控制方法、控制装置和机械设备

技术领域

本公开涉及控制方法、控制装置、包括该控制装置的机械设备、以及非暂时性计算机可读记录介质。

背景技术

机械设备的操作状态可能根据组成部件的状态变化等而时刻改变。在以下描述中，将在基于机械设备的使用目的的允许范围内的操作状态称为正常状态，将在允许范围外的操作状态称为故障状态或异常状态。例如，在生产机械处于故障状态或异常状态的情况下，会发生诸如制造出有缺陷的产品或生产线停止的故障。

在生产机械等的情况下，即使反复连续地进行相同的操作，一般也会定期或不定期地进行维护作业，以尽可能地抑制故障状态的发生。虽然缩短维护作业间的执行间隔对于提高预防安全性是有效的，但是由于维护作业期间生产机械等被停止，所以如果过度地增加维护作业的频率，则生产机械等的运转率降低。因此，在机械等还处于正常状态但接近故障状态的发生时，期望能够检测到该状态。这是因为，在这种情况下，可以在检测到接近故障状态时(即，在预测到故障的发生时)进行机械等的维护作业，因此可以抑制运转率的过度降低。

作为用于预测故障的发生的方法，已知有预先准备通过对机械设备的状态进行机器学习而生成的学习后模型并使用该学习后模型来评估机械设备在评估时的状态的方法。例如，已知以下方法：通过对机械设备的正常状态的特性进行机器学习来生成学习后模型，计算评估时机械设备的状态与通过机器学习所学习的正常状态之间的偏差度，并基于计算出的偏差度来预测故障的发生。为了提高预测准确度，构建适合于故障预测的学习后模型很重要。但是，因此，用于机器学习的学习数据是否合适很重要。

例如，日本专利特开No.2011-70635公开了基于指示机械设备的状态的传感器信号提取向量，并基于特征向量的数据检查来选择待使用的特征。此外，日本专利特开No.2011-70635公开了根据所选择的学习数据生成机械设备的正常状态的模型。

另外，关于根据季节变化从为各个季节准备的多条学习数据中进行选择，日本专利特开No.2011-59790公开了基于异常测量(多变量分析的结果)以及每个传感器信号的影响程度的评估结果选择根据异常应该关注并选择的传感器信号。

在机械设备中，获取各种参数的测量数据，以管理机械设备的操作状态。在为了生成机械设备的正常状态的模型而生成机器学习用数据的情况下，适当地提取在机械设备在正常状态下进行操作时所获得的测量数据很重要。

但是，在例如安装在生产线上的机械设备(例如工业用机器人)的情况下，难以适当地提取在机械设备在正常状态下进行操作时所获得的数据。

安装在生产线上的机器人通常反复执行相同的操作以重复生产相同的产品，但是即使该机器人本身处于正常状态，其操作也会受到负责由该机器人执行的工序之前和之后的工序的机器的状态的影响。例如，假设机器人从负责前一工序的机器接收工件，进行机器人所负责的工序(例如部件组装)的作业，并将该工件传递到负责下一工序的机器上的情况。即使机器人处于正常状态，在机器人的周期时间短于负责前一工序的机器的周期时间的情况下，有一段时间机器人待机，这意味着机器人并非一直在操作。类似地，在机器人的周期时间短于负责后一工序的机器的周期时间的情况下，有一段时间机器人待机，这意味着机器人并非一直在操作。

另外，即使将前后工序的周期时间设定为等于机器人的操作的周期时间，在前一工序或后一工序中发生异常的情况下，也可能会发生以下情况：工件的传递出现问题，即使机器人自身处于正常状态机器人也不得不停止。这是因为，例如，机器人必须等待工件从负责前一工序的机器递送过来，或者必须停止操作直到负责下一工序的机器能够接收工件。

如上所述，即使机器人处于正常状态，连续的测量数据也包括在机器人待机或机器人停止时所获得的测量数据，并且当用作用于对机器人在正常状态下进行操作时的机器人特性进行机器学习的学习数据时，测量数据包括作为噪声的数据。

另外，在反复执行加工操作时所得到的各种测量数据中，除了在机器人待机或停止时所获得的作为噪声的数据以外，还包括不指示机器人在正常状态下进行操作时的机器人特性的测量数据。例如，在机器人在六轴控制下进行操作的情况下，根据被编程的处理作业，六个轴包括机器人频繁操作的轴、机器人不频繁操作的轴、以及机器人根本不操作的轴。因此，通过测量各个轴的驱动状态而获得的数据包括不反映机器人在正常状态下进行操作时的机器人特性的测量数据。因此，如果使用所有各种测量数据，则作为用于对机器人在正常状态下进行操作时的机器人特性进行机器学习的学习数据，这些测量数据是冗余的或者包括噪声。

在日本专利特开No.2011-70635和日本专利特开No.2011-59790中，虽然认识到选择学习数据，但是没有充分讨论用于在反复进行操作的机械设备(例如生产机械)中选择和获得学习数据的具体方法。因此，难以通过传统方法生成预测准确度高的学习后模型。

因此，对于反复进行相同的操作但是根据前后工序的情况改变操作方式的机械设备(例如，安装在生产线上的机器人)，期望一种用于适当地提取用于对机械设备在正常状态下进行操作时机械设备的特性进行机器学习的学习数据的方法。

发明内容

根据本公开的第一方面，一种控制方法包括：在第一时段获取与处于第一状态的机械设备相关的测量值；通过使用所述测量值以及与所述机械设备处于操作状态的时间相对应的测量值的档案信息来确定在所述第一时段内所述机械设备处于操作状态的时段；以及基于与所确定的在所述第一时段内所述机械设备处于操作状态的时段对应的所述测量值来提取特征值作为机器学习用数据。

根据本公开的第二方面，一种控制装置包括控制器，所述控制器构造成：在第一时段获取与处于第一状态的机械设备相关的测量值；通过使用所述测量值以及与所述机械设备处于操作状态的时间相对应的测量值的档案信息来确定在所述第一时段内所述机械设备处于操作状态的时段；以及基于与所确定的在所述第一时段内所述机械设备处于操作状态的时段对应的所述测量值来提取特征值作为机器学习用数据。

通过下文参考附图对示例性实施例的描述，本公开的其他特征将变得明显。

附图说明

图1是用于描述一个实施例的故障预测系统中所包括的功能块的示意性功能框图。

图2是用于描述该实施例的硬件配置的示意图。

图3是用于描述根据本公开的一个或多个方面用于提取特征值的方法的示意图。

图4A示出了一个操作周期的测量数据的示例。

图4B示出了作为单位记录并且对应于连续操作的情况的单位记录数据的示例。

图4C示出了作为单位记录并且包括非操作状态时段的单位记录数据的示例。

图5A是用于描述操作档案的示图。

图5B是示出了判断为操作中的情况的示图。

图5C示出了判断为包括非操作状态的情况的示例。

图6是用于描述根据本公开的一个或多个方面的机器学习方法的示意图。

图7是用于描述根据本公开的一个或多个方面的用于确定判断阈值的方法的示意图。

图8是用于描述根据本公开的一个或多个方面的故障预测方法的示意图。

图9是示出了根据本公开的一个或多个方面的用于生成故障预测模型的处理过程的流程图。

图10是示出了根据本公开的一个或多个方面的故障预测的处理过程的流程图。

图11是作为机械设备的示例的六轴机器人的透视图。

图12是示出了六轴机器人的每个旋转关节的操作的示图。

图13是用于描述根据本公开的一个或多个方面的用于确定操作档案的方法的示意图。

具体实施方式

作为本公开的实施例，将参考附图对用于预测机械设备的故障的故障预测系统、控制方法、控制装置、包括该控制装置的机械设备、控制程序、计算机可读取记录介质等进行描述。

功能块的配置

图1是用于描述本实施例的故障预测系统中所包括的功能块的配置的示意性功能框图。应当注意，尽管在图1中描述本实施例的特征所需的功能元件被表示为功能块，但是省略了与本公开的问题解决原理没有直接关系的通用功能元件的图示。另外，图1中所示的各个功能元件在功能上是概念性的，不必如图所示进行物理配置。例如，关于各功能块的分散和集成的具体构造不限于所示示例，可以根据使用条件等使其全部或部分以任意单元在功能上或物理上分散或集成。

如图1所示，本实施例的故障预测系统包括作为诊断对象的机械设备10以及故障预测装置100。

机械设备10可以是通过组装工件而制造出作为制成品的产品的各种工业设备，例如多关节型机器人以及安装在生产线上的生产装置。机械设备10包括用于测量机械设备10的状态的各种传感器11。例如，在机械设备10是多关节型机器人的情况下，可以设置用于测量驱动关节的马达的电流值的传感器、关节的角度传感器、用于测量速度、振动或声音的传感器等。但是，这些仅是示例，根据机械设备10的种类、使用目的等可以在合适的位置设置合适种类和数量的传感器作为传感器11。作为传感器11，可以使用各种传感器，例如力传感器、扭矩传感器、振动传感器、声音传感器、图像传感器、距离传感器、温度传感器、湿度传感器、流量传感器、pH传感器、压力传感器、粘度传感器和气体传感器。应当注意，尽管为了便于说明在图1中仅示出了单个传感器11，但是通常会设置多个传感器。

机械设备10以有线或无线的方式可通信地连接到故障预测装置100，并且故障预测装置100可以通过通信获得由传感器11测量的数据。

在生成故障预测模型的阶段，故障预测装置100通过使用从传感器11收集的数据来选择与机械设备10的故障发生高度相关的特征值，并且通过使用所选择的特征值进行机器学习来生成并存储学习后模型，即故障预测模型。另外，在评估阶段(即，故障预测阶段)，将从传感器11收集的评估时的数据输入到学习后模型，通过使用学习后模型的输入和输出来计算偏差度，并判断是否接近故障的发生。下面，将依次描述故障预测装置100中所包括的功能块。

故障预测装置100包括控制器110、存储部120、显示部130和输入部140。

控制器110包括多个功能块，这些功能块由例如故障预测装置100的中央处理单元(CPU)构成，该中央处理单元读取并执行存储在存储装置中的控制程序。或者，可以由故障预测装置100中所包括的诸如专用集成电路(ASIC)的硬件来构成部分或全部功能块。

存储部120包括传感器数据存储部121、特征值存储部122、操作档案存储部123、操作状态判断存储部124、故障预测模型条件存储部125和故障预测模型存储部126。存储部120中包括的这些部分中的每一个通过被适当地分配给诸如硬盘驱动器、随机存取存储器(RAM)或只读存储器(ROM)的存储装置的存储区域来配置。存储部120是获取并存储用于执行故障预测的处理所需的各种数据的数据获取部。

显示部130和输入部140是包括在故障预测装置100中的用户接口。使用诸如液晶显示器或有机电致发光显示器的显示装置作为显示部130，使用诸如键盘、转盘、鼠标、指示装置或声音输入装置的输入装置作为输入部140。

控制器110的传感器数据收集部111从机械设备10的传感器11获取测量数据，并将测量数据存储在传感器数据存储部121中。也就是说，例如，将在机械设备10中测量的与机械设备10的状态有关的测量数据(诸如电流、速度、压力、振动、声音、各部分的温度等)收集并存储在传感器数据存储部121中。

特征值提取部112基于存储在传感器数据存储部121中的测量数据提取表示机械设备10的状态的特性的特征值，并将该特征值存储在特征值存储部122中。例如，作为特征值数据，可以提取在机械设备10的一个操作周期中收集的传感器11的测量值的最大值和/或最小值，或者可以计算出测量值的平均值。或者，也可以将预定时间段内的传感器的测量值通过积分转换为时间序列频率区域。另外，也可以使用以时间序列排列的测量值相对于时间的微分值或二次微分值作为特征值数据。另外，在传感器11的测量值本身(即测量值的原始数据)可以用作用于检测是否接近故障发生的决定因素的情况下，测量值本身可以用作特征值数据。在本实施例中，特征值提取部112基于传感器11的测量值来提取或计算特征值，并且生成时间序列特征值数据并将其存储在特征值存储部122中。请注意，稍后将参考图3详细描述特征值的提取。

状态判断部113从传感器数据存储部121取得传感器数据，从特征值存储部122取得特征值，并从操作档案存储部123取得用于判断操作状态(运行状态)的操作档案的定义。操作档案的定义是与判断机械设备10是在操作还是在停止(即，机械设备10是处于操作状态还是非操作状态)的判断基准有关的信息。状态判断部113基于所获取的信息确定机械设备10处于操作中的时段，然后将与被判断为机械设备10处于操作中的时段的那个时段相关的信息存储在操作状态判断存储部124中。注意，状态判断部113并不一定要获取传感器数据和特征值这两者，例如，如果仅使用传感器数据就能够判断机械设备10的操作状态，状态判断部113也可以仅获取传感器数据。

在生成学习后模型时，数据提取部114基于在操作状态判断存储部124中所存储的与机械设备10处于操作中的时段有关的信息以及在故障预测模型条件存储部125中所存储的信息从特征值存储部122提取特征值。所提取的特征值被输出到故障预测模型生成部115作为机器学习用数据。故障预测模型条件存储部125预先存储确定各种特征值中表示机械设备10在正常状态下的特性的特征值的信息。因此，选择表示机械设备10在正常状态下的特性的特征值，并且仅提取特征值中与机械设备10处于操作中的时段相对应的部分。

另外，在评估时，数据提取部114基于在操作状态判断存储部124中存储的机械设备10的操作时段以及在故障预测模型条件存储部125中存储的信息从特征值存储部122提取特征值。所提取的特征值作为评估用特征值数据被输出到故障判断部116。因此，选择与用于机器学习的特征值相同种类的特征值作为评估用特征值数据，并且也仅提取特征值中与机械设备处于操作中的时段相对应的部分。

当生成学习后模型时，故障预测模型生成部115通过使用从数据提取部114输入的机器学习用数据来生成学习后模型(即，故障预测模型)，并且将学习后模型存储在故障预测模型存储部126中。

在评估时，故障判断部116将从数据提取部114输入的评估用特征值数据输入到存储在故障预测模型存储部126中的学习后模型(即，故障预测模型)，并且计算其输入和输出之间的偏差度。然后，故障判断部116通过将该偏差度与判断阈值进行比较来判断是否存在故障的迹象。

故障通知部117将故障判断部116的判断结果通知给外部装置，或者将判断结果显示在显示部130上。

硬件配置

图2示意性地示出了本实施例的故障预测系统的硬件配置的示例。该故障预测系统可以包括个人计算机硬件，该个人计算机硬件包括作为主控制器的CPU 1601，以及作为存储部分的ROM 1602和RAM 1603，如图2所示。ROM 1602可以存储诸如处理程序和推理算法的信息，用于实现稍后将描述的故障预测方法。另外，在执行该方法的控制程序时，RAM1603用作CPU 1601的工作区域等。另外，外部存储装置1606连接到故障预测系统的控制系统。外部存储装置1606由硬盘驱动器(HDD)、固态装置(SSD)、经由网络安装在其上的另一系统的外部存储部分等构成。

用于实现稍后将描述的本实施例的故障预测方法的CPU 1601的控制程序可以存储在诸如由HDD或SSD构成的外部存储装置1606的存储部分中，或者例如存储在ROM 1602的电可擦除可编程ROM区域(EEPROM区域)中。在这种情况下，用于实现故障预测方法的CPU1601的处理程序通过网络接口(NIF)1607提供给上述各个存储部，并且可以更新为新程序(即，不同的程序)。或者，用于实现故障预测方法的CPU 1601的处理程序可以通过诸如磁盘、光盘和闪存之类的各种存储介质及其驱动装置提供给上述各个存储部分，并且其内容可以更新。存储有CPU 1601可以用来执行用于实现故障预测方法的处理的程序的各种存储介质、存储部或存储装置构成存储本公开的故障预测程序的计算机可读记录介质。

CPU 1601与图1中所示的传感器11连接。尽管在图2中为了更简单地示出，传感器11被示出为直接与CPU 1601连接，但是传感器11可以通过例如IEEE 488(即，所谓的通用接口总线GPIB)连接到CPU 1601。另外，传感器11可以通过网络接口1607和网络1608连接到CPU 1601。

可以通过例如使用诸如IEEE 802.3的有线通信的通信标准或诸如IEEE 802.11或802.15的无线通信的通信标准来构成网络接口1607。CPU 1601可以通过网络接口1607与其它装置1104和1121通信。例如，在用作故障预测对象的机械设备是机器人的情况下，装置1104和1121可以是被设置用于控制或管理所述机器人的集成控制装置，例如可编程逻辑控制器(PLC)或定序器、管理服务器等。

在图2中所示的示例中，与图1中所示的输入部140和显示部130相关的操作部1604和显示装置1605连接到CPU 1601作为用户接口装置(UI装置)。操作部1604可以由诸如手持终端的终端、诸如键盘、转盘、鼠标、指示装置、声音输入装置的装置或者包括这些的控制终端构成。显示装置1605可以是任何装置，只要可以在其显示屏幕上显示与由状态判断部113、故障预测模型生成部115、故障判断部116等执行的处理有关的信息，例如可以使用液晶显示设备。

故障预测方法

在本实施例中，故障预测装置100的故障预测模型生成部115通过所谓的无监督学习来构建用作故障预测模型的学习后模型。为了通过无监督学习来学习机械设备的故障的特性，通过仅使用无故障状态的操作数据(即，机械设备正常操作期间的操作数据)来进行机器学习。在无监督学习中，通过仅向学习装置提供大量输入数据来学习输入数据的分布。也就是说，无监督学习是一种不向对输入数据执行处理(例如，压缩、分类和变形)的装置提供对应于输入数据的教师输出数据而使该装置学习处理的方法。

将详细描述使用无监督学习方法的故障预测方法。通过考虑机械设备的使用目的将操作状态在允许范围内的情况设定为正常状态并且仅使用机械设备在正常状态下的操作数据，来进行机器学习。在本实施例中，使用自动编码器作为无监督学习模型。

本实施例的特征在于一种提取用于机器学习的数据的方法。也就是说，本实施例的特征在于，选择表示与机械设备处于正常状态下的情况相对应的行为的特征值，从所选择的特征值的连续数据中仅提取机械设备处于操作中的时段的数据并将其用作学习数据。

首先，参考图3描述特征值的提取。假定作为故障预测对象的机械设备10中所包括的传感器11包括作为电流传感器的传感器1、作为速度传感器的传感器2以及作为压力传感器的传感器3，例如如图3所示。在根据本实施例的故障预测方法中，首先，基于传感器11所包括的各个传感器的测量数据提取表示机械设备10的操作状态的特征值。通过将传感器11的时序测量数据积分转换为频率区域，计算出测量数据相对于时间的一次微分或二次微分，对测量数据进行滤波处理，从测量数据中提取出周期性操作的最大值和最小值等，从而提取特征值。应当注意，上述传感器和测量数据的处理仅是示例，只要能够获得适于掌握机械设备的状态的数据，可以使用任何传感器和测量数据的处理。另外，如果使用传感器的测量数据本身能够容易地分析机械设备的状态，则可以将测量数据本身用作特征值而无需执行任何特殊处理。

图3示意性地示出了通过对传感器1至3的测量数据中的每一个执行3种处理来提取右侧示出的9种特征值的时间序列数据的状态。

接下来，将描述判断机械设备10是在操作中还是停止(即判断机械设备10是处于操作状态还是非操作状态)并确定机械设备10处于操作中的时段的方法。

作为机械设备10的示例，这里提及的是安装在生产线上负责制造过程中的一个工序的多关节型机器人。该多关节型机器人从负责前一工序的机器接收工件，进行该多关节型机器人负责的工序的作业(例如部件组装)，然后将该工件传递到负责下一工序的机器上，反复进行相同的作业以反复制造相同的产品。

图11示出了作为机械设备10的示例的六轴关节型机器人的外观。

连杆200至206通过六个旋转关节J1至J6串联地互连。每个旋转关节包括测量马达的旋转速度的传感器、测量关节的旋转角度的传感器、扭矩传感器等。机械手210可以附接至远端的连杆。示教器102与控制机器人的操作的控制装置101连接，操作者能够借此进行操作的示教。

安装在生产线上的机器人反复执行循环操作(即，预定操作)，在六轴多关节型机器人的情况下，根据循环操作，六个轴可以包括机器人频繁操作的轴和机器人根本不操作的轴。例如，在工件在固定位置旋转的工序中，可以是仅仅关节J6(位于远端部分的旋转关节)操作，而其它旋转关节J1至J5不操作。相比之下，在例如水平移动工件的工序中，主要是旋转关节J1操作，而靠近远端的旋转关节J5和J6可以不操作。

图12示出了六轴多关节型机器人的每个旋转关节的操作方向，可以通过例如测量驱动旋转关节的马达的旋转速度来识别每个旋转关节是否被驱动。然而，如上所述，由于各旋转轴的操作根据循环操作而变化，因此，为了判断机器人是否在操作中，可以测量在由机器人执行的循环操作中被最频繁地驱动的旋转关节的旋转速度。

这里，将描述用于选择在机器人执行循环操作时最频繁地被驱动的旋转关节的方法。图13示出了在机器人稳定且连续地执行某个循环操作(例如，组装操作)的情况下旋转关节J1至J6的旋转速度传感器的测量结果。循环操作的一个周期的长度被设置为10秒，示出了6个周期的传感器输出波形。如图所示，可以看出，在该循环操作(例如，组装操作)中，旋转关节J5在整个时间段被最频繁地驱动，相反地，旋转关节J1和J6未被驱动。因此，可以说监测旋转关节J5的旋转速度最适于判断执行该循环操作的机器人是否在操作中。

为了自动选择操作最频繁的旋转关节，故障预测装置100从传感器11获得稳定操作中的每个旋转关节的旋转速度数据，并且测量旋转速度变为零的次数(即，曲线图与零线相交的次数)。控制器110比较旋转关节之间旋转速度变为零的次数，并且将旋转速度变为零的次数最大的旋转关节(在图13的示例中为旋转关节J5)判断为待用于操作档案的旋转关节。这是因为，如果旋转速度变为零的次数最大，则速度切换的次数也最大，因此该旋转关节适于判断机器人是否在操作中。也就是说，根据在机械设备执行预定的重复操作的情况下多个传感器所获得的测量值中变化程度较大的测量值来设置稍后将描述的档案信息。

图4A示出了如上所述确定的驱动旋转关节J5的马达的旋转速度的测量数据的示例，作为机器人执行其负责的一个工序的时段(即，一个周期的操作)的波形。这里，描述了在10秒内执行一个循环操作的情况作为示例。

顺便提及，传感器数据收集部111按时间序列收集从传感器11输出的测量数据，并将收集的测量数据存储在传感器数据存储部121中。在这种情况下，为了便于处理，用预定时间(例如60秒)来分割时间上连续的测量数据，将与预定时间相对应的测量数据作为一条单位记录数据(作为单位记录)进行处理。与每条单位记录数据(即，单位记录)相对应的时段将被称为单位记录时段。

图4B是示出了作为示例在正常状态下的机器人连续操作的情况下的单位记录数据(即，单位记录)的图表。同时，如已经描述的那样，安装在生产线上的机器人可以根据负责前后工序的机器的状态而暂时停止操作，即，可以暂时采取非操作状态。在这种情况下，单位记录数据(即，单位记录)包括非操作状态的测量数据，如图4C所示。

在作为示例的图4B所示的单位记录时段中，由于机器人连续操作，所以使用与该单位记录时段相对应的特征值作为学习数据没有问题。但是，由于作为示例的图4C所示的单位记录时段包括即使机器人处于正常状态但机器人处于非操作状态的时段，所以与该单位记录时段相对应的特征值包括作为学习数据的噪声。

因此，在本实施例中，状态判断部113针对与传感器数据存储部121中存储的各条单位记录数据(即，各个单位记录)对应的单位记录时段，检查机械设备(即，机器人)是否处于非操作状态。

具体地，将与反复执行的一个操作周期的特征相关的档案信息预先存储在操作档案存储部123中。在这种情况下，如图5A所示，反复加速和减速的马达的速度具有在一个周期(长度为10秒)内八次达到0的特征，因此，将速度达到0的次数(0.8次/秒)预先存储为表示操作状态的档案信息。也就是说，基于单位时间内速度传感器的测量值达到0的次数来设置档案信息。

状态判断部113从操作档案存储部123获得表示操作状态的档案信息(即，表示速度达到0的次数是0.8次/秒的信息)。然后，状态判断部113针对存储在传感器数据存储部121中的马达速度的各条单位记录数据(即，各个单位记录)判断该单位记录数据是否对应于操作状态(即，该单位记录数据是否包括非操作状态)。

例如，如图5B所示，在机器人不停地连续操作的情况下，在60秒的单位记录数据(即，单位记录)中，速度达到0的次数被计数为48，计算为0.8次/秒。由于这个值与档案匹配，因此判断机器人在操作中。

相比之下，例如，如图5C所示，在单位记录数据(即，单位记录)包括机器人停止的时段的情况下，速度达到0的计数次数仅为24，计算为0.4次/秒。由于这个值与档案不匹配，因此判断机器人包括非操作时段。

应当注意，用于判断机器人在“操作中”的档案不必被设定为固定值(在这种情况下该固定值是0.8次/秒)。考虑到生产线上机器人操作速度的波动(即，节拍时间的波动等)，该值可以被设定为特定宽度的范围，例如，0.8次/秒±20％。或者，例如，可以将0.7次/秒设置为阈值，从而将取值等于或大于0.7次/秒的数据判断为“操作中”，而将取值小于0.7次/秒的数据判断为“包括非操作时段”。

如上所述，判断在与各条单位记录数据(即，单位记录)相对应的单位记录时段中机器人是在“操作中”，还是该单位记录时段包括“非操作时段”。这样，状态判断部113确定机器人处于操作状态的单位记录时间，并将该信息存储在操作状态判断存储部124中。例如，在作为日历信息的时间轴的信息中，被判断为对应于操作状态的单位记录时段被标记为“操作中”，包括非操作时段的单位记录时段被标记为“噪声”，并且该信息被存储在操作状态判断存储部124中。

在进行机器学习时，数据提取部114从操作状态判断存储部124读出被标记为“操作中”的单位记录时段的信息，并从特征值存储部122提取与该单位记录时段相对应的特征值。数据提取部114将所提取的特征值作为学习数据输出到故障预测模型生成部115。

如上所述，根据本实施例，仅从时间序列特征值数据中选择性地提取与机器人处于操作中的单位记录时段相对应的特征值数据，因此可以生成具有较少噪声的机器学习用数据。

接下来，将参考作为示意图的图6来描述使自动编码器通过使用如上所述提取的学习数据执行机器学习的方法。该自动编码器是一种神经式网络，其将输入的学习数据压缩(即，编码)成较小数据大小的数据，然后将该数据恢复(即，解码)。自动编码器学习“用于适当地压缩和恢复输入数据的参数”，即，输入数据的特性。

自动编码器对输入值x进行编码，以将输入值x压缩到中间层z中。然后，自动编码器对中间层z进行解码，以将中间层z恢复为输出值y。自动编码器执行机器学习，使得输入值与输出值之间的恢复差J变小。

也就是说，自动编码器确定以下公式1的W和b以及以下公式2的W'和b'，使得以下公式3中的恢复差J变小。应当注意，s表示激活函数。

公式1

Z＝s(Wx+b)

公式2

y＝s(W′z+b′)

公式3恢复差J＝Σ(x-y)

当输入特性与学习数据类似的数据时，已经进行了学习的自动编码器通过使用通过学习获得的参数进行编码和解码来输出恢复差小的输出值。已经进行了学习的自动编码器有时将被描述为学习后模型或故障预测模型。相反，当将特性与学习数据不同的数据输入到学习后模型时，不能通过使用通过学习获得的参数成功地进行编码和解码，因此恢复差大。

为了将这种性质用于故障状态(即,异常状态)的预测，在本实施例中，通过使用与机器人处于正常状态并且在操作中的时段相对应的特征值作为输入值x，使自动编码器执行机器学习。

另外，在进行故障预测时，从评估时提取的特征值中提取与学习期间选择的特征值相同种类、并且与机器人处于操作中的时段相对应的特征值，将所提取的特征值作为输入值x输入到学习后模型，以输出输出值y。然后，计算输入值x与输出值y的恢复差，并将该恢复差(即，输入输出之间的偏差度)作为表示机械设备相对于正常状态的偏差度的指标。

另外，在本实施例中，预先设定用于通过使用偏差度来判断机械设备是否接近故障发生的判断阈值。为了设定该判断阈值，首先，提取并输入基于与从正常状态到故障发生的时段相对应的实际的机械设备的传感器数据的特征值，并研究直到故障发生为止偏差度的时间变化。

在本实施例中，作为在这种情况下使用的特征值数据，使用所提取的与在学习期间选择的特征值相同种类并且对应于机器人处于操作中的时段的特征值(即，通过对相同传感器的测量数据进行相同的处理而获得的特征值)。与针对学习数据的生成所描述的情况类似，通过使用操作档案的判断来确定机器人处于操作中的时段。基于偏差度的时间变化来设定用于判断接近故障发生的判断阈值。在偏差度等于或大于判断阈值的情况下，判断为机械设备接近故障发生，即，存在故障迹象。

图7是用于详细描述判断阈值的确定方法的示图。在图7的曲线图中，横轴表示时间，纵轴表示指标值，该指标值表示故障发生的接近程度(即，学习后模型的输入和输出之间的偏差度)，该曲线图表示从正常状态的初始阶段到故障发生为止指标值的时间变化。应当注意，为了便于说明，将基于与机器人处于操作中的时段相对应的特征值得出的偏差度示出为时间上连续的曲线图。

假定期望确保在故障预测装置已经预测到并通知接近故障发生之后在故障发生之前有等于预定时间t的操作时间的情况(即，期望故障预测装置在比故障发生早预定时间t的时间预测故障发生的情况)。在这种情况下，如图所示，将在比故障发生早预定时间t的时间的指标值(即，学习后模型的输入和输出之间的偏差度)设定为用于故障预测的判断阈值T。这作为判断阈值设定步骤。

接下来，将描述使用上述学习后模型和判断阈值的故障预测方法。图8是用于描述使用自动编码器的故障预测方法的示意图。

将表示评估时机械设备的操作状态的评估数据输入到学习后模型，使用输入值和输出值来计算出表示机械设备的状态与所学习到的正常状态的差异有多大的偏差度。作为评估数据，使用与学习时选择的特征值相同种类的特征值(即，对相同传感器的测量数据进行相同处理而得到的特征值)的数据，其对应于评估时间，并且是与机器人处于操作中的时段相对应的提取特征值。与针对学习后数据的生成所描述的情况类似，通过使用操作档案的判断来确定机器人处于操作中的时段。

具体地，如图8所示，将评估数据输入到故障预测模型，计算出作为输入结果而获得的故障预测模型的输出值y与输入值x之间的恢复差J，并将其用作与正常状态的偏差度。在本实施例中，该偏差度被用作表示故障发生的接近程度的指标值。在偏差度(即，恢复差J)等于或大于判断阈值T的情况下，判断为到故障发生的时间等于或短于预定时间t，即判断为存在故障迹象。相反，在偏差度(即，恢复差J)小于判断阈值T的情况下，判断为到故障发生的时间比预定时间t长，即判断为不存在故障迹象。

处理过程

接下来，将参考图9和10的流程图来描述由故障预测装置100执行的处理过程。

模型的生成

图9是示出了用于生成故障预测模型的处理过程的流程图。

首先，在步骤S101中，故障预测装置100的传感器数据收集部111从用于测量机械设备10的状态的传感器11获取测量数据，并将该测量数据存储在传感器数据存储部121中。也就是说，在第一时段获取与正常状态中的机械设备有关的测量值。这作为测量数据获取步骤。

接下来，在步骤S102中，特征值提取部112基于存储在传感器数据存储部121中的传感器数据提取出表示机械设备10的操作状态的特性的特征值，并将所提取的特征值存储在特征值存储部122中。这作为特征值提取步骤。

接下来，在步骤S103中，状态判断部113从传感器数据存储部121读出单位记录数据(即，单位记录)。

接下来，在步骤S104中，状态判断部113将所读取的单位记录数据(即，单位记录)与存储在操作档案存储部123中的档案进行比较，判断机器人在单位记录时段是否处于操作中。在已经判断机器人处于操作中的情况下(即，在步骤S104的结果为“是”的情况下)，处理进行到步骤S105，状态判断部113将该单位记录时段在日历信息中标记为“操作中”，并且将该信息存储在操作状态判断存储部124中。在已经判断该单位记录时段包括非操作时段的情况下(即，在步骤S104的结果为“否”的情况下)，处理进行到步骤S106，状态判断部113将该单位记录时段在日历信息中标记为“噪声”，并且将该信息存储在操作状态判断存储部124中。

接下来，在步骤S107中，判断被标记为“操作中”的单位记录时段的数量是否已经达到预定数量。这里，所述预定数量是为了确保机器学习用数据的量足以生成高度准确的故障预测模型而预定的数量。在被标记为“操作中”的单位记录时段的数量没有达到预定数量的情况下(即，在步骤S107的结果为“否”的情况下)，重复步骤S102之后的步骤。在被标记为“操作中”的单位记录时段的数量已经达到预定数量的情况下(即，在步骤S107的结果为“是”的情况下)，处理进行到步骤S108。

在步骤S108中，数据提取部114基于在操作状态判断存储部124中存储的与机器设备处于操作中的时段有关的信息以及存储在故障预测模型条件存储部125中的信息从特征值存储部122提取特征值。故障预测模型条件存储部125预先存储用于确定各个特征值中哪个特征值表示在正常状态下的机械设备的特性的信息，例如，用于从图3中的右侧示出的9种特征值中选择特征值的信息。另外，操作状态判断存储部124存储用于确定机械设备处于操作中的时段的信息。因此，选择表示在正常状态下的机械设备的特性的特征值作为机器学习用数据，并且，仅提取与机械设备处于操作中的时段相对应的部分。这作为学习数据提取步骤。所提取的特征值被输出到故障预测模型生成部115作为机器学习用数据。

接下来，在步骤S109中，故障预测模型生成部115通过使用从数据提取部114输入的机器学习用数据来生成学习后模型(即，故障预测模型)，并将学习后模型存储在故障预测模型存储部126中。这作为学习后模型生成步骤。

通过执行上述一系列处理，可以生成学习后模型(即，故障预测模型)。

故障预测

接下来，将描述当判断机械设备10是否接近故障发生时，由故障预测装置100通过使用所生成的学习后模型(即，故障预测模型)来执行的处理过程。

图10是示出了处理过程的流程图。例如，通过用户使用故障预测装置100的输入部140指示开始处理，开始进行用于判断机械设备10是否接近故障发生的处理。或者，可以将故障预测装置100的控制程序配置为使得根据机械设备10的操作时间自动开始所述处理。

当所述处理开始时，在步骤S201中，故障预测装置100的传感器数据收集部111从测量机械设备10的状态的传感器11获取测量数据，并将该测量数据存储在传感器数据存储部121中。也就是说，获取在评估期间与机械设备相关的测量值。

接下来，在步骤S202中，特征值提取部112基于存储在传感器数据存储部121中的传感器数据提取表示机械设备10的操作状态的特性的特征值，并将该特征值存储在特征值存储部122中。

接下来，在步骤S203中，状态判断部113从传感器数据存储部121读出单位记录数据(即，单位记录)，并将该单位记录数据与存储在操作档案存储部123中的档案进行比较。然后，状态判断部113判断机器人在其单位记录时段内是否处于操作中。在已经判断机器人处于操作中的情况下，状态判断部113将该单位记录时段在日历信息中标记为“操作中”，并且将该信息存储在操作状态判断存储部124中。在已经判断该单位记录时段包括非操作时段的情况下，状态判断部113将该单位记录时段在日历信息中标记为“噪声”，并且将该信息存储在操作状态判断存储部124中。希望重复步骤S201至S203，直到确保了进行高准确度故障预测所用的足够样本数的“操作中”标签为止。在已给予日历信息足够数量的“操作中”标签以进行高准确度评估的情况下，处理进行到步骤S204。

在步骤S204中，数据提取部114基于在操作状态判断存储部124中存储的与机器设备处于操作中的时段有关的信息以及存储在故障预测模型条件存储部125中的信息从特征值存储部122提取特征值。故障预测模型条件存储部125预先存储用于判断各个特征值中哪个特征值表示机械设备在正常状态下的特性的信息，例如，用于从图3中的右侧示出的9种特征值中选择特征值的信息。另外，操作状态判断存储部124存储用于确定机械设备处于操作中的时段的信息。因此，选择与生成学习数据时使用的特征值相同种类的特征值作为评估数据，并且，仅提取与机械设备处于操作中的时段相对应的部分。这作为评估数据提取步骤。所提取的特征值作为评估数据被输出到故障判断部116。

接下来，在步骤S205中，故障判断部116将从数据提取部114输入的评估用特征值数据输入到存储在故障预测模型存储部126中的学习后模型(即，故障预测模型)，并且计算出输入与输出之间的偏差度。

接下来，在步骤S206中，故障判断部116将计算出的偏差度与判断阈值进行比较，由此判断机械设备10是否接近故障发生，即，是否存在故障迹象。

在偏差度等于或大于判断阈值的情况下(即，在步骤S206的结果为“是”的情况下)，判断为机械设备10接近故障发生，处理进行到步骤S207。

在步骤S207中，故障判断部116向故障通知部117发出通知指令。接收到通知指令的故障通知部117向用户通知故障判断部116的判断结果。当执行通知时，除了通过用户接口对用户进行通知之外，可以将与所述判断相关的信息存储在存储部120中或者通过外部接口提供至外部装置。为了向用户进行通知，可以进行诸如在故障预测装置100的显示部130上显示判断结果、输出语音消息、或者在诸如纸张的介质上打印出判断结果的处理。当完成向用户的通知时，处理结束。

在偏差度小于判断阈值的情况下(即，在步骤S206的结果为“否”的情况下)，判断为机械设备10未接近故障发生(即，判断为不存在故障迹象)，处理结束。应当注意，即使在判断为不存在故障迹象的情况下也可以将该结果通知给用户，并且可以将与判断相关的信息存储在存储装置中或者通过外部接口提供至外部装置。

如上所述，在本实施例中，对于反复进行相同的操作但是根据前后工序的情况改变操作方式的机械设备(例如，设置在生产线上的机器人)，基于传感器的测量数据提取各种特征值。从这些特征值中选择适于对机器人在正常状态下的操作进行机器学习的特征值。

另外，从传感器的测量数据中选择在机器人进行操作时显示出显著变化的测量数据，并设置用于确定机器人处于操作状态(即，机器人在操作中)的档案信息。然后，通过将任意时段的测量数据与档案信息进行比较来判断机器人在该时段中是否处于操作状态。由此，可以通过从时间序列特征值数据中仅提取机器人处于操作状态的时段的特征值来生成机器学习用数据。通过生成噪声较少的机器学习用数据，可以生成与传统模型相比预测准确度更高的学习后模型(即，故障预测模型)。另外，在设定判断阈值时以及生成评估数据时，也可以仅提取机器人处于操作状态的时段的特征值，因此可以提高使用学习后模型(即，故障预测模型)的故障预测的准确度。

其他实施例

本公开的实施例不限于上述实施例，可以在本公开的技术构思的范围内以许多方式进行变型。

例如，尽管在上述实施例中通过所谓的无监督学习的方法使用自动编码器来生成故障预测模型，但是本公开也可以应用于通过使用所谓的监督式学习的方法来生成故障预测模型的情况。监督式学习是一种通过向学习装置提供大量的输入数据集及其结果(在这种情况下是标签)并使该学习装置学习所述数据集的特征来构造根据输入预测结果的模型(即，以归纳的方式获得输入和输出之间的关系的学习后模型)的方法。

另外，尽管在上述实施例中描述了使用神经式网络的方法作为机器学习的示例，但机器学习的方法并不限于此，例如，也可以使用遗传编程、归纳逻辑编程、支持向量机等。尽管可以使用通用计算器或通用处理器作为执行机器学习的装置，但也可以通过使用具有GPGPU功能的图形处理单元、大规模PC集群等进行高速处理。

另外，机器学习不限于一次，也可以进行附加学习。在这种情况下，通过仅提取机械设备正在操作的时段的特征值来进行附加学习。

另外，对于操作档案，选择在机械设备进行操作时最频繁地变化的参数，旋转关节的旋转速度只是其一个示例，可以根据机械设备的种类和操作适当地选择用于判断操作状态的参数。

另外，尽管在实施例中将速度在每单位时间内达到0的次数描述为用于判断该单位记录时段是操作中时段还是包括非操作时段的指标，但是配置不限于此。例如，可以使用每单位时间的拐点的数量或极值的数量作为指标。

另外，尽管上述实施例的故障预测装置提取所获得的传感器数据的特征值，然后确定与操作状态相对应的时段，并从所有特征值中提取所确定的时段的特征值，但是处理方法不限于该示例。例如，可以先基于传感器数据确定与操作状态相对应的时段，并且可以仅从与所确定的时段相对应的传感器数据中提取特征值。

本公开的故障预测装置能够适用于各种机械和设备(例如工业用机器人、服务用机器人、以及在计算机的数值控制下进行操作的加工机械等)的故障预测。可以通过将机械设备和故障预测装置集成在一起来配置故障预测系统，或者可以将故障预测装置设置为机械设备的一部分。

本公开还可以通过以下方式实现：通过网络或记录介质向系统或设备提供实现实施例的一个或多个功能的程序，并且该系统或设备的计算机的一个或多个处理器读出并执行所述程序。另外，还可以通过实现一个或多个功能的电路(例如ASIC)来实现本公开。

还可以利用系统或设备的读出并执行记录在存储介质(也可以更完整地称为“非暂时性计算机可读存储介质”)上的计算机可执行指令(例如，一个或多个程序)以执行上述一个或多个实施例的功能和/或包括用于执行上述一个或多个实施例的功能的一个或多个电路(例如，专用集成电路(ASIC))的计算机，采用由系统或设备的计算机执行的方法(例如，通过从存储介质读出并执行计算机可执行指令以执行上述一个或多个实施例的功能和/或控制所述一个或多个电路以执行上述一个或多个实施例的功能)来实现本公开的实施例。计算机可以包括一个或多个处理器(例如，中央处理单元(CPU)、微处理单元(MPU))，并且可以包括单独的计算机或单独的处理器的网络以读出并执行计算机可执行指令。计算机可执行指令可以例如从网络或存储介质提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储器、光盘(例如压缩盘(CD)、数字通用光盘(DVD)或蓝光光盘(BD)

本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置，该系统或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。

尽管已经参考示例性实施例对本公开进行了描述，对下列权利要求的范围应作最广义的解释，从而涵盖所有变型以及等同的结构和功能。