拠を、より認識し易い態様で操作者に知らせることが可能となる。
　［第２実施形態の説明］
　次に、本発明の第２実施形態について説明する。第２実施形態に係る異常診断装置の装置構成は、前述した図１と同様である。第２実施形態では、図１に示した相関分析部２５において、各減速機１４で過去に検出された異常データ、及び実施した保全履歴に基づき機械学習を実施して学習モデルを生成する点で前述した第１実施形態と相違する。即ち、相関分析部２５は、保全履歴ＤＢ３２に記憶されている少なくとも一部の期間における各減速機１４の保全データに基づいて、異常が発生する可能性の高い保全データのパターンを学習する機械学習を実施する。更に、機械学習の結果に基づいて減速機１４の異常を検出する。
　機械学習は、保全履歴に含まれる過去の異常データ及び保全データから、その規則性を抽出して学習モデルを生成する。その手法として例えば、周知の「教師あり学習」を用いることができる。
　「教師あり学習」は、過去に検出された異常データ、及び実施した保全データを多数取得し、それらのデータの組み合わせ、発生順序、発生の時間間隔から学習モデルを生成する。図１１は、各減速機１４で実施された保全（Ｈ１～Ｈｎ）と、減速機１４で検出される異常を示すタイミングチャートである。図１１に示すように過去における時刻ｔ２１（例えば、１ヶ月前）よりも前に各減速機１４にて実施した各種の保全（Ｈ１～Ｈｎ）の内容（符号２０１参照）と、各減速機１４に発生する異常データとの関係に基づいて機械学習を実施して学習モデルを生成する。生成した学習モデルを相関記憶ＤＢ３４に記憶する。
　また、教師あり学習以外の手法として「教師なし学習」を用いて学習モデルを生成することもできる。更に、機械学習以外の手法として、ディープラーニングを用いて学習モデルを生成することもできる。
　そして、異常予測部２３は、ある減速機１４にて異常が検出された場合には、相関記憶ＤＢ３４に記憶されている学習モデルを参照して、異常が発生する可能性の高い他の減速機１４を抽出する。
　第２実施形態に係る異常診断装置は、学習モデルを用いる点以外は、前述した第１実施形態と同様であるので処理手順の説明を省略する。
　このようにして、第２実施形態に係る異常診断装置では、各減速機１４において過去に実施した保全データに基づき、機械学習の手法を用いて学習モデルを生成する。そして、減速機１４ａにて異常が発生した際には、上記の学習モデルを参照して、減速機１４ｂに発生する異常を予測する。従って、より高精度な減速機１４の異常診断が可能となる。
　なお、異常を診断する対象の機器はロボット１０１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１４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、異常診断装置を遠隔地に配置し、必要な信号やデータを通信回線を介して送受信して、機器の異常を判定してもよい。また、複数の機器の異常を１台の異常診断装置で診断してもよい。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。
　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。
　１１　通信部
　１２　外乱トルク演算部
　１３　センサ
　１４　減速機
　１５　動作制御部
　２１　通信部（制御部）
　２２　異常度判定部（制御部）
　２３　異常予測部（制御部）
　２４　通知内容設定部（制御部）
　２５　相関分析部（制御部）
　３１　センサＤＢ
　３２　保全履歴ＤＢ（保全履歴記憶部）
　３３　異常予測ＤＢ
　３４　相関記憶ＤＢ（相関記憶部）
　６１　表示制御部
　６２　ディスプレイ（表示部）
　１０１　ロボット
　１０２　異常診断装置
　１０３　ユーザインターフェース（ＵＩ）

Claims (12)

  1. 　複数の可動部を有する機器に設置されたセンサから取得した、前記各可動部の状態に関する可動部データに基づいて前記各可動部の異常を診断し、前記診断の結果を表示部に出力する異常診断装置であって、
    　前記各可動部に対して実施した保全に関する保全データを記憶する保全履歴記憶部と、前記可動部データに基づいて前記各可動部の異常を検出する制御部と、を有し、
    　前記制御部は、前記可動部データに基づいて一の可動部の異常を検出した場合に、前記保全データに基づいて前記一の可動部の異常に関連して発生する他の可動部の異常を予測し、前記予測した前記他の可動部の異常に関する情報を前記表示部に出力すること
    　を特徴とする異常診断装置。
  2. 　前記制御部は、前記保全履歴記憶部に記憶されている前記保全データのうち前記各可動部で実施された保全の時期、及び保全の内容に基づいて前記他の可動部の異常に関する情報を決定すること
    　を特徴とする請求項１に記載の異常診断装置。
  3. 　前記制御部は、前記一の可動部の異常を検出した場合に、少なくとも一つの他の可動部の異常に対する保全データを参照して、前記他の可動部の異常に関する情報を決定すること
    　を特徴とする請求項１または２に記載の異常診断装置。
  4. 　前記一の可動部に発生する異常と、前記他の可動部に発生する異常との間の相関関係を記憶する相関記憶部、を更に備え、
    　前記制御部は、前記一の可動部で異常が検出された場合に、前記相関記憶部に記憶された相関関係を参照し、前記一の可動部で検出された異常と相関関係がある他の可動部の異常を予測すること
    　を特徴とする請求項１～３のいずれか１項に記載の異常診断装置。
  5. 　前記制御部は、前記保全履歴記憶部に記憶されている、少なくとも一部の期間における前記各可動部の保全データに基づいて、異常が発生する可能性の高い保全データのパターンを学習する機械学習を実施し、前記機械学習の結果に基づいて前記他の可動部の異常を検出すること
    　を特徴とする請求項１～４のいずれか１項に記載の異常診断装置。
  6. 　前記制御部は、前記一の可動部の異常を検出した場合に、前記一の可動部の情報、及び他の可動部の情報をツリー構造状に表現するツリー画像を生成し、
    　前記他の可動部の異常予測の内容に応じて、前記他の可動部の情報の表示形態を変更して前記表示部に出力すること
    　を特徴とする請求項１～５のいずれか１項に記載の異常診断装置。
  7. 　前記制御部は、前記ツリー画像に加えて、前記一の可動部、及び少なくとも一つの他の可動部の時系列的な保全データを示す保全履歴画像を生成し、
    　前記他の可動部の異常を予測した場合には、予測の根拠となる保全データを示す記号を前記保全履歴画像に付帯させ、且つ、前記ツリー画像における前記他の可動部の情報に前記記号と同一の記号を付帯させて、前記ツリー画像及び前記保全履歴画像を前記表示部に出力すること
    　を特徴とする請求項６に記載の異常診断装置。
  8. 　前記制御部は、前記保全履歴画像として、第１の保全履歴画像及び前記第１の保全履歴画像とは時間軸のスケールが相違する第２の保全履歴画像を生成し、
    　前記第１の保全履歴画像と、前記第２の保全履歴画像のうち、前記他の可動部の異常を予測した根拠となる保全データが含まれる画像を強調、または拡大して前記表示部に出力すること
    　を特徴とする請求項７に記載の異常診断装置。
  9. 　前記制御部は、前記可動部データに生じる異常さを示す異常度を演算し、
    　前記ツリー画像に加えて、前記可動部データ及び前記異常度を含む異常度表示画像を生成し、
    　前記他の可動部の異常を予測した場合には、予測の根拠となる前記異常度を示す記号を前記異常度表示画像に付帯させ、且つ、前記ツリー画像における前記他の可動部の情報に前記記号と同一の記号を付帯させて、前記ツリー画像及び前記保全履歴画像を前記表示部に出力すること
    　を特徴とする請求項６に記載の異常診断装置。
  10. 　前記ツリー画像は、前記一の可動部、及び異常の発生が予測される他の可動部、に対する保全指令を含み、前記異常の発生と前記保全指令の関係が対応付けされていること
    　を特徴とする請求項６～９のいずれか１項に記載の異常診断装置。
  11. 　前記制御部は、前記各可動部のうちの少なくとも一つに異常が発生していると診断された場合にのみ、前記異常に関する情報を前記表示部に出力すること
    　を特徴とする請求項１～１０のいずれか１項に記載の異常診断装置。
  12. 　複数の可動部を有する機器に設置されたセンサから取得した、前記各可動部の状態に関する可動部データに基づいて前記各可動部の異常を診断し、前記診断の結果を表示部に出力する異常診断方法であって、
    　前記可動部データに基づいて一の可動部の異常を検出した場合に、各可動部に対して実施した保全に関する保全データに基づいて前記一の可動部の異常に関連して発生する他の可動部の異常を予測し、前記予測した前記他の可動部の異常に関する情報を前記表示部に出力すること
    　を特徴とする異常診断方法。
PCT/JP2018/029338 2018-08-06 2018-08-06 異常診断装置及び異常診断方法 WO2020031225A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP18929415.0A EP3835750B1 (en) 2018-08-06 2018-08-06 Abnormality diagnosis device and abnormality diagnosis method
CN201880096289.8A CN112534236B (zh) 2018-08-06 2018-08-06 异常诊断装置和异常诊断方法
PCT/JP2018/029338 WO2020031225A1 (ja) 2018-08-06 2018-08-06 異常診断装置及び異常診断方法
US17/266,402 US12103169B2 (en) 2018-08-06 2018-08-06 Abnormality diagnosis device and abnormality diagnosis method
JP2020535341A JP7079420B2 (ja) 2018-08-06 2018-08-06 異常診断装置及び異常診断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/029338 WO2020031225A1 (ja) 2018-08-06 2018-08-06 異常診断装置及び異常診断方法

Publications (1)

Publication Number Publication Date
WO2020031225A1 true WO2020031225A1 (ja) 2020-02-13

Family

ID=69414244

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/029338 WO2020031225A1 (ja) 2018-08-06 2018-08-06 異常診断装置及び異常診断方法

Country Status (5)

Country Link
US (1) US12103169B2 (ja)
EP (1) EP3835750B1 (ja)
JP (1) JP7079420B2 (ja)
CN (1) CN112534236B (ja)
WO (1) WO2020031225A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021049498A1 (ja) * 2019-09-13 2021-03-18 住友重機械工業株式会社 診断システム
WO2022210072A1 (ja) * 2021-03-29 2022-10-06 川崎重工業株式会社 ロボット故障予兆検出装置及びロボット故障予兆検出方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005202886A (ja) * 2004-01-19 2005-07-28 Kawahara Tekko Kk 機械の故障とメンテナンスの支援システム
JP2005339142A (ja) 2004-05-26 2005-12-08 Tokyo Electric Power Co Inc:The 設備保全支援装置
JP2009252085A (ja) * 2008-04-09 2009-10-29 Nec Fielding Ltd 保守作業支援システム及びその方法
JP2011048760A (ja) * 2009-08-28 2011-03-10 Fujifilm Corp 建設検査支援装置、建設検査システム、建設検査支援方法および建設検査支援プログラム
JP2015027229A (ja) * 2013-07-29 2015-02-05 株式会社日立製作所 列車運行ａｉシステム及び列車運行障害復旧支援方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1007757B (zh) * 1985-04-01 1990-04-25 西屋电器公司 诊断的系统和方法
JP3092453B2 (ja) * 1994-07-27 2000-09-25 宇部興産株式会社 遊星歯車機構の診断方法
US6820038B1 (en) 2001-09-04 2004-11-16 Accenture Global Services Gmbh Component provisioning or issuance in a maintenance, repair or overhaul environment
US7366590B2 (en) * 2006-03-23 2008-04-29 Mitchell Gabriel Mircea Balasu Impending failure and failure annunciation systems for actuators and drive train components
JP2009110066A (ja) * 2007-10-26 2009-05-21 Toshiba Corp 保守カルテ表示装置および保守カルテ表示方法
JP4523977B2 (ja) * 2008-03-19 2010-08-11 関東自動車工業株式会社 ロボット内蔵減速機の故障診断方法及び装置
US8955365B2 (en) * 2008-12-23 2015-02-17 Embraer S.A. Performance monitoring and prognostics for aircraft pneumatic control valves
US8660875B2 (en) * 2009-11-02 2014-02-25 Applied Materials, Inc. Automated corrective and predictive maintenance system
JP2012137934A (ja) * 2010-12-27 2012-07-19 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
JP5149416B2 (ja) * 2011-04-06 2013-02-20 ファナック株式会社 ロボットの異常検出機能を有するロボットシステム及びその制御方法
CN103728965B (zh) * 2012-10-15 2017-02-22 中航商用航空发动机有限责任公司 一种航空发动机的监视装置和方法、fadec系统
US20140358453A1 (en) * 2013-05-31 2014-12-04 Honda Motor Co., Ltd. Robot reducer predictive trending
CN105229884B (zh) * 2014-04-02 2018-02-23 三菱电机株式会社 电动机控制装置以及电动机控制系统
WO2016077786A1 (en) * 2014-11-14 2016-05-19 Zoll Medical Corporation Medical premonitory event estimation
MY196467A (en) * 2015-05-20 2023-04-12 Nissan Motor Failure Diagnostic Device and Failure Diagnostic Method
US10543604B2 (en) * 2015-05-21 2020-01-28 Nissan Motor Co., Ltd. Failure diagnostic device and failure diagnostic method
JP6402825B2 (ja) * 2015-05-22 2018-10-10 日産自動車株式会社 故障診断装置及び故障診断方法
EP3305482B1 (en) * 2015-05-25 2019-10-09 Nissan Motor Co., Ltd. Failure diagnosis device and failure diagnosis method
RU2678623C1 (ru) * 2015-05-29 2019-01-30 Ниссан Мотор Ко., Лтд. Устройство диагностики неисправностей и способ диагностики неисправностей
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 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
US20180284741A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection for a chemical production process

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005202886A (ja) * 2004-01-19 2005-07-28 Kawahara Tekko Kk 機械の故障とメンテナンスの支援システム
JP2005339142A (ja) 2004-05-26 2005-12-08 Tokyo Electric Power Co Inc:The 設備保全支援装置
JP2009252085A (ja) * 2008-04-09 2009-10-29 Nec Fielding Ltd 保守作業支援システム及びその方法
JP2011048760A (ja) * 2009-08-28 2011-03-10 Fujifilm Corp 建設検査支援装置、建設検査システム、建設検査支援方法および建設検査支援プログラム
JP2015027229A (ja) * 2013-07-29 2015-02-05 株式会社日立製作所 列車運行ａｉシステム及び列車運行障害復旧支援方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3835750A4

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021049498A1 (ja) * 2019-09-13 2021-03-18 住友重機械工業株式会社 診断システム
JP2021043124A (ja) * 2019-09-13 2021-03-18 住友重機械工業株式会社 診断システム
JP7357494B2 (ja) 2019-09-13 2023-10-06 住友重機械工業株式会社 診断システム
WO2022210072A1 (ja) * 2021-03-29 2022-10-06 川崎重工業株式会社 ロボット故障予兆検出装置及びロボット故障予兆検出方法

Also Published As

Publication number Publication date
US12103169B2 (en) 2024-10-01
EP3835750A4 (en) 2021-08-04
JPWO2020031225A1 (ja) 2021-08-02
JP7079420B2 (ja) 2022-06-02
US20210178615A1 (en) 2021-06-17
EP3835750A1 (en) 2021-06-16
EP3835750B1 (en) 2024-07-24
CN112534236B (zh) 2023-03-24
CN112534236A (zh) 2021-03-19

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
JP4789277B2 (ja) プラント運転支援装置
KR102355777B1 (ko) 프로세스의 이상 상태 진단 장치 및 이상 상태 진단 방법
JP2020102001A (ja) 学習用データ確認支援装置、機械学習装置、故障予知装置
CN112512762B (zh) 异常判定装置和异常判定方法
US20220088802A1 (en) Information processing method, information processing apparatus, display method, display apparatus, recording medium, method of manufacturing products, and method of acquiring learning data
JP2017064831A (ja) 遠隔作業支援システム及び遠隔作業支援方法
WO2020031225A1 (ja) 異常診断装置及び異常診断方法
CN112005256B (zh) 维护记录制作装置和维护记录制作方法
CN110058983A (zh) 异常检查参数调整显示装置
US11992953B2 (en) Abnormality determination device and abnormality determination method
JPH08202431A (ja) 運転手順ガイド装置
US11776177B2 (en) Methods for displaying recorded physical machine measured state data vs time
JP6881673B2 (ja) 異常検出装置及び異常検出方法
JP2020173683A (ja) プラント監視制御システム、およびプラント監視制御方法
CN115729176A (zh) 在工业工厂中使用的工业工厂操作者干预系统
KR20190001415A (ko) 로봇 예방 및 예측 조치 서비스 제공 방법, 서버 및 프로그램
WO2019215909A1 (ja) 異常検出装置及び異常検出方法
WO2023089773A1 (ja) 異常診断装置、異常診断システム、及び記憶媒体
KR20190001414A (ko) 실시간 로봇 모니터링 서비스 제공 방법, 서버 및 프로그램
JP2544927B2 (ja) プラント運転支援システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18929415

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020535341

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018929415

Country of ref document: EP

Effective date: 20210309