CN111819042A

CN111819042A - 异常检测装置及异常检测方法

Info

Publication number: CN111819042A
Application number: CN201880090353.1A
Authority: CN
Inventors: 广瀬悟; 高木彻
Original assignee: Nissan Motor Co Ltd
Current assignee: Nissan Motor Co Ltd
Priority date: 2018-02-28
Filing date: 2018-02-28
Publication date: 2020-10-23
Anticipated expiration: 2038-02-28
Also published as: US20210031384A1; MX2020008692A; WO2019167171A1; EP3760398A4; EP3760398A1; CN111819042B; JPWO2019167171A1; EP3760398B1; JP6943332B2; US11370131B2

Abstract

异常检测装置及异常检测方法。本发明的异常检测装置(1)通过比较与设备(2)中检测到的振动相关的数据和规定阈值，判断设备的异常。而且，根据设备进行一定作业所需的作业时间的长度使阈值变化。

Description

异常检测装置及异常检测方法

技术领域

本发明涉及一种异常检测装置及异常检测方法。

背景技术

目前公开了一种处理振动传感器的检测信息并判断机器人是否处于危险状态的技术。

专利文献1：(日本)特开平06－320457号公报

发明内容

然而，即使机器人等设备正常，有时也会作为将来故障的预兆而显示异常。即使产生同程度异常的设备，到产生故障为止的时间也会根据设备进行作业的作业速度而改变。在作业速度快的情况下，到产生故障为止的时间短。

因此，在作业速度快的情况下，需要检测小异常，早期预测设备的故障。即，在设备进行一定作业所需的作业时间短(作业速度快)的情况下，需要早期预测设备的故障。另一方面，如果作业时长(作业速度慢)，则到产生故障为止的时间长，因此存在如果通过与例如作业时间短的情况同样的方法早期预测故障，则设备的异常检测过早的问题。

本发明是鉴于上述课题而创建的，其目的在于提供一种异常检测装置及异常检测方法，能够根据与设备进行一定作业的作业时间的长度相应的判定基准检测设备的异常。

本发明一方面的异常检测装置，通过比较与设备中检测到的振动相关的数据和规定阈值，判断设备的异常，根据设备进行一定作业所需的作业时间的长度使阈值变化。

根据本发明，能够根据与设备进行一定作业的作业时间的长度相应的判定基准检测设备的异常。

附图说明

图1是表示包含第一实施例的异常检测装置的系统的构成的图。

图2是表示作业机器人2的传感器23的配置例的图。

图3是表示第一实施例的存储部17存储的信息的图。

图4是表示作业机器人2正常时的加速度的频率特性U的图。

图5是表示作业机器人2正常时的加速度的平均值的频率特性U′和方差值的频率特性δ²的图。

图6是表示运算处理部13的概略构成的框图。

图7是表示第一实施例的运算处理部13的处理流程的流程图。

图8是表示作业机器人2作业时的加速度的频率特性X的图。

图9是表示作业机器人2作业时的加速度的平均值的频率特性X′的图。

图10是表示(X′－U′)²的频率特性的图。

图11是表示(X′－U′)²/δ²的频率特性的图。

图12是表示测量结果140的显示例的图。

图13是表示第二实施例的存储部17存储的信息的图。

图14是表示第二实施例的运算处理部13的处理流程的流程图。

图15是表示第三实施例的存储部17存储的信息的图。

图16是表示第三实施例的运算处理部13的处理流程的流程图。

标记说明

1：异常检测装置

2：作业机器人(设备)

11：信息获取部

12：传感器控制部

13：运算处理部(控制部)

14：显示部

15：语音输出部

16：通信部

17：存储部

21：电动机

22：减速器

23：传感器(振动传感器)

131：正常模型生成部

132：频率特性算出部

133：异常判定部

134：测量结果输出部

140：测量结果

A：作业

M1：加速度信号

P、P1、P2、P3、P11、P12、P13：正常模型

TH、TH1、TH2、TH3：阈值

a、a1、a2、a3：基准值

T、TR：作业时长

R：停止时长

x：修正值

具体实施方式

参照附图，对实施方式进行说明。在附图的记载中对相同部分标注相同的标记并省略其说明。

在以下的实施方式中，对检测例如组装汽车的多轴机械即作业机器人(焊接机器人等)设备的异常的技术进行说明。

为了在使用作业机器人等设备的生产线中使作业速度加快，实施以下的(1)和(2)的方法中的一个或两个。(1)的方法是使进行规定作业所需的作业时间的长度(以下，称为作业时长)变短。(2)的方法是使在作业和下次作业之间停止的停止时间的长度即作业前使设备停止的停止时间的长度(以下，称为停止时长)变短。例如，在作业机器人为焊接机器人的情况下，例如作业时长为50秒左右，停止时长为5～10秒左右。停止时间包括焊接的零件等的更换时间。

然而，设备即使能够执行作业，有时也会显示异常作为将来故障的预兆。异常程度随着时间经过而增加，有时成为故障。即使发生同程度异常的设备，产生故障为止的时间也会根据作业速度而改变。在作业速度快的情况下，到产生故障为止的时间短。

因此，在实施方式中，在作业速度快的情况下，检测小异常并早期预测设备的故障。即，在作业时长短的情况或停止时长短的情况下，检测小异常并早期预测设备的故障。此外，设备故障不限于不能发挥设备的功能的情况，也可以将设备故障的可能性非常高的状态或异常的发生频率非常高的状态定义为故障。

(第一实施例)

异常检测装置1是检测设备的异常的装置，以组装例如汽车等的多轴机械即作业机器人2为设备检测其异常。即预测故障。异常检测装置1和作业机器人2设置在生产现场3内，异常检测装置1经由通信线路4与计算机5连接。

作业机器人2是具备用于将作业机器人2的旋转机构(例如电动机，以下称为电动机21)和电动机21的扭矩转换成高扭矩并通过作业机器人2的臂等使负荷大的物体移动的机构(例如减速器，以下称为减速器22)的设备。减速器22也可以与电动机21同样称为旋转机构。作业机器人2反复进行规定作业A。

在减速器22附近的部位，作为例如检测该部位的振动的振动传感器，配置有检测减速器22附近的部位的加速度的传感器23。传感器23生成表示配置传感器23的部位的加速度的波形，以规定的采样周期对该波形进行采样并输出加速度信号M1。此外，也可以配置三个传感器23，关于彼此正交的三方向各自的加速度，输出加速度信号M1。另外，作为传感器23，不限于检测加速度的传感器，也可以使用通过检测所配置的部位的速度或位移而能够检测振动的大小的传感器。例如，可使用压电传感器、角速度传感器、陀螺仪传感器等可以以时间序列获取姿势的变化的各种传感器。

图2是表示作业机器人2的传感器23的配置例的图。

作业机器人2具备例如三个旋转轴201，分别设置有电动机21和减速器22。传感器23配置在例如设置于其中的一个旋转轴201的减速器22附近。旋转轴201彼此通过臂202连接。即，如果将电动机21和减速器22作为臂202的驱动部，则可以说作业机器人2具备包含电动机21的驱动部和由驱动部驱动的臂202。

返回图1，继续说明。

异常检测装置1具备信息获取部11、传感器控制部12、运算处理部13、显示部14、语音输出部15、通信部16及存储部17。

异常检测装置1包含具备CPU(中央处理器)、存储器及输入输出部的通用微型计算机。在微型计算机上安装有用于作为异常检测装置发挥作用的计算机程序(异常检测程序)。通过执行计算机程序，微型计算机作为异常检测装置具备的多个信息处理电路(11～13、16)发挥作用。此外，在此示出了由软件实现异常检测装置具备的多个信息处理电路(11～13、16)的例子，显然，也可以准备用于执行如下所示的各信息处理的专用硬件，构成信息处理电路(11～13、16)。另外，也可以由个别的硬件构成多个信息处理电路(11～13、16)。

信息获取部11从作业机器人2获取检测异常所需的作业数据，并将其存储于存储部17。后文中对作业数据进行说明。

伴随电动机21的动作，在减速器22动作时，传感器控制部12使传感器23检测加速度。而且，传感器控制部12从传感器23接收表示减速器22的加速度的加速度信号M1，并将其传输到运算处理部13。

运算处理部13是基于加速度信号M1检测作业机器人2的异常的控制部。运算处理部13算出与加速度信号M1(检测到的振动)相关的数据，基于与振动相关的数据检测作业机器人2(设备)的异常。具体而言，通过比较与振动相关的数据和规定阈值TH判断设备的异常。即，在与振动相关的数据比阈值TH大的情况下，判定作业机器人2异常。即判断预测到故障。因为与振动相关的数据是阈值TH的比较对象，所以以下称为比较对象值。

而且，运算处理部13(控制部)根据作业机器人2进行一定作业所需的作业时间的长度(以下称为作业时长T)使阈值TH变化。

另外，运算处理部13(控制部)根据作业机器人2在作业A和下次作业A之间停止的停止时间的长度，即作业A前作业机器人2停止的停止时间的长度(以下，称为停止时长R)使阈值TH变化。

显示部14是实时显示作业时长T、停止时长R、设备进行作业的速度即作业速度(以下，称为线速)、阈值TH(以下，将它们总称为测量结果140)的部件，例如为液晶监视器。

此外，线速(作业速度)根据作业时长T或停止时长R而变化。即，作业时长T越长，线速(作业速度)越慢。另外，停止时长R越长，线速(作业速度)越慢。相反，作业时长T越短，线速(作业速度)越快。另外，停止时长R越短，线速(作业速度)越快。

通信部16是用于将测量结果140发送到远隔地(外部)的计算机5的部件，例如为有线LAN的路由器或无线(WiFi等)的路由器。

存储部17包含信息获取部11获取的作业数据，存储检测作业机器人2的异常所需的信息。

图3是表示第一实施例的存储部17存储的信息的图。

存储部17存储信息获取部11获取的作业数据中包含的作业时长T和停止时长R。另外，作为检测异常所需的其它信息，存储用于根据作业时长T和停止时长R求出阈值TH的基准值a及修正值x(常数)、由作业机器人2正常时的加速度信号M1求出的正常模型P。

作业机器人2正常是指作业机器人2未故障且未发生异常的状态。

作业时长T和停止时长R是作业机器人2中设定的数据，生产现场3的作业员等可以使其变长或缩短。运算处理部13从作业机器人2获取作业时长T和停止时长R，并将其存储于存储部17。此外，包含作业时长T和停止时长R的作业数据有时存储于用于使作业机器人2动作的数据中而非作业机器人2中。

正常模型P是使用一个以上作业机器人2正常时的加速度信号M1生成的模型，由加速度信号M1的频率特性下的加速度的平均值、中值、最大值、最小值、方差值(分散値)等构成。另外，也可以采用加速度信号M1等时间序列数据的模型化方法中的一个即AR模型作为正常模型。而且，未图示的机器学习部也可以通过关于加速度信号M1进行机器学习而进行正常模型P的生成。具体而言，机器学习部通过机器学习作业机器人2正常时的加速度信号M1，提取加速度信号M1的上述的规定特征，生成正常模型P，并将其存储于存储部17。机器学习部可以通过例如深度学习进行上述学习，也可以进行基于强化学习的学习。

此外，在存储部17存储有一个以上的作业机器人2正常时的加速度信号M1，用于生成正常模型P。

在此，使用附图对正常模型P的具体例进行说明。

在图4中，将标记U设为作业机器人2正常时的加速度信号M1的频率特性。横轴为频率，纵轴为加速度。在该频率特性下，算出符号b所示的范围的加速度(值)的平均值和方差值，在范围内一边沿着频率的轴(横轴)移动一边反复进行。不同的范围彼此也可以局部重复。即，可以将根据时间细微变动的频率捕捉为缓慢的变化。

或者，也可以像一般的“移动平均”那样算出符号b的范围的频率特性，接着在符号b的范围内沿着频率的轴(横轴)移动，将频率特性累积，算出其平均值或方差值。

由此，如图5所示，可得到所算出的平均值的频率特性U′和所算出的方差值的频率特性δ²。存储部17将这种频率特性U′和频率特性δ²作为正常模型P进行存储。

如图5所示，在频率特性U′下平均值高的频率下，即使在频率特性δ²下也存在方差值变大的倾向。但是，在特定频率下尽管平均值大，方差值也小，可以说在该频率下值的可靠性高。另外，在其它特定频率下，尽管平均值小，方差值也大，可以说在该频率下值的可靠性低。

此外，也可以根据所检测到的异常的种类限定正常模型P的频率范围。

另外，每当获取作业机器人2正常时的加速度信号M1时，正常模型P可以使用所获取的加速度信号M1进行更新。

返回图1，继续说明。

计算机5是在远距离地等监视作业机器人2的监视员或维修员使用的设备，接收并显示测量结果140，对监视员等通过图像、声音或语音、振动等提示异常检测的结果等。

图6是表示运算处理部13的概略构成的框图。

运算处理部13具备正常模型生成部131、频率特性算出部132、异常判定部133及测量结果输出部134。

正常模型生成部131生成正常模型P，并将其存储于存储部17。

频率特性算出部132从传感器控制部12获取作业机器人2进行作业A时的加速度信号M1，通过FFT(Fast Fourier Transform)等算出加速度信号M1的频率特性X。

异常判定部133通过所算出的频率特性X和从存储部17读取的信息判定作业机器人2是否异常。即，异常判定部133检测作业机器人2的异常。

测量结果输出部134将测量结果140显示于显示部14。另外，在作业机器人2异常的情况下，使语音输出部15产生警报音或振动。另外，将测量结果140输出到通信部16。

图7是表示第一实施例的运算处理部13的处理流程的流程图。

首先，正常模型生成部131判定在存储部17是否存储有正常模型P(S1)，在未存储的情况下(S1：否)，使用存储于存储部17的加速度信号M1生成正常模型P，并将其存储于存储部17(S3)。

在执行步骤S3后或在存储部17存储有正常模型P的情况下(S1：是)，频率特性算出部132从传感器控制部12获取作业机器人2进行一次作业A时的加速度信号M1(S5)。

即使作业机器人2正常执行作业A，将来也可能故障，因此，通过所获取的加速度信号M1判定将来是否可能故障，即是否异常。

首先，频率特性算出部132算出所获取的加速度信号M1的频率特性X(S7)。此外，与正常模型同样，频率特性X也可以限定在与所检测的异常的种类相应的频率范围内。

接着，异常判定部133从存储部17读取正常模型P，通过频率特性X和正常模型P算出比较对象值S(S9)。

在此，使用附图对算出比较对象值S的方法的一例进行说明。

在图8中，将符号X设为在步骤S7算出的频率特性X。横轴为频率，纵轴为加速度。在该频率特性X下，与图5同样，算出符号b(图4)所示的范围的加速度(值)的平均值，在范围内一边沿着频率的轴(横轴)移动一边反复进行。不同的范围彼此也可以局部重复。或者，也可以像一般的“移动平均”那样算出符号b的范围的频率特性，接着在符号b的范围内沿着频率的轴(横轴)移动，将频率特性累积，算出其平均值或方差值。

由此，如图9所示，可得到所算出的平均值的频率特性X′。

接着，使用观测值的频率特性X′和基准值的正常模型P的频率特性U′，如图10所示，算出(X′－U′)²的频率特性。这样，通过将X′－U′平方，从而即使在U′＞X′的情况下也可得到正值，防止正值和负值相抵消。

此外，(X′－U′)²的频率特性包含图5的说明中可靠性低的频率的成分，可靠性低。

接着，使用该频率特性和正常模型P的频率特性δ²，如图11所示，算出(X′－U′)²/δ²的频率特性。即，将异常度定义为(X′－U′)²/δ²，并算出其频率特性。异常值也称为与作业机器人2正常时的值的差异。

这样，通过使用频率特性δ²修正(X′－U′)²的频率特性，在图5的说明中可靠性低的频率的成分降低，能够提高(X′－U′)²/δ²的频率特性的可靠性。因此，能够提高后述处理实现的异常检测的精度。

接着，算出将针对每一(X′－U′)²/δ²的频率的值(异常值)累积后的值(累积值)，将该累积值设为比较对象值S。此外，也可以限定算出比较对象值S的频率范围。例如，也可以在高频段中算出比较对象值S。另外，也可以将(X′－U′)²/δ²下的规定的频率范围的积分值设为比较对象值S。

另外，在关于彼此正交的三方向的加速度接收到加速度信号M1的情况下，也可以将如上述算出的各比较对象值S的合计值设为比较对象值S。

即，运算处理部13算出作业机器人2的异常判定时检测到的振动的频率特性即第一频率特性(X)。而且，将与作业机器人2正常时的振动的频率特性即第二频率特性(U)和第一频率特性(X)的差相应的值设为比较对象值。

另外，运算处理部13将与第一频率特性(X)下的值的平均值(X′)和第二频率特性(U)下的值的平均值(U′)的差的平方值即(X′－U′)²相应的值设为比较对象值。

另外，运算处理部13将平方值设为比较对象值，将与通过第二频率特性的方差值(δ²)修正后的值相应的值设为比较对象值。

返回图7，继续说明。

异常判定部133从存储部17读取作业时长T、停止时长R、基准值a及修正值x(S10)，通过下述方程式算出阈值TH(S11)。

TH＝a×T×R+x

如该方程式所示，异常判定部133算出阈值TH以使作业时长T越短阈值TH越小。即，与作业时长T成反比的进行一次作业A时的作业速度越快，使阈值TH越小。另外，反复进行的作业A整体的作业速度(线速)越快，使阈值TH越小。

而且，进一步如该式所示，异常判定部133算出阈值TH以使停止时长R越短阈值TH越小。即，停止时长R越短，使阈值TH越小，从而线速越快，使阈值TH越小。

此外，也可以使作业数据包括线速和作业时长T，根据线速和作业时长T算出停止时长R。或者，也可以使作业数据包括线速和停止时长R，根据线速和停止时长R算出作业时长T。另外，求出阈值的方程式不限于上述方程式那样的一次方程式，只要是作业时长T越短阈值越小，停止时长R越短阈值越小的方程式即可。即，只要是线速越快阈值越小的式子即可。另外，无需使用所有作业时长T、停止时长R及作业速度来设定阈值TH，只要基于作业时长T、停止时长R及作业速度中的至少一个设定阈值TH即可。

接着，异常判定部133判定比较对象值S是否比阈值TH大(S13)。即，将比较对象值S设为表示异常的值，通过比较对象值S判定异常的程度。

在比较对象值S比阈值TH大的情况下(S13：是)，异常判定部133判断作业机器人2将来发生故障即作业机器人2异常。为了将其通知给作业员等，测量结果输出部134使语音输出部15产生警报音或振动(S15)。

在比较对象值S为阈值TH以下的情况下(S13：否)，判断并非异常即没有故障的预兆。

在执行步骤S17后或比较对象值S为阈值TH以下的情况下(S13：否)，进入步骤S17。

这样，异常判定部133基于比较对象值S作为设备故障的预兆，检测异常。即，在比较对象值S比阈值TH大的情况下，判断设备异常。而且，根据作业时长T使阈值TH变化。

此外，如果将作业时长T和停止时长R的合计考虑为作业时长(下面，称为作业时长TR)，则根据停止时长R使阈值TH变化可以称为根据作业时长TR使阈值TH变化。因此，能够根据与作业时间的长度(T或TR)相应的判定基准来检测设备的异常。

另外，作业时长(T或TR)越短即线速(作业速度)越快，异常判定部133使阈值TH越小。因此，在比较对象值S较小的时期即早期，能够预测设备的故障。即，即使到设备故障为止的时间短，也能够使设备迅速停止等而保全设备。另外，在仅特定故障时作业速度越快故障的时间越短的情况下，能够预测这种故障会发生。

测量结果输出部134在步骤S17中将包括作业时长T、停止时长R、步骤S15的判定结果(异常检测的结果)、阈值TH等的测量结果140显示于显示部14(S17)。另外，将测量结果140输出到通信部16。

通信部16将测量结果140发送到计算机5(S17)。计算机5显示测量结果140。另外，在作业机器人2异常的情况下，产生声音或语音、振动。监视员或维修员通过测量结果140或产生声音等可知作业机器人2是否异常。

接着，对异常检测装置1判定生产现场3的作业员等是否进行了处理结束的操作(S19)，在未进行操作的情况下，返回步骤S1，在进行了操作的情况下，结束处理。

图12是表示测量结果140的显示例的图。显示部14和计算机5通过图像进行显示以将例如测量结果140示于图7。

在显示部14或计算机5的显示区域作为测量结果140，显示作业时长T、停止时长R、阈值TH。另外，例如在步骤S15中判定为比较对象值S为阈值TH以下的情况下，显示表示作业机器人2正常的显示信息141。此外，在于步骤S15中判定比较对象值S比阈值TH大的情况下，显示表示作业机器人2异常的显示信息141。在作业机器人2正常的情况下，显示表示正常的显示信息。

另外，显示不使用实际的作业时长T和停止时长R而使用成为基准的一定的作业时长和停止时长求出阈值TH的表示阈值的显示信息142。如果将该阈值作为修正前的阈值，则也可以将阈值TH称为修正后的阈值。

另外，显示表示线速的显示信息143。将线速以例如以基准线速为100％的情况下的百分比进行显示。另外，显示表示针对每一作业机器人2的臂的角度的经过时间的值的显示信息144。另外，显示表示作业A的作业类别(例如由作业A制造的车辆的种类)的显示信息145。

如上所述，第一实施例的异常检测装置1具备控制部(运算处理部13)，该控制部(运算处理部13)基于与设备(2)中检测到的振动相关的数据(比较对象值S)检测设备的异常。运算处理部13通过比较与检测到的振动相关的数据(S)和规定阈值TH，判断设备的异常。而且，根据设备进行一定作业的作业时间的长度(T、TR)使阈值TH变化。因此，即使是相同的比较对象值S，设备是否异常也根据作业时间的长度而改变，即，能够根据与作业时间的长度相应的判定基准检测设备的异常。另外，因为根据作业时间的长度使阈值TH变化，所以能够提高异常检测的精度。

那么，作为与第一实施例不同的异常检测方法有如下方法。例如，将对机器人动作时的传感器的输出进行频率分析而得到的频谱或其时间的变化的图案与标准频谱或其时间的变化的图案进行对照并检测异常。在该异常检测方法中，存在差异的检测繁琐、基于作业内容的异常判定的原因难以理解的问题。但是，在第一实施例及下面的实施例中无需进行这种对照，能够解决该问题。

另外，由于检测到异常为预测到设备的故障，所以能够根据作业时间的长度来改变故障预测的定时。即，能够在到发生故障为止的时间短的情况下使预测的定时提前，在到发生故障为止的时间长的情况下使预测的定时推迟。通过使预测的定时提前能够从容进行设备的保全(设备的修理等)。即，在作业时间短(作业速度快)的情况下，能够早期检测到异常。相反，在作业时间长(作业速度慢)的情况下，异常检测的定时变慢，能够防止异常检测过早的不良情况。另外，通过异常检测装置1进行的上述异常检测方法，同样能够根据与作业时间的长度相应的判定基准来检测设备的异常。

运算处理部13基于表示作业时间的长度的作业时长T、表示设备停止的停止时间的长度的停止时长R以及设备进行作业的速度即作业速度中的至少一个设定阈值TH。因此，例如可以与作业时长T通过改变作业速度而不改变停止时长R进行改变的情况、作业时长T通过改变停止时长R而不改变作业速度进行改变的情况、作业速度通过改变休息时长R而不改变作业时长T进行改变的情况分别对应。

另外，设备(2)包含旋转机构(21、22)，运算处理部13根据安装于设备的振动传感器(23)输出的信号算出与振动相关的数据(S)。因此，关于包含旋转机构的设备，能够根据与作业时间的长度相应的判定基准检测设备的异常。

另外，因为作业时间(T、TR)越短，阈值越小，所以在作业时间越短到发生故障为止的时间越短的情况下，运算处理部13能够检测异常作为这种故障的预兆，能够提高检测精度。

另外，因为在作业前，设备停止的停止时间(R)越短，运算处理部13使阈值越小，所以即使作业时长T一定，在停止时间(R)短的情况下阈值也小。其结果，在停止时间(R)越短故障的时间越短的情况下，能够检测异常作为这种故障的预兆，能够提高检测精度。

另外，运算处理部13获取包括作业时间的长度(T、TR)的作业数据，根据安装于设备的振动传感器(23)输出的信号算出与振动相关的数据，基于通过作业数据中包含的作业时间的长度算出的阈值和所算出的与振动相关的数据判定设备是否异常。因此，在发生故障为止的时间因作业时间的长度而不同的情况下，能够检测异常作为这种故障的预兆，能够提高检测精度。

另外，由于作业速度(线速)越快，运算处理部13使阈值越小，所以即使作业时长T或停止时长R一定，在作业速度(线速)快的情况下阈值也变小。其结果，在作业速度(线速)越快，到发生故障为止的时间越短的情况下，能够检测异常作为这种故障的预兆，能够提高检测精度。

即，在改变作业速度并缩短作业时间(TR)的情况、不改变作业速度而增长停止时间(R)并缩短作业时间(T)的情况、改变作业和作业之间的停止时间的长度的情况下，能够分别根据与作业时间的长度相应的判断基准检测设备的异常。

运算处理部13算出检测到的设备的振动的频率特性即第一频率特性(X)，将与设备正常时的设备的振动的频率特性即第二频率特性(U)和第一频率特性(X)的差相应的值设为比较对象值S(与振动相关的数据)。因此，能够基于频率特性的差进行异常检测，因此能够提高异常检测的精度。

另外，运算处理部13将与观测值即第一频率特性(X)下的值的平均值(X′)和基准值即第二频率特性(U)下的值的平均值(U′)的差的平方值，即(X′－U′)²相应的值设为比较对象值S(与振动相关的数据)。因此，关于第一频率特性和第二频率特性的差，能够防止正值和负值相抵消，因此，能够提高异常检测的精度。

另外，运算处理部13将平方值设为比较对象值S(与振动相关的数据)，将与通过第二频率特性的方差值(δ2)修正后的值相应的值设为比较对象值S(与振动相关的数据)。因此，计算负荷比频率波形的拟合低，能够缩短处理时间，而且能够使用统计学提高异常检测的精度。

另外，在比较对象值(与振动相关的数据)比阈值大的情况下，运算处理部13通知设备异常(S15、S17)。因此，生产现场的作业员、监视设备的监视员或维修员可知设备异常即预测到故障，能够进行设备的保全。

另外，设备具备包含旋转机构(21、22)的驱动部和由驱动部驱动的臂(202)，因此，关于这种设备，能够根据与作业时间的长度相应的判定基准检测异常。

(第二实施例)

接下来，对第二实施例进行说明。在此，主要说明与第一实施例的不同，关于相同或类似的内容，因为重复所以省略说明。

在第二实施例中，对作业A的内容因作业的类别(称为作业类别)而改变的情况进行说明。例如，在某作业类别中，在作业A中，作业机器人2的臂不移动地进行焊接作业。另外，在某作业类别中，在作业A中，作业机器人2进行电极头修磨作业。作业类别被预先设定于作业机器人2中，可以从作业机器人2中获取。

图13是表示第二实施例的存储部17存储的信息的图。

例如，作为作业类别，有作业类别C1、C2及C3。而且，作业时长T和停止时长R的组合针对每一作业类别而不同。即，在不同的作业类别中，作业时长T和停止时长R中的至少一方不同。由此，在不同的作业类别中，加速度信号M1的频率特性不同。因此，在不同的作业类别中，正常模型不同。另外，在不同的作业类别中，阈值TH也不同。

存储部17将作业类别C1的作业的情况下的正常模型P1与作业类别C1对应地进行存储。另外，将作业类别C2的作业的情况下的正常模型P2与作业类别C2对应地进行存储。另外，将作业类别C3的作业的情况下的正常模型P3与作业类别C3对应地进行存储。正常模型P1、P2、P3分别包含与对应的作业类别相应的阈值TH1、TH2、TH3。

另外，与第一实施例同样，作业时长T越短，各阈值越小。另外，停止时长R越短，各阈值越小。

此外，在作业类别由多个要素的组合确定的情况下，针对每一组合设定识别号码，将正常模型(包括阈值)与识别号码对应地进行存储即可。作为确定作业类别的要素，有设备即作业机器人的臂有无移动、臂的停止状态、作业机器人进行的焊接作业、作业机器人进行的电极头修磨作业等。

例如，在作业类别因由作业机器人2制造的汽车的种类而改变的情况下，也可以将正常模型(包括阈值)与作为作业类别的汽车种类对应地进行存储。

另外，作业类别的数量也可以为二或四以上。

图14是表示第二实施例的运算处理部13的处理流程的流程图。

首先，关于所有作业类别，正常模型生成部131判定正常模型是否存储于存储部17(S31)。而且，在至少一部分未被存储的情况下(S31：否)，使用存储于存储部17的加速度信号M1生成正常模型，并将其存储于存储部17(S33)。所生成的正常模型中包含有阈值TH。

在执行步骤S33后或在存储部17存储有全部好正常模型的情况下(S31：是)，频率特性算出部132从传感器控制部12获取作业机器人2进行一次作业A时的加速度信号M1(S35)。

接着，频率特性算出部132算出所获取的加速度信号M1的频率特性X(S37)。

接着，异常判定部133从作业机器人2获取作业机器人2接下来进行的作业A的作业类别(S38)，从存储部17读取与所获取的作业类别对应的正常模型(S39)。此外，作业类别也可以从用于使作业机器人2动作的数据中获取。

接着，异常判定部133从所读取的正常模型中取出阈值(下面，称为阈值TH)(S41)。

接着，异常判定部133通过在步骤S37中算出的频率特性X和在步骤S39中读取的正常模型，与第一实施例同样地算出比较对象值S(S43)。

接着，异常判定部133判定比较对象值S是否比步骤S41中取出的阈值TH大(S45)。即，判定作业机器人2是否异常。

因为阈值TH根据作业类别而变化，所以可以说异常判定部133根据作业类别而使阈值变化。另外，也可以说异常判定部133从预先存储于存储部17的多个阈值中选择并使用运算处理部13使用的阈值。

在比较对象值S比阈值TH大的情况下(S45：是)，异常判定部133预测作业机器人2的故障即判定为作业机器人2异常，为了将其通知给作业员等，测量结果输出部134使语音输出部15产生警报音或振动(S47)。

在比较对象值S为阈值TH以下的情况下(S45：否)，判断没有异常。

在执行步骤S47后或比较对象值S为阈值TH以下的情况下(S45：否)，进入步骤S49。

在步骤S49中，测量结果输出部134与第一实施例同样地将测量结果140显示于显示部14(S49)。另外，将测量结果140输出到通信部16。

通信部16将测量结果140发送到计算机5(S49)。计算机5显示测量结果140。另外，在作业机器人2异常的情况下，产生声音或语音、振动。监视员或维修员通过测量结果140或产生声音等可知作业机器人2是否异常。

接着，对异常检测装置1判定生产现场3的作业员等是否进行了处理结束的操作(S51)，在未进行操作的情况下，返回步骤S31，在进行了操作的情况下，结束处理。

如上所述，在第二实施例中，运算处理部13进一步获取作业的作业类别，根据作业时间的长度及作业类别使阈值变化，因此，在作业时间的长度(T、TR)根据作业时间的长度和作业类别而变化的情况下，能够根据与作业时间的长度和作业类别相应的判定基准检测设备的异常。另外，检测到异常是指预测到设备的故障，因此，在直到发生故障的时间因作业类别而不同的情况下，能够检测异常作为这种故障的预兆，能够提高检测精度。

运算处理部13从预先存储的多个阈值中选择并使用与作业时间的长度(T、TR)相应的阈值，因此，无需根据作业时间的长度计算阈值，能够根据与作业时间的长度相应的判定基准检测设备的异常。

另外，异常检测装置1具备存储部17，该存储部17将根据第二频率特性(U)生成的正常模型与多个作业类别分别对应而进行存储。另外，正常模型包含阈值。而且，运算处理部13从存储部17读取与设备进行的作业的作业类别对应的正常模型(S39)，从正常模型中取出阈值(S41)。而且，根据所读取的正常模型算出第二频率特性(U)，判定使用算出的第二频率特性算出的比较对象值(与振动相关的数据)是否比所读取的阈值大(S45)。因此，在作业时间的长度(T、TR)根据作业类别而变化的情况下，能够根据与作业时间的长度相应的判断基准检测设备的异常。

(第三实施例)

接着，对第三实施例进行说明。在此，主要说明与第一实施例或第二实施例的不同点，关于相同或类似的内容，因为重复所以省略说明。

在第三实施例中，与第二实施例同样，对作业A的内容因作业类别而改变的情况进行说明。

图15是表示第三实施例的存储部17存储的信息的图。

存储部17将作业类别C1的作业的情况下的正常模型P11与作业类别C1对应而进行存储。另外，将作业类别C2的作业的情况下的正常模型P12与作业类别C2对应地进行存储。另外，将作业类别C3的作业的情况下的正常模型P13与作业类别C3对应地进行存储。

正常模型P11、P12、P13分别包含与对应的作业类别相应的基准值a1、a2、a3。使用各基准值a1、a2、a3来取代第一实施例的基准值a。在此，作业的内容因作业类别而不同，由此，各基准值也不同。

此外，与第二实施例同样，也可以将正常模型(包含基准值)与作业类别的识别号码对应地进行存储。

另外，与第二实施例同样，也可以将正常模型(包含基准值)与作为作业类别的种类对应地进行存储。

另外，作业类别的数量也可以为二或四以上。

另外，与第一实施例同样，存储部17存储修正值x(未图示)。

图16是表示第三实施例的运算处理部13的处理流程的流程图。

在此，仅说明与第二实施例的差异。

直至步骤S37，与第二实施例同样。

接着，在步骤S38中，异常判定部133从作业机器人2获取作业机器人2接下来进行的作业A的作业类别、作业时长T及停止时长R(S38)，从存储部17读取与所获取的作业类别对应的正常模型和修正值x(S39)。此外，作业类别、作业时长T及停止时长R也可以根据用于使作业机器人2动作的数据进行获取。

接着，异常判定部133从所读取的正常模型中取出基准值(下面，称为基准值a)(S40)，与第一实施例同样，基于作业时长T、停止时长R、基准值a及修正值x算出阈值TH(S41)。

阈值TH根据基准值而变化，基准值根据作业类别而变化，因此，可以说异常判定部133根据作业类别而使阈值变化。

接着，异常判定部133通过步骤S37中算出的频率特性和步骤S39中读取的正常模型，与第一实施例同样地算出比较对象值S(S43)。

以下，与第二实施例同样。

如上所述，在第三实施例中，运算处理部13进一步获取作业的作业类别，根据作业时间的长度及作业类别而使阈值变化，因此，在作业时间的长度(T、TR)根据作业时间的长度和作业类别而变化的情况下，能够根据与作业时间的长度和作业类别相应的判断基准检测设备的异常。另外，检测到异常是指预测到设备的故障，因此，在到发生故障为止的时间因作业类别而不同的情况下，能够检测异常作为这种故障的预兆，能够提高检测精度。

另外，异常检测装置1具备存储部17，该存储部17将根据第二频率特性生成的正常模型与多个作业类别分别对应地进行存储，正常模型包含用于算出阈值的基准值。

而且，运算处理部13获取与设备进行的作业的作业类别对应的作业时间长度和停止时间长度(S38)，从存储部17读取与作业类别对应的正常模型(S39)。而且，从正常模型取出基准值(S40)，根据基准值、作业时间的长度及停止时间的长度算出阈值(S41)。

而且，根据所读取的正常模型算出第二频率特性，判定使用所算出的第二频率特性算出的比较对象值(与振动相关的数据)是否比所算出的阈值大(S45)。

因此，在作业时间的长度(T、TR)根据作业类别而变化的情况下，能够根据与作业时间的长度相应的判断基准检测设备的异常。

以上，记载了本发明的实施方式，但应理解形成本公开的一部分的论述及附图并非限定本发明。根据本公开，本领域技术人员可知各种替代实施方式、实施例及应用技术。

此外，检测异常的对象的设备不限于作业机器人2。例如，也可以使用汽车的发动机来代替电动机，使用变速器来代替减速器。另外，也可以将移动体的旋转机构、游乐园的游乐设施等移动体、三维打印机等工作机械即具有旋转机构和传递旋转机构的机构的全部设备作为对象。另外，也可以将其它种类的设备设为对象。

另外，异常检测装置1也可以与计算机5同样配置于远距离地，经由通信线路发送接收必要的信号或数据，并检测设备的异常。另外，一台异常检测装置1也可以检测多个设备的异常。另外，多个设备也可以配置于互不相同的场所。另外，也可以使用计算机构成信息获取部11、传感器控制部12及运算处理部13等功能块。

上述各实施方式所示的各功能可以通过一个或多个处理电路进行安装。处理电路包含处理装置等编程后的处理装置，该处理装置包含电路。处理装置还包含专用集成电路(ASIC)或以往的电路零件等装置，该专用集成电路被编成执行实施方式所记载的功能。

Claims

1.一种异常检测装置，其具备控制部，该控制部基于与设备中检测到的振动相关的数据检测所述设备的异常，其特征在于，

所述控制部通过比较与检测到的所述振动相关的数据和规定阈值，判断所述设备的异常，

根据所述设备进行一定作业的作业时间的长度使所述阈值变化。

2.如权利要求1所述的异常检测装置，其特征在于，

所述控制部基于表示所述作业时间的长度的作业时长、表示所述设备停止的停止时间的长度的停止时长及所述设备进行作业的速度即作业速度中的至少一个，设定所述阈值。

3.如权利要求1或2所述的异常检测装置，其特征在于，

所述设备包含旋转机构，所述控制部根据安装于所述设备的振动传感器输出的信号算出与所述振动相关的数据。

4.如权利要求1～3中任一项所述的异常检测装置，其特征在于，

所述作业时间越短，所述控制部使所述阈值越小。

5.如权利要求1～4中任一项所述的异常检测装置，其特征在于，

在所述作业前，所述设备停止的停止时间越短，所述控制部使所述阈值越小。

6.如权利要求1～5中任一项所述的异常检测装置，其特征在于，

所述控制部进一步获取所述作业的作业类别，根据所述作业时间的长度及所述作业类别使所述阈值变化。

7.如权利要求1～6中任一项所述的异常检测装置，其特征在于，

所述控制部获取包含所述作业时间的长度的作业数据，

根据安装于所述设备的振动传感器输出的信号算出与所述振动相关的数据，

基于根据所述作业数据中包含的所述作业时间的长度算出的所述阈值和所算出的与所述振动相关的数据判定所述设备是否异常。

8.如权利要求1～6中任一项所述的异常检测装置，其特征在于，

所述控制部从预先存储的多个阈值中选择并使用与所述作业时间的长度相应的所述阈值。

9.如权利要求1～6中任一项所述的异常检测装置，其特征在于，

所述控制部算出检测到的所述振动的频率特性即第一频率特性，将与所述设备正常时的所述振动的频率特性即第二频率特性与所述第一频率特性的差相应的值设为与所述振动相关的数据。

10.如权利要求9所述的异常检测装置，其特征在于，

所述控制部将与所述第一频率特性下的值的平均值和所述第二频率特性下的值的平均值的差的平方值对应的值设为与所述振动相关的数据。

11.如权利要求10所述的异常检测装置，其特征在于，

所述控制部将与通过所述第二频率特性的方差值修正了所述平方值后的值对应的值设为与所述振动相关的数据。

12.如权利要求9～11中任一项所述的异常检测装置，其特征在于，

具备存储部，其将根据所述第二频率特性生成的正常模型与多个作业类别分别对应地进行存储，

所述正常模型包含阈值，

所述控制部从所述存储部读取与所述设备进行的所述作业的作业类别对应的所述正常模型，从所述正常模型中取出阈值，根据所读取的正常模型算出所述第二频率特性，判定使用算出的所述第二频率特性算出的与所述振动相关的数据是否比所读取的所述阈值大。

13.如权利要求9～11中任一项所述的异常检测装置，其特征在于，

所述正常模型包含用于算出阈值的基准值，

所述控制部获取与所述设备进行的所述作业的作业类别对应的作业时间的长度和停止时间的长度，从所述存储部读取与所述作业类别对应的所述正常模型，从所述正常模型中取出基准值，根据所述基准值、所述作业时间的长度以及所述停止时间的长度算出阈值，根据所读取的正常模型算出所述第二频率特性，判定使用所算出的所述第二频率特性算出的与所述振动相关的数据是否比所算出的所述阈值大。

14.如权利要求1～13中任一项所述的异常检测装置，其特征在于，

在与所述振动相关的数据比所述阈值大的情况下，所述控制部报告所述设备异常。

15.如权利要求1～14中任一项所述的异常检测装置，其特征在于，

所述设备具备包含旋转机构的驱动部和由所述驱动部驱动的臂。

16.一种异常检测方法，其是基于与设备中检测到的振动相关的数据检测所述设备的异常的异常检测装置的异常检测方法，其特征在于，

比较与检测到的所述振动相关的数据和规定阈值，判断所述设备的异常，