判定装置、判定方法和判定程序制造方法及图纸

为了高精度地分析异常原因，原因分析部(34)取得机器人(22)的测试数据，根据检测异常时使用的阈值来从测试数据中提取与异常有关的数据(进行稀疏化)。而且，原因分析部(34)将稀疏化后的传感器数据转换为关注于多个传感器之间的类似关系的曲线图结构的结构数据，使用转换后的结构数据来生成也能够应用于如无法通过最大似然估计法计算的复杂的模型(非参数模型)的异常原因识别器。

Determination device, method and procedure

【技术实现步骤摘要】
【国外来华专利技术】判定装置、判定方法和判定程序
本专利技术涉及判定装置、判定方法和判定程序。
技术介绍
在世界各国的生产现场，主要通过引入产业用机器人来实现自动化和节省劳动力，由此实现了削减成本和提高生产效率。产业用机器人自身从几十年前起被引入生产现场，但是，仅单纯地反复进行所公开的动作，因此，无法灵活地应对产品的变化。此外，无法应对变化，有可能大量地形成不良产品，因此，作业人员需要逐一调整机器人。近年来，利用作为人工智能的1个领域的机械学习技术来积极地进行了使机器人自身自主地判断并应对的智能化后的自动化生产线的研究开发。此外，为了实现生产设备的自主判断，已知有用于高精度地检测作业异常的技术(例如，参照专利文献1等)。现有技术文献专利文献专利文献1：日本特开2010-78467号公报
技术实现思路
专利技术要解决的课题为了实现生产机器人的自主判断，在检测出作业异常的情况下，要求在部件等产生损坏之前迅速地使生产机器人停止。另一方面，为了分析并估计作业异常的原因，优选能够获得详细的传感器数据，但是，当在异常检测之后迅速地使生产机器人停止时，在此之后无法取得传感器数据，因此，难以估计异常原因。另外，不限于生产机器人，在其它机器人、装置中也存在相同的课题。在一个侧面中，本专利技术的目的在于提供一种能够高精度地分析异常原因的判定装置、判定方法和判定程序。用于解决问题的手段在一个方式中，判定装置，其具有：取得部，其取得与装置的动作有关的传感器数据；提取部，其根据在使用所取得的所述传感器数据来检测异常时使用的阈值，从所述传感器数据中提取与异常有关的数据；转换部，其将所提取的与所述异常有关的数据转换为关注于多个传感器之间的类似关系的曲线图结构的结构数据；以及生成部，其使用转换后的所述结构数据来生成识别异常原因的识别器。专利技术效果能够高精度地分析异常原因。附图说明图1是用于说明第1实施方式的作业装置的整体结构的图。图2是示出传感器的输出值的变化的一例的图。图3是示出处理装置的硬件结构的图。图4是示出处理装置的功能框图。图5是示出事先准备阶段中的处理装置的处理的流程图。图6是示出运用阶段中的处理装置的处理的流程图。图7的(a)～图7的(c)是用于说明图5、图6的处理的图。图8的(a)是示出稀疏化后的传感器数据的一例的图，图8的(b)是示出按照每个异常模式而生成的大量的数据的一例的图。图9的(a)是用于对第1实施方式与比较例的准确率进行比较的曲线图，图9的(b)是示出在比较例中根据稀疏化模型而生成的大量数据的一例的图。图10是示出第2实施方式的运用阶段中的处理装置的处理的流程图。具体实施方式《第1实施方式》以下，根据图1～图9详细地说明第1实施方式。图1是用于说明第1实施方式的作业装置100的整体结构的图。如图1所示，作业装置100具有机器人22、控制器14、照相机12和处理装置10等。机器人22例如为产业用机器人。机器人22例如具有工作台25和机械手26。机械手26使用作用部28来进行作业。机械手26执行的作业例如为如下作业等：拾取搭载在印刷基板上的部件，将部件输送至印刷基板上，将部件搭载于印刷基板。作用部28例如为手动机构等。工作台25支承机械手26。机器人22通过控制器14进行控制。控制器14根据一系列的作业的时间序列的示教数据列，使机器人22进行动作。这里，示教数据列例如可以经由图3所示的输入输出接口97而从外部取得，也可以预先存储到HDD96等中。传感器24设置在机械手26上，检测机器人22进行的作业的状况。作为传感器24，例如，可以使用检测机械手26的应变的应变传感器、3轴或6轴力传感器、载荷传感器、压力传感器、加速度传感器、麦克风等。假设对于机械手26设置有多个传感器24。另外，在使用3轴或6轴力传感器作为传感器24的情况下，能够检测作用点的力向量和/或转矩。图2示出了传感器24的输出值的变化的一例。另外，在图2中，横轴表示从机器人22的作业开始起的时间(时刻)，纵轴表示传感器24的输出值(传感器值)。如图2所示，在机器人22进行一系列的动作的期间内，传感器24的输出值(用实线表示的波形)发生变化。另外，在图2中，用虚线上下夹持的范围表示在后述的异常判断中使用的阈值。返回图1，照相机12例如为CCD(ChargeCoupledDevice；电荷耦合元件)传感器或CMOS(ComplimentaryMetalOxideSemiconductor；互补性金属氧化膜半导体)传感器等二维图像传感器。但是，不限于此，照相机12也可以为一维图像传感器。处理装置10根据照相机12所取得的图像数据、传感器24检测的数据、作用部28的坐标位置等，判定机器人22的作业状况是否合格(是正常还是异常)。此外，在判定为异常的情况下，处理装置10确定异常的原因。另外，以下，为了方便说明，将照相机12所取得的图像数据、传感器24检测的数据、作用部28的坐标位置等各种数据称作“传感器数据”。图3示出处理装置10的硬件结构。如图3所示，处理装置10具有CPU(CentralProcessingUnit：中央处理器)90、ROM(ReadOnlyMemory：只读存储器)92、RAM(RandomAccessMemory：随机存取存储器)94、存储部(这里为HDD(HardDiskDrive：硬盘驱动器))96、输入输出接口97、显示部93、输入部95和便携型存储介质用驱动器99等。这些处理装置10的构成各部件与总线98连接。显示部93包括液晶显示器等，输入部95包括键盘、鼠标、输入按钮等。在处理装置10中，通过由CPU90执行ROM92或HDD96所存储的程序(包括判定程序)或便携型存储介质用驱动器99从便携型存储介质91读取出的程序(包括判定程序)，可实现如图4所示的各部件的功能。图4是处理装置10的功能框图。处理装置10通过由CPU90执行程序，作为传感器数据取得部30、作为异常检测执行部的异常判断部32、作为异常原因识别部的原因分析部34和动作校正部36发挥功能。另外，图4所示的学习数据存储部40通过HDD96等来实现。学习数据存储部40中存储有后述的各种数据。传感器数据取得部30取得传感器数据(照相机12所取得的图像数据、传感器24检测的数据、作用部28的坐标位置等)，并发送到异常判断部32。异常判断部32使用从传感器数据取得部30接收到的传感器数据来判断是否产生异常。具体而言，异常判断部32使用根据学习数据存储部40所存储的异常检测识别器信息获得的异常检测识别器来判断是否产生异常。另外，异常判断部32使用事先存储到学习数据存储部40中的学习数据的一部分(称作训练数据)来生成异常检测识别器信息，并存储到学习数据存储部40中。原因分析部34根据由异常判断部32判断为异常时的传感器数据来分析异常的原本文档来自技高网...

【技术保护点】
1.一种判定装置，其具有：/n取得部，其取得与装置的动作有关的传感器数据；/n提取部，其根据在使用所取得的所述传感器数据来检测异常时使用的阈值，从所述传感器数据中提取与异常有关的数据；/n转换部，其将所提取的与所述异常有关的数据转换为关注于多个传感器之间的类似关系的曲线图结构的结构数据；以及/n生成部，其使用转换后的所述结构数据来生成识别异常原因的识别器。/n

【技术特征摘要】
【国外来华专利技术】1.一种判定装置，其具有：
取得部，其取得与装置的动作有关的传感器数据；
提取部，其根据在使用所取得的所述传感器数据来检测异常时使用的阈值，从所述传感器数据中提取与异常有关的数据；
转换部，其将所提取的与所述异常有关的数据转换为关注于多个传感器之间的类似关系的曲线图结构的结构数据；以及
生成部，其使用转换后的所述结构数据来生成识别异常原因的识别器。


2.根据权利要求1所述的判定装置，其特征在于，
所述提取部使所述传感器数据中的、由所述阈值规定的正常范围内包含的传感器数据的值成为0。


3.根据权利要求1或2所述的判定装置，其特征在于，
所述结构数据为Gram矩阵。


4.根据权利要求3所述的判定装置，其特征在于，
所述生成部对所述结构数据进行维度压缩。


5.根据权利要求1～4中的任意一项所述的判定装置，其特征在于，该判定装置还具有：
异常检测执行部，其执行使用所述阈值的异常检测；
异常原因识别部，其执行使用所述识别器的异常原因的识别；以及
输出部，其进行基于所述异常检测的结果和所述异常原因的识别结果的输出。


6.一种判定方法，其特征在于，由计算机执行以下处理：
取得与装置的动作有关的传感器数据；
根据在使用所取得的所述传感器数据来检测异常时使用的阈值，从所...

【专利技术属性】
技术研发人员：雨宫智，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP