[发明专利]诊断装置

说明书

本发明的诊断装置获取与工业机械正常运行时的运行状态有关的正常数据，存储正常数据，通过基于存储的正常数据进行学习来创建学习模型，并使用学习模型对工业机械运行的正常或异常进行推定处理。本发明的诊断装置还基于存储的正常数据创建包含至少一种异常数据的验证数据，根据基于验证数据并使用学习模型进行推定处理所得到的结果来验证学习模型的妥当性。

技术领域

本发明涉及一种诊断装置。

背景技术

在工厂等制造现场，导入了一种监视设置在生产线上的机器人、机床等工业机械的运行状态并对工业机械的运行状态进行诊断以防止生产线停止并且在生产线停止的情况下可以使其迅速恢复的装置。

作为对工业机械的运行状态进行诊断的装置，例如其经由网络对在各个工业机械中检测出的马达的位置、速度、转矩等数据、由安装在工业机械上的传感器检测出的声音、图像等数据进行监视，并在该数据存在表示异常的倾向时，诊断为工业机械的运行中出现异常(例如，日本专利第6453504号公报以及日本特开2019-012473号公报)。为了使诊断装置进行这样的诊断，需要预先创建规定的模型来判定工业机械的运行是正常还是异常。

作为用于对工业机械运行的正常/异常进行判定的模型的示例，可以列举出：(1)对于有怎样程度接近在工业机械进行异常运行的状态下检测出的数据组进行判定的模型；(2)对于以怎样程度向哪一方远离在正常运行/异常运行时分别获取的数据组的边界进行判定的模型；(3)对于距离在工业机械进行普通运行的状态下检测出的数据组多远进行判定的模型。在上述模型(1)及模型(2)的情况下，需要将工业机械设定为进行异常运行的状态并检测出数据进行存储，但工业机械的异常运行多与故障相关，难以收集用于创建判定用模型的必要数据。另一方面，在上述模型(3)的情况下，只要在工业机械进行正常运行的状态下检测出数据进行存储即可，因此，诊断装置可以比较轻松地收集数据。

当在工业机械进行正常运行的状态下由诊断装置基于数据组进行运行判定时，为了设定判定模型而收集的数据组必须在某种程度上涵盖工业机械进行正常运行的整个范围。图8A及图8B示出并说明了简单的示例。例如，考虑设定使用在工业机械进行正常运行时获取到的马达的位置数据和转矩数据来判定工业机械的正常/异常的模型。此外，在图8中，通过诊断装置在正常运行时检测出的数据用圆点D1表示，在正常运行时检测出的数据的原始范围表示在实线D2框内，在正常运行时检测出的数据的预期范围表示在虚线D3框内。

这里，如图8的各图所例示的那样，当从某个工业机械的马达检测出的位置数据和转矩数据的组合处于实线圆内时，该工业机械的运行正常。为了基于在正常运行时获取到的数据通过机械创建这样的模型，收集工业机械进行正常运行时马达的位置数据和转矩数据的组合。其结果，如图8A所例示的那样，只要能够以涵盖整个原始范围的方式获取数据，则可以通过机械预测与在正常运行时检测出的数据D1的原始范围D2接近的模型。但是，如图8B所例示的那样，当只能获取偏离原始范围的数据时，则只能通过机械预测到如图8B的虚线圆所示那样与在正常运行时检测出的数据的原始范围相距甚远的条件(即范围D3)。

图8中示出了比较简单的示例，但实际上，在诊断装置基于位置、转矩、声音等时间序列数据的变化模式判定工业机械运行的正常/异常等情况下，会导致更为复杂的问题。另外，例如在使用了作为机器学习方法的无监督学习的情况下，同样的问题也会以过度学习或收敛于局部解的形式出现。

为了解决这种问题，可以考虑下述方法：对创建的模型的妥当性进行验证，在创建了不具妥当性的模型时，重新选择数据并再次创建模型。这里，当收集到在工业机械正常运行时及异常运行时检测出的数据时，可以将收集到的数据分为模型创建用数据和验证用数据，并使用验证用数据对使用模型创建用数据创建的模型进行验证。但是，当仅收集到在工业机械正常运行时检测出的数据时，即使分割为模型创建用数据和验证用数据，该分割的妥当性也会按照一定概率而成为问题。另外，由于不存在异常运行时的数据，因此无法验证所创建的模型对异常数据的响应。

发明内容