1.本发明涉及一种异常判定装置。
背景技术：2.已知一种用于判定机床等产业机器的异常的装置。例如，专利文献1记载了一种装置，该装置利用机器学习方法来求出在产业机器正常动作时获取到的数据与从成为诊断对象的产业机器获取到的数据之间的偏离度，并基于所得到的偏离度来判定异常的装置。
3.现有技术文献
4.专利文献
5.专利文献1：日本专利第6451662号公报
技术实现要素：6.发明要解决的问题
7.图3a-图3d示出从机器获取到的转矩命令波形的例子。图3a至图3d是对用于驱动机器的某个轴的电动机施加同一转矩指令的情况下的转矩波形。具体而言，图3a示出环境温度为低温且机器为正常的情况下的转矩命令波形201，图3b示出环境温度为低温且机器为异常的情况下的转矩命令波形202，图3c示出环境温度为高温且机器为正常的情况下的转矩命令波形203，图3d示出环境温度为高温且机器为异常的情况下的转矩命令波形204。
8.当参照图3a至图3d时，能够理解能够根据波形的特征量(最大值、最小值、峰峰值(peak to peak，p2p)等)来识别低温/正常时的转矩命令波形201和低温/异常时的转矩命令波形202。另外，能够理解也能够根据波形的特征量来识别高温/正常时的转矩命令波形203和高温/异常时的转矩命令波形204。即，在正常时与异常时的环境温度相同的情况下，能够通过计算转矩命令波形的偏离度来判定机器的异常。然而，由于低温/异常时的转矩命令波形202与高温/正常时的转矩命令波形203相似，因此转矩命令波形没有足够的偏离度，有可能无法判定机器的异常。
9.用于解决问题的方案
10.本公开的一个方式是一种异常判定装置，用于判定机器的异常，所述异常判定装置具备：正常数据存储部，其将与所述机器的状态有关的、所述机器正常动作时的正常数据与获取到该正常数据时的所述机器的环境温度相关联地进行存储；诊断数据存储部，其将与所述机器的状态有关的、进行所述机器的诊断时的诊断数据与获取到该诊断数据时的所述机器的环境温度相关联地进行存储；校正值导出部，其针对所述正常数据存储部中存储的所述正常数据在每个所述环境温度下求出规定的特征量，并导出根据所求出的每个所述环境温度下的所述特征量求出的统计量来作为每个所述环境温度下的校正值；校正值插值部，其使用在所述正常数据存储部中包含所述正常数据的至少两个环境温度下的所述校正值，通过插值来求出获取到所述诊断数据时的环境温度下的所述校正值；正常数据校正部，其使用每个所述环境温度下的所述校正值来校正所述正常数据的特征量；学习部，其将被
进行所述校正后的所述正常数据的特征量作为正常时的学习数据进行学习来构建学习模型；诊断数据校正部，其使用由所述校正值插值部求出的所述校正值来校正所述诊断数据的特征量；以及机器异常判定部，其基于被进行该校正后的所述诊断数据的特征量与所述学习模型的偏离度来判定所述诊断数据是否正常。
11.发明的效果
12.如以上说明的那样，根据本实施方式，根据环境温度从正常数据求出校正值来进行与机器的状态有关的数据的校正，由此能够进行准确的诊断。
13.根据附图所示的本发明的典型的实施方式的详细说明，可进一步明确本发明的这些目的、特征及优点以及其它目的、特征及优点。
附图说明
14.图1是表示一个实施方式所涉及的异常判定装置的硬件结构的框图。
15.图2是异常判定装置的功能框图。
16.图3a是示出作为机器的低温/正常时的状态数据的转矩命令波形的例子的图。
17.图3b是示出作为机器的低温/异常时的状态数据的转矩命令波形的例子的图。
18.图3c是示出作为机器的高温/正常时的状态数据的转矩命令波形的例子的图。
19.图3d是示出作为机器的高温/异常时的状态数据的转矩命令波形的例子的图。
20.图4是示出校正值的插值的第一例的图。
21.图5是示出校正值的插值的第二例的图。
22.图6是表示第一实施方式的诊断处理的流程图。
23.图7是表示第二实施方式的诊断处理的流程图。
24.图8是表示第三实施方式的诊断处理的流程图。
具体实施方式
25.接着，参照附图来对本公开的实施方式进行说明。在所参照的附图中，对相同的结构部分或功能部分标注了相同的参照附图标记。为了易于理解，适当变更了这些附图的比例尺。另外，附图所示的方式是用于实施本发明的一个例子，本发明并不限定于图示的方式。
26.图1是表示一个实施方式所涉及的异常判定装置10的硬件结构的框图。如图1所示，异常判定装置10具有经由总线9将cpu 1、rom 2、ram 3、非易失性存储器(闪存、hdd等)4相互连接得到的结构。另外，总线9经由接口11连接有显示装置(液晶显示器等)21，经由接口12连接有输入装置(键盘、鼠标等)22，经由接口14连接有机器学习装置24。异常判定装置10、显示装置21以及输入装置22能够通过一般的个人计算机来实现。另外，异常判定装置10经由外部接口13与机器50连接。如以下详细说明的那样，异常判定装置10获取与机器50的状态有关的数据(在下面，也记载为状态数据)并进行机器50的异常判定。
27.图2是异常判定装置10的功能框图。异常判定装置10具备：环境温度获取部101，其从机器50直接或者经由输入装置22获取机器50的环境温度；以及状态数据获取部102，其获取与机器50的状态有关的数据。另外，异常判定装置10具备：正常数据存储部113，其将机器50正常动作时的状态数据与获取到该状态数据时的机器50的环境温度相关联地进行存储；
校正值导出部105，其针对正常数据存储部113中存储的状态数据在每个环境温度下求出规定的特征量，并导出根据所求出的每个环境温度下的特征量计算出的统计量来作为每个环境温度下的校正值；以及正常数据校正部103，其使用由校正值导出部105导出的校正值，来对每个环境温度分别校正状态数据的特征量。并且，异常判定装置10具备：诊断数据存储部114，其将进行机器50的诊断时的状态数据与获取到该状态数据时的机器50的环境温度相关联地进行存储；校正值插值部104，其使用在正常数据存储部113中包含状态数据的至少两个环境温度下的校正值，通过插值来求出获取到机器50的诊断数据时的环境温度下的校正值；以及诊断数据校正部106，其使用由校正值插值部104导出的校正值来校正进行诊断时的状态数据的特征量。
28.另外，异常判定装置10具备机器学习装置24。机器学习装置24具备学习部242，其将由正常数据校正部103进行校正后的状态数据的特征量作为正常时的学习数据进行学习来构建学习模型；学习模型存储部241，其存储由学习部242构建的学习模型；以及机器异常判定部243，其基于由诊断数据校正部106进行校正后的诊断数据的特征量与学习模型的偏离度来判定诊断数据是否正常。
29.机器50包括机床、产业用机器人以及其它各种机器。作为机器50的状态数据，包含表示机器50的物理状态的各种数据。在此，作为例示，对机器50为机床、状态数据为针对用于驱动机床的轴的电动机的转矩命令(转矩控制)波形的情况进行说明。
30.在异常判定装置10中，正常数据校正部103使用状态数据的每个温度下的校正值，按照一定的规则进行状态数据的校正。一定的规则例如是将成为校正对象的状态数据的特征量除以各个环境温度下的校正值的运算。由此，在成为校正对象的状态数据是正常时的状态数据的情况下，被校正后的特征量与环境温度无关而位于1附近，容易进行诊断中的比较。
31.正常数据校正部103中的用于校正的校正值是由校正值导出部105求出的、针对根据每个环境温度下的正常时的状态数据的波形组求出的特征量的规定的统计量。校正值导出部105从与环境温度数据相关联地进行存储于正常数据存储部113的状态数据组中提取特定的环境温度下的状态数据。将针对所提取出的状态数据波形的特征量而计算出的规定的统计量设为该环境温度下的校正值。在此，波形的特征量使用p2p(peak to peak：峰峰值)。此外，也可以使用最大值或最小值作为波形的特征量。另外，规定的统计量在本实施方式中设为使用平均值，但也可以使用中位值、最频值等，还可以使用两个以上的特征量。通过进行同样的操作，若存在与正常数据存储部113对应的环境温度下的状态数据，则能够导出该环境温度下的校正值。
32.根据上述的结构，能够在每个环境温度下得到机器50正常时的状态数据，但一般而言机器的环境温度很少变动，难以针对所有的环境温度事先获取正常时的状态数据并蓄积于正常数据存储部113。因而，对于无法事先得到状态数据的环境温度，可能产生无法得到校正值这样的问题。在这点上，本实施方式所涉及的异常判定装置10设为如下结构：关于未得到校正值的环境温度，基于得到了状态数据的环境温度下的校正值通过插值运算来得到其校正值。在异常判定装置10中，校正值插值部104负责此功能。
33.对校正值插值部104对校正值的插值动作进行说明。作为例示，如图4所示，设为通过校正值导出部105事先得到2个环境温度(在此，设为20℃和30℃)下的校正值301、302。校
正值插值部104使用已知的校正值301、302，通过直线回归来求出表示环境温度与校正值之间的关系的直线311(关系式)。校正值插值部104使用直线311来计算特定的环境温度(在此，设为25℃)下的校正值c1。
34.另外，作为其它的插值计算的例子，如图5所示，设想在3个环境温度下存在已知的校正值321、322、323的状况。在该情况下，校正值插值部104也可以使用3个校正值321、322、323，通过曲线近似来求出表示环境温度与校正值之间的关系的曲线331(关系式)。校正值插值部104使用曲线331来计算特定的环境温度(在此，设为25℃)下的校正值c2。
35.诊断数据校正部106使用校正值插值部104，来求出与诊断数据存储部114中存储的诊断数据对应的环境温度下的校正值。然后，使用与正常数据校正部103同样的方法，来进行诊断数据的校正。
36.接着，对由机器学习装置24进行的学习进行说明。机器学习装置24具备学习模型存储部241、学习部242以及机器异常判定部243。学习部242使用由正常数据校正部103求出的校正后的正常状态数据波形的特征量来进行机器学习，从而构建学习模型。所构建的学习模型被存储在学习模型存储部241中，用于由机器异常判定部243进行的异常判定。
37.在本实施方式中，机器学习装置24进行基于mt法(马氏田口法)的异常判定。学习部242使用由正常数据校正部103进行校正后的正常数据的特征量，来提供机器异常判定部243用于基于相对于正常数据的偏离度来进行异常判定的下述数理模型。
38.[数式1]
[0039][0040]
d是表示诊断数据相对于正常数据的偏离度的马氏距离。x是将由诊断数据校正部106进行校正后的诊断数据波形的特征量进行排列得到的向量。μ是将由正常数据校正部103进行校正后的正常状态数据波形的特征量的平均值进行排列得到的向量，σ是由正常数据校正部103进行校正后的正常状态数据波形的特征量的方差-协方差矩阵。
[0041]
学习部242向机器异常判定部243提供由上述数式(1)表示的数理模型(学习模型)。机器异常判定部243针对由诊断数据校正部106进行校正后的诊断数据波形的特征量x，利用上述数式(1)求出作为马氏距离d的该特征量x相对于正常数据的偏离度。然后，在利用数式(1)求出的马氏距离d大于预先设定的阈值的情况下，机器异常判定部243判定为诊断数据异常。在此使用的阈值例如可以基于实验值、经验值来进行设定。阈值也可以构成为能够由用户对异常判定装置10进行设定。
[0042]
之后，对异常判定装置10的实施方式例进行说明。在此，设为已经由学习部242构建了学习模型。图6是表示第一实施方式的诊断处理的流程图。图6(以及图7-图8)的诊断处理在异常判定装置10的cpu 1的控制下执行。在第一实施方式中，设为校正值的插值所需的已知的校正值已经由校正值导出部105导出。首先，经由状态数据获取部102获取诊断用的状态数据(诊断数据)(步骤s101)。接着，为了以后的处理，导入已经由校正值导出部105计算出的校正值(步骤s102)。
[0043]
接着，校正值插值部104通过上述的插值运算，来计算获取到诊断数据时的环境温度下的校正值(步骤s103)。另外，此时，诊断数据校正部106使用通过校正值插值部104的插值运算而得到的针对诊断数据的校正值来进行诊断数据的校正(步骤s103)。接着，机器异常判定部243调用已经由学习部242构建的学习模型(即，上述数式(1))(步骤s104)。接着，
机器异常判定部243计算诊断数据相对于学习模型的偏离度，并将该偏离度与规定的阈值进行比较，由此进行诊断数据的正常/异常的判定(步骤s105)。
[0044]
图7是表示第二实施方式的诊断处理的流程图。首先，异常判定装置10(校正值插值部104)判定是否需要获取追加数据。在此，追加数据表示在机器50的正式运转开始后能够获取的正常时的状态数据。例如，如果处于无法利用当前已经获取完毕的状态数据进行插值运算的状态，则判定为需要获取追加数据(步骤s201)。在不需要获取追加数据的情况下(s201：“否”)，执行上述的步骤s101至s104的诊断处理。
[0045]
在需要获取追加数据的情况下(s201：“是”)，异常判定装置10从机器50获取学习用的追加的状态数据(追加数据)(步骤s202)。通过校正值导出部105导出与追加数据对应的校正值(步骤s203)。导入校正值的更新(关系式的更新)所需的已知的校正值(步骤s204)。然后，进行将与追加数据对应的校正值追加到所导入的已知的校正值中的更新。准备这样更新后的校正值的组(步骤s205)。
[0046]
处理返回到步骤s201，在不需要进一步获取追加数据的情况下(s201：“否”)，执行上述的步骤s101至s105的诊断处理。在步骤s101至s105的诊断处理中，应用在步骤s205中准备的校正值(步骤s205、步骤s102)。
[0047]
图8是表示第三实施方式的诊断处理的流程图。首先，异常判定装置10(校正值插值部104)判定是否需要获取追加数据。例如，如果处于无法利用当前已经获取完毕的状态数据进行插值运算的状态，则判定为需要获取追加数据(步骤s301)。在需要获取追加数据的情况下(s301：“是”)，异常判定装置10从机器50获取学习用的追加的状态数据(追加数据)(步骤s302)。通过校正值导出部105导出与追加数据对应的校正值(步骤s303)。导入校正值的更新(关系式的更新)所需的已知的校正值(步骤s304)。
[0048]
然后，进行将与追加数据对应的校正值追加到所导入的已知的校正值中的校正值的更新。准备这样更新后的校正值的组(步骤s305)。学习部242调用学习完毕的学习模型(步骤s306)。学习部242在将追加数据添加到已经获取完毕的状态数据中的基础上执行再次学习，进行学习模型的再次构建(学习模型的更新)(步骤s307)。处理返回到步骤s301，再次判定是否需要获取追加数据(步骤s301)。
[0049]
在不需要获取追加数据的情况下(s301：“否”)，执行上述的步骤s101至s105的诊断处理。在步骤s101至s105的诊断处理中，应用在步骤s305和步骤s307中更新后的新校正值和新学习模型(步骤s305、s307、s102、s104)。
[0050]
关于上述图7和图8中示出的诊断处理，相当于如下处理：持续地进行由状态数据获取部对状态数据(追加数据)的获取，在变为不需要获取追加数据时，由校正值插值部104更新关系式，并将该关系式用于诊断的处理。作为这样的处理的变形例，校正值插值部104也可以在变为能够进行校正值插值时、追加数据的数量达到了规定数量时、或者环境温度的变化程度超过了规定值时(环境温度急剧地变化时)进行关系式的更新。
[0051]
如以上说明的那样，根据本实施方式，根据环境温度从正常数据求出校正值来进行状态数据的校正，由此能够进行准确的诊断。另外，根据已知的校正值来进行插值从而求出未知的环境温度下的校正值，由此，在事先未得到正常数据的环境温度下也能够进行校正。
[0052]
以上，使用典型的实施方式对本发明进行了说明，但本领域技术人员应能够理解，
能够在不脱离本发明的范围的情况下对上述的各实施方式进行变更以及各种其它变更、省略、追加。
[0053]
在上述的实施方式中，对使用转矩命令波形作为与机器的状态有关的数据的例子进行了说明，但这是一例，作为表示机器的状态的数据，能够使用各种传感器的数据、与电动机的输入输出有关的各种数据(速度、加速度等)等各种数据。
[0054]
另外，在上述的实施方式中，作为机器学习示出了使用mt法的例子，但作为用于评价诊断数据相对于正常数据的偏离度的方法，也可以使用mt法以外的方法。例如，在得到了足够的作为与机器的状态有关的数据的、正常时的数据和异常时的数据双方的情况下，也可以在机器学习装置中应用有监督学习来构建学习模型，并使用该学习模型来进行异常判定。
[0055]
在上述的实施方式中，异常判定装置10是从机器50获取状态数据的结构，但异常判定装置也可以构成为从键盘等输入装置或外部的计算机获取状态数据来代替这样的结构。
[0056]
图2所示的异常判定装置10的功能块既可以通过异常判定装置10的cpu1执行存储装置中储存的各种软件来实现，或者也可以通过以asic(application specific integrated circuit：专用集成电路)等硬件为主体的结构来实现。
[0057]
执行上述的实施方式中的诊断处理(图6-图8)的程序能够记录在计算机可读取的各种记录介质(例如，rom、eeprom、闪存等半导体存储器、磁记录介质、cd-rom、dvd-rom等光盘)中。
[0058]
附图标记说明
[0059]
1：cpu；2：rom；3：ram；4：非易失性存储器；10：异常判定装置；21：显示装置；22：输入装置；24：机器学习装置；50：机器；101：环境温度获取部；102：状态数据获取部；103：正常数据校正部；104：校正值插值部；105：校正值导出部；106：诊断数据校正部；113：正常数据存储部；114：诊断数据存储部；241：学习模型存储部；242：学习部；243：机器异常判定部。
技术特征：1.一种异常判定装置，用于判定机器的异常，具备：正常数据存储部，其将与所述机器的状态有关的、所述机器正常动作时的正常数据与获取到该正常数据时的所述机器的环境温度相关联地进行存储；诊断数据存储部，其将与所述机器的状态有关的、进行所述机器的诊断时的诊断数据与获取到该诊断数据时的所述机器的环境温度相关联地进行存储；校正值导出部，其针对所述正常数据存储部中存储的所述正常数据在每个所述环境温度下求出规定的特征量，并导出根据所求出的每个所述环境温度下的所述特征量求出的统计量来作为每个所述环境温度下的校正值；校正值插值部，其使用在所述正常数据存储部中包含所述正常数据的至少两个环境温度下的所述校正值，通过插值来求出获取到所述诊断数据时的环境温度下的所述校正值；正常数据校正部，其使用每个所述环境温度下的所述校正值来校正所述正常数据的特征量；学习部，其将被进行所述校正后的所述正常数据的特征量作为正常时的学习数据进行学习来构建学习模型；诊断数据校正部，其使用由所述校正值插值部求出的所述校正值来校正所述诊断数据的特征量；以及机器异常判定部，其基于被进行该校正后的所述诊断数据的特征量与所述学习模型的偏离度来判定所述诊断数据是否正常。2.根据权利要求1所述的异常判定装置，其中，所述校正值插值部求出表示所述环境温度与所述校正值之间的关系的关系式，并使用该关系式来执行所述插值。3.根据权利要求2所述的异常判定装置，还具备：状态数据获取部，其从所述机器获取与所述机器的状态有关的数据；以及环境温度获取部，其获取所述机器的所述环境温度，所述正常数据存储部将由所述状态数据获取部获取到的与所述机器的状态有关的数据与获取到该数据时的所述环境温度相关联地进行存储。4.根据权利要求3所述的异常判定装置，其中，所述校正值插值部在无法通过在所述机器正式运转之前预先存储于所述正常数据存储部的所述正常数据导出所述关系式的情况下，将在所述正式运转之后由所述状态数据获取部获取到的所述数据用作追加数据来导出所述关系式。5.根据权利要求3所述的异常判定装置，其中，所述校正值插值部将在所述机器正式运转之后由所述状态数据获取部获取到的所述数据用作追加数据，来更新通过在所述机器正式运转之前预先存储于所述正常数据存储部的所述正常数据求出的所述关系式。6.根据权利要求5所述的异常判定装置，其中，所述状态数据获取部持续地进行所述机器正式运转之后的所述正常数据的获取，在所述追加数据的数量达到了规定数量时，所述校正值插值部进行所述关系式的更新。7.根据权利要求5所述的异常判定装置，其中，
所述状态数据获取部持续地进行所述机器正式运转之后的所述正常数据的获取，在所述环境温度的变化程度超过了规定值时，所述校正值插值部进行所述关系式的更新。8.根据权利要求3至7中的任一项所述的异常判定装置，其中，所述学习部将在所述机器正式运转之后由所述状态数据获取部获取到并且由所述正常数据校正部进行校正后的所述正常数据用作追加数据，来更新基于在所述机器正式运转之前预先存储于所述正常数据存储部的所述正常数据得到的所述学习模型。9.根据权利要求1至8中的任一项所述的异常判定装置，其中，所述机器是具有电动机的机器，与所述机器的状态有关的所述数据是所述电动机的转矩命令的波形。
技术总结本发明提供一种即使在混合有环境温度不同的数据的情况下也能够准确地进行异常判定的异常判定装置。异常判定装置(10)具备：正常数据存储部(113)；诊断数据存储部(114)；校正值导出部(105)，其针对正常数据在对每个环境温度下求出特征量，并导出根据特征量求出的统计量来作为校正值；校正值插值部(104)，其使用至少两个环境温度下的校正值，通过插值求出获取到诊断数据时的环境温度下的校正值；正常数据校正部(103)，其使用校正值来校正正常数据的特征量；学习部(242)，其学习被进行校正后的正常数据的特征量作为学习数据来构建学习模型；诊断数据校正部(106)，其使用校正值来校正诊断数据的特征量；以及机器异常判定部(243)，其基于被进行校正后的诊断数据的特征量与学习模型的偏离度来判定诊断数据是否正常。习模型的偏离度来判定诊断数据是否正常。习模型的偏离度来判定诊断数据是否正常。
技术研发人员：羽田启太
受保护的技术使用者：发那科株式会社
技术研发日：2021.03.11
技术公布日：2022/11/1
