[发明专利]控制方法、控制装置和机械设备

说明书

本公开涉及控制方法、控制装置和机械设备。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测量值来提取特征值作为机器学习用数据。

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。