[发明专利]故障预测装置以及机器学习装置

说明书

本发明提供一种故障预测装置以及机器学习装置，故障预测装置具备学习针对与电动机的制动器有关的数据的制动器的状态的机器学习装置。该机器学习装置观测制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量，使用观测到的该状态变量，对制动器处于正常状态下的状态变量的分布进行学习。

技术领域

本发明涉及一种预测电动机的制动器的故障的故障预测装置以及机器学习装置。

背景技术

工业机器人、机床等机器具备用于使部件向预定方向移动的驱动轴。例如机器人具有用于驱动臂的驱动轴。机器人臂之间的关节部对应于驱动轴。在该关节部中，臂的角度发生变化，由此机器人的位置和姿势发生变化。另外，在机床中，工件、刀具在预定的驱动轴上移动，变更刀具相对于工件的位置。

在这种驱动轴中，由电动机驱动要移动的部件。在电动机上配置有用于防止电动机的输出轴旋转的制动器。在切断向电动机供电的情况下，用于维持机器人的位置和姿势、机床的刀具或工作台的位置和姿势的制动器动作。

当电动机的制动器发生故障时，无法维持机器人的位置和姿势、机床的刀具或工作台的位置和姿势，产生机器人、机床、工件、刀具受损这种问题。为此，以往，以预定的周期定期地测量电动机(主要是重力轴)的制动器的强度，如果测量的结果是制动器减弱，则促使操作员更换电动机，由此预防由制动器发生故障引起重力轴下落等事故(例如，日本特开2016-226150号公报、日本特开2016-101643号公报、日本特开2014-010546号公报)。

然而，在以往技术中，存在以下问题：即使根据测量结果能够检测电动机的制动器的故障，也无法掌握不久的将来制动器故障发生的时间。另外，用于测量电动机的制动器的制动力的数据(重力负载扭矩、机械摩擦扭矩、直到制动器动作为止的反应时间)根据电动机的温度、种类、安装于电动机的工件而改变，因此，即使要使用测量出的值来预测电动机的制动器的故障，也难以适当地设定用于决定异常的迹象是从该测量值的哪一级别开始的阈值。

另外，作为与电动机的制动器的故障预测有关的其它问题，在判断电动机的制动器的状态时，通过使用由振动传感器、温度传感器等测量出的检测值，能够提高其精度，但是当以将这种传感器安装到电动机以预测电动机的制动器的故障这一情况为前提时，有时整体成本上升。因此，对于现场来说，优选不使用传感器而能够以某种程度的精度预测电动机的故障。

发明内容

因此，本发明的目的在于，提供一种预测电动机的制动器的故障的故障预测装置以及机器学习装置。

本发明的一个实施方式的故障预测装置从不具有规则性的计测数据群进行机器学习，事先捕捉被推测为电动机故障的数据变化，预测电动机故障，由此解决上述问题。

另外，在本发明的其它实施方式的故障预测装置中，即使在无法得到传感器等的检测值的环境下，根据从电动机得到的多个测量值进行机器学习，由此能够以某种程度的精度来预测电动机故障。

在本发明的故障预测装置的一个方式中，预测电动机的制动器的故障状态，具备机器学习装置，该机器学习装置学习针对与上述电动机的制动器有关的数据的上述制动器的状态。而且，该机器学习装置具备：状态观测部，其观测上述制动器处于正常状态的情况下表示该制动器的动作状态的制动器动作状态数据，作为表示环境的当前状态的状态变量；以及学习部，其使用上述状态变量，对上述制动器处于正常状态下的上述状态变量的分布进行学习。

也可以是，上述状态观测部还观测使用传感器检测上述电动机的动作状态而得的电动机动作状态数据，作为上述状态变量。

也可以是，上述状态观测部观测与重力负载扭矩有关的数据、与机械摩擦扭矩有关的数据以及与制动器反应时间有关的数据中的至少两个，作为上述制动器动作状态数据。

也可以是，上述状态观测部还观测表示上述电动机的类型的电动机类型数据，作为上述状态变量。