异常因素确定装置的制作方法

本实用新型涉及异常因素确定装置，特别涉及根据故障的预兆进行异常因素的分离的异常因素确定装置。

背景技术：

在进行包括机床、机器人等工业机械的故障等的异常的检测、预测的情况下，一般将反应与异常因素(故障的种类、故障的部位等)对应地变化的传感器设置在对象部位的近旁，使用该传感器的检测值进行异常检测/预测。但是，难以将传感器设置得只对特定的异常产生反应，大多还会对其他因素的异常产生反应，因此异常因素的分离成为课题。

作为使用通过传感器检测出的检测值分离机械的异常因素的现有技术，例如在日本特开2011-060076号公报中公开了以下的技术，即为了确定警报的产生原因，根据来自多个传感器的信号和数值控制装置的内部信息判定异常的状态，输出显示、控制信号。另外，在日本特开平10-228304号公报中公开了以下的技术，即为了进行与加工装置的特性变化对应的异常判定，而修正驱动和机构模型，提高异常检测的精度。进而，在日本特开平07-234987号公报中公开了以下的技术，即为了使数值控制装置的故障诊断变得容易，而显示故障部位的原因推定等，在每次故障时变更原因推定概率的数据库。

作为异常因素的分离的方法，如日本特开2011-060076号公报所公开的那样，可以考虑在工业机械的每个部位设置传感器，根据传感器的反应强弱确定异常因素的方法，但从成本、维护方面出发，理想的是传感器个数尽量少。

另外，如果事先知道每个异常因素产生的详细现象，则能够如日本特开平07-234987号公报所公开的那样，使用事前知识分离异常因素，但一般工业机械的故障是罕见的现象，大多难以收集与因故障造成的机械的异常有关的知识。另外，传感器观测值无法忽视因机械的设置环境、个体差造成的影响的情况很多，即使准备事前知识，如果不与传感器的设置环境、个体差对应地调整事前知识则变得无用的情况很多，因此理想的是尽量不使用与传感器观测值有关的事前知识。

技术实现要素：

因此，本实用新型的目的在于：提供一种异常因素确定装置，其根据异常的预兆进行异常因素的分离。

本实用新型的异常因素确定装置，组合与机械的动作状况有关的信息和传感器信号来进行异常因素的分离，由此解决上述课题。本实用新型的异常因素确定装置在机械的多个异常的动作状况下，根据传感器信号计算动作的异常度，制作表示异常度的时序的变化倾向的历史记录数据，进而与机械的动作状况关联地存储。另外，通过分析机械的多个动作状况下的异常度的变化倾向，而进行异常因素的分离。

另外，本实用新型的一个实施例是一种异常因素确定装置，其确定在机械中发生的异常的因素，其中具备：传感器信号取得部，其取得与上述机械的物理状态有关的传感器信号；动作状况判定部，其根据从上述机械取得的信息，判定上述机械的动作状况；异常度计算部，其针对上述动作状况判定部判定出的上述机械的每个动作状况，计算上述传感器信号的异常度；因素确定部，其根据作为每个上述动作状况的上述异常度的序列的历史记录数据，判定上述机械的异常的因素。

根据本实用新型，与现有的方法相比，提高了异常因素的分离的精度，特别在使用数量少的传感器值的环境下，也能够在保持某种程度的精度的同时进行异常因素的分离。

附图说明

根据参照附图的以下的实施例的说明，能够了解本实用新型的上述以及其他的目的和特征。

图1是第一实施方式的异常因素确定装置的概要硬件结构图。

图2是第一实施方式的异常因素确定装置的概要功能框图。

图3是示例动作状况判定表的图。

图4是示例工具磨损时的机械的每个动作状况的电动机的速度反馈值的异常度的历史记录数据的图。

图5是示例主轴破损时的机械的每个动作状况的电动机的速度反馈值的异常度的历史记录数据的图。

图6是示例异常因素确定表的图。

具体实施方式

以下，与附图一起说明本实用新型的实施方式。

图1是表示本实用新型的一个实施方式的异常因素确定装置的主要部分的概要硬件结构图。可以作为控制机器人、机床等机械的控制装置来实现异常因素确定装置1。另外，可以作为与控制机械的控制装置一并设置的个人计算机、经由网络与控制装置连接的单元计算机、主计算机、云服务器等计算机来实现异常因素确定装置1。图1表示作为控制机械的控制装置来实现异常因素确定装置1的情况的例子。

本实施方式的异常因素确定装置1所具备的CPU11是整体地控制异常因素确定装置1的处理器。CPU11经由总线20读出存储在ROM12中的系统程序，依照该系统程序控制异常因素确定装置1整体。在RAM13中暂时存储临时的计算数据、显示数据、操作者经由未图示的输入部输入的各种数据等。

非易失性存储器14例如构成为被未图示的电池后备供电等而在异常因素确定装置1的电源切断的状态下也保持存储状态的存储器。

在非易失性存储器14中，存储经由接口15从外部设备72读入的控制程序、经由显示器/MDI单元70输入的控制程序、从异常因素确定装置1的各部、机床、传感器等取得的各种数据(例如表示控制程序的指令的执行状态、机床的动作状态的各种信号、伺服电动机50或主轴电动机62的位置、速度、电流电压值、振动传感器或温度传感器等传感器的检测值、加工条件、工具或工件的信息等)。可以在执行时/利用时将存储在非易失性存储器14中的控制程序、各种数据展开到RAM13中。另外，在ROM12中，预先写入有公知的分析程序等各种系统程序。

接口15是用于将异常因素确定装置1和适配器等外部设备72连接起来的接口。从外部设备72侧读入程序、各种参数等。另外，能够将在异常因素确定装置1内编辑后的程序、各种参数等经由外部设备72存储到外部存储单元。PMC(可编程机床控制器)16根据内置于异常因素确定装置1中的时序程序，经由I/O单元17向机床和该机床的外围设备(例如工具更换用的机器人手这样的执行器、设置在机床的传感器等)输出信号并进行控制。另外，接受在机床的主体上配备的操作盘的各种开关、外围设备等的信号，在进行了必要的信号处理后，传递给CPU11。

显示器/MDI单元70是具备显示器、键盘等的手动数据输入装置，接口18接受来自显示器/MDI单元70的键盘的指令、数据并传递给CPU11。接口19与具备在手动地驱动各轴时使用的手动脉冲发生器的操作盘71连接。

用于控制机床所具备的轴的轴控制电路30接受来自CPU11的轴的移动指令量，将轴的指令输出到伺服放大器40。伺服放大器40接受该指令，驱动使机床所具备的轴移动的伺服电动机50。轴的伺服电动机50内置位置速度检测器，将来自该位置速度检测器的位置速度反馈信号反馈到轴控制电路30，进行位置速度的反馈控制。

此外，在图1的硬件结构图中，轴控制电路30、伺服放大器40、伺服电动机50仅各示出1个，但实际上按照成为控制对象的机床所具备的轴的个数而准备。

主轴控制电路60接受主轴旋转指令，向主轴放大器61输出主轴速度信号。主轴放大器61接受该主轴速度信号，按照所指示的转速使机床的主轴电动机62转动，驱动工具。在主轴电动机62上耦合有位置编码器63，位置编码器63与主轴的旋转同步地输出反馈脉冲，由CPU11读取该反馈脉冲。

图2是第一实施方式的异常因素确定装置1的概要功能框图。

通过由图1所示的异常因素确定装置1所具备的CPU11执行各个系统程序，控制异常因素确定装置1的各部的动作，来实现图2所示的各功能模块。

本实施方式的异常因素确定装置1具备：控制部34，其根据从非易失性存储器14读出的控制程序，控制机械2；动作状况判定部36，其根据从控制部34和机械2取得的信息，判定机械2的动作状况；传感器信号取得部38，其取得设置在机械的传感器3检测出的检测值作为传感器信号；异常度计算部42，其根据动作状况判定部36判定出的机械的动作状况和传感器信号取得部38从传感器3取得的传感器信号，计算机械2的动作的异常度，并作为与机械2的动作状况关联的历史记录数据，存储在非易失性存储器14中；因素确定部44，其根据存储在非易失性存储器14中的机械2的动作的异常度的历史记录数据，检测机械2的异常，并且确定其异常因素。

控制部34是从非易失性存储器14读出控制程序的程序块并根据该程序块的指令控制机械2的功能单元。控制部34具有在控制程序的程序块指示机械2所具备的轴的移动的情况下在每个控制周期向驱动该轴的伺服电动机50输出移动量、在控制程序的程序块指示机械2所具备的未图示的外围设备的动作的情况下向该外围设备输出动作指令等用于控制机械2的各部的普通功能。另外，控制部34在因素确定部44检测出异常的情况下，根据因素确定部44所确定的异常因素，进行向显示器/MDI单元显示警告、停止机械2的当前的动作这样的发生异常时的控制。

动作状况判定部36是根据控制部34对机械2的控制的内容、从机械2取得的信息判定机械2的动作状况的功能单元。动作状况判定部36例如在控制部34执行快速进给指令的情况下，判定为是机械2所具备的伺服电动机50正在进行驱动的状况，在控制部34执行切削进给指令的情况下，判定为是机械2一边使伺服电动机50进行驱动一边进行切削的状况。另外，动作状况判定部36例如在从机械2检测到表示正在进行切削进给的信号的情况下，可以判定为是机械2一边使伺服电动机50进行驱动一边进行切削的状况，另外，也可以通过检测来自机械2所具备的外围设备的动作信号而判定为该外围设备正在动作的状况。这样，如果使动作状况判定部36根据控制部34的控制的信息和从机械2取得的信息、进而根据需要还有传感器信号取得部38从传感器3取得的传感器信号综合地判定机械2的动作状况，则能够高效地判定机械2的动作状况。另外，动作状况判定部36也可以判定如轴驱动中和加速中、轴驱动中和减速中等这样能够在同一时刻成立的机械2的多个动作状况。

动作状况判定部36例如也可以使用图3所示例的机械动作状况判定表来判定机械2的动作状况。在图3的机械动作状况判定表中，使机械的动作状况与控制部34的控制内容和从机械取得的信息关联起来。另外，在图3的机械动作状况判定表中，用“-”表示任意内容的项目。这样，预先制作使机械的动作状况与控制部34的控制内容和从机械取得的信息关联起来所得的表，由此，动作状况判定部36能够迅速地判定机械2的当前的动作状况。除了图3所示例的以外，例如也可以预先制作将控制部34的控制内容(指令、坐标值等)和从机械取得的信息作为参数来求出机械的动作状况的函数并使用它，还可以使用以控制部34的控制内容(指令、坐标值等)和从机械取得的信息作为输入而输出机械2的动作状况的机器学习器，只要能够可靠并且迅速地判定当前的机械2的动作状况，则其实现方法没有限制。

传感器信号取得部38是取得设置在机械2中的传感器3检测出的检测值作为传感器信号的功能单元。成为传感器信号取得部38取得检测值的对象的传感器3，例如可以是伺服电动机50、主轴电动机62所具备的位置速度检测器、位置编码器63、测定机械2的温度的温度传感器、检测机械2所产生的振动的加速度传感器、检测机械2所产生的声音的声音传感器等。此外，传感器信号取得部38可以构成为能够取得来自多个传感器3的传感器信号，但在考虑到成本、维护方面的情况下，理想的是传感器3的个数尽量少。在本实用新型的异常因素确定装置1中，根据其异常因素的分离方法的特征，只要能够从2～3个的少数个、或极限的话从一个传感器3取得传感器信号，就能够以合理的精度进行异常因素的分离。通过使用由动作状况判定部36判定出的机械2的动作状况的信息，而充分地补偿因减少传感器3的个数造成的异常因素确定的精度降低。

传感器信号取得部38所取得的传感器信号既可以是瞬时的检测值，另外也可以是在机械2的相同的动作状况下连续取得的时序的检测值，但也可以考虑在异常度计算部42中，使用通过传感器3检测出的检测值的变化，或通过统计的方法计算出异常度，因此理想的是取得机械2的相同的动作状况下的时序的检测值。传感器信号取得部38所取得的传感器信号既可以在通常的机械2的运转时取得，也可以例如在开始该日的机械2的运转之前，进行预定的动作试验运转，在该动作试验运转中取得传感器信号。

另外，传感器信号取得部38也可以根据从操作者经由显示器/MDI单元70输入的操作指令，将传感器信号取得部38对机械2的每个动作状况取得的传感器信号成为基准的传感器信号与动作状况关联地存储到非易失性存储器14中。在此，存储到非易失性存储器14中的成为基准的传感器信号被用作用于异常度计算部42计算机械2的动作的异常度的基准，因此理想的是在机械2正常动作的状态下取得。在非易失性存储器14中，对于与相同的动作状况关联的传感器信号，也可以存储异常度计算部42进行统计处理来说足够个数的数据。此外，如果考虑到由于机械2的设置环境、动作环境而传感器3检测的检测值发生变化，则理想的是在实际运转的环境中设置机械2的初期，实际使机械2试验地运转，在多个动作状况下取得成为传感器信号的基准的数据，将取得的成为基准的传感器信号与各个动作状况关联起来而存储到非易失性存储器14中。

异常度计算部42是以下的功能单元，其根据传感器信号取得部38取得的传感器信号，计算动作状况判定部36判定的每个动作状况的机械2的动作的异常度，将计算出的每个动作状况的机械2的动作的异常度的历史记录数据存储到非易失性存储器14中。异常度计算部42例如可以使用预先确定了表示所取得的传感器信号的数据从存储在非易失性存储器14中的成为每个动作状况的基准的传感器信号的数据(群)以怎样的程度偏离的程度的函数等而进行计算，并作为异常度使用。在该情况下，例如使用普通的异常值检定、K最邻近算法、MT法等公知的方法即可。由异常度计算部42存储到非易失性存储器14中的历史记录数据,构成为能够掌握计算各个异常度的时间流程。例如，历史记录数据所包含的每个动作状况的机械2的动作的异常度可以分别包含表示该异常度被计算的顺序的信息，或者也可以包含取得成为该异常度的计算基础的传感器信号的时刻。

因素确定部44是根据存储在非易失性存储器14中的机械2的动作的异常度的历史记录数据检测机械2的异常并且确定其异常因素的功能单元。因素确定部44针对机械2的每个动作状况的历史记录数据，分别分析异常度的时序变化倾向，根据作为其结果而得到的每个动作状况的异常度的变化倾向，进行异常因素(产生异常的部位、异常的种类)的分离。因素确定部44可以针对机械2的多个动作状况的历史记录数据，例如求出异常度的变化速度，根据各个动作状况下的异常度的值和异常度的变化速度进行异常因素的分离。

图4、图5表示出存储在非易失性存储器14中的机械2的每个动作状况的机械2的动作中的电动机的速度反馈值的异常度的历史记录数据的例子。在图4、图5中，th1、th2是用于判定为各个动作状况下的机械2的动作表示出异常的预兆的异常度的阈值。此外，为了简化说明，图4、图5只表示出机械2的动作状况为轴驱动中(非切削中)、轴驱动中(切削中)的异常度的历史记录数据，但实际上在非易失性存储器14中，与许多动作状况关联地存储异常度的历史记录数据。

在图4所示的例子中，对于机械2的动作状况为轴驱动中(非切削中)的情况下的异常度，并没有发现很大的变化，另一方面，机械2的动作状况为轴驱动中(切削中)的情况下的异常度表示出异常的征兆(超过阈值th2)，在直到异常因素的分离时为止的4天中，异常度缓慢地上升。在这样的情况下，能够确定为工具的一部分发生了磨损等异常。

另一方面，在图5所示的例子中，机械2的动作状况为轴驱动中(非切削中)的情况下的异常度以及机械2的动作状况为轴驱动中(切削中)的情况下的异常度表示出异常的征兆(超过阈值th1、th2)，在异常因素的分离时的4天前，异常度急剧地上升。在这样的情况下，能够确定为主轴的机构内(主轴电动机62的轴承等)发生了破损等异常。

此外，除此以外，还可以根据加速度传感器(主轴的振动)、温度传感器(主轴的温度)、声音传感器(主轴的振动和异常音)等检测出的传感器信号，进行这样的对主轴产生的异常的确定。

除了上述以外，还能够根据各种各样的机械的动作状况确定异常因素。例如，在机械2是机床的情况下，在动作状况为轴驱动中(切削切入时)的情况下的异常度突然上升，其他动作状况时的异常度几乎没有上升等情况下，有可能主轴或支持工作台的部分有异常因素，在机械2是机器人的情况下，在使机器人的机械臂上升的动作状况(轴驱动中：反重力方向)的情况下计算出的异常度每天缓慢地上升，在使其下降的动作状况(轴驱动中：重力方向)的情况下计算出的异常度急剧地上升的情况下，机器人的关节的减速机有异常因素的可能性高。这样，能够根据机械2的各种各样的动作状况下的异常度的变化，确定异常因素。

因素确定部44在进行最简单的异常因素的确定的情况下，例如根据机械2的制造商等制作的表、规则等进行图4、图5所示例那样的确定处理即可。在这样的情况下，例如可以制作图6所示例那样的异常因素确定表并存储到非易失性存储器14中，因素确定部44可以使用异常因素确定表进行异常部位、异常种类的判定。机械2的每个动作状况的异常度的历史记录数据的变化的倾向不直接使用传感器信号，而参见以异常度这样的形式四舍五入所得的参数，因此只要是相同型号的机械2，则没有很大的不同，即使直接使用由制造商制作的异常因素确定表，也不会产生很大问题。另外，根据需要，在将机械2设置到要使用的现场后，一边确认在每个动作状况下取得的传感器信号，一边调整异常因素确定表所包含的用于确定异常因素的规则的参数(阈值等)，由此也能够应对设置到现场的机械2的特性、设置环境。

另外，也可以向因素确定部44导入机器学习器，使用它根据异常度的历史记录数据进行异常部位和异常种类的确定处理。在这样的情况下，例如使机器学习器根据过去发生(并且应对)的机械2(或其相同机型)的异常的异常因素、这时记录到非易失性存储器14中的异常度的历史记录数据进行机器学习，并使其根据其学习结果，基于异常度的历史记录数据，进行异常部位和异常种类的机器学习，由此进行异常因素的确定即可。机器学习器的导入在学习的过程中会花费成本这一点上存在问题，但在能够灵活地应对机械2的特性、设置环境这一点上是有利的。

另外，在机械2的制造商处准备使用相同机型进行机器学习的通用的学习模型，在将机械2设置到要使用的工厂后，使用该通用的学习模型进行追加的机器学习，制作并利用派生模型，由此也能够某种程度地抑制学习成本。

以上，说明了本实用新型的实施方式，但本实用新型并不限于上述实施方式，通过施加适当的变更，能够以其他形式实施。