製造デジタルツインを活用したロボットの異常検知

はじめに

前回の「製造デジタルツインについて」（2025年2月発信）では、弊社が提供する製造デジタルツインのデモをご紹介しました。そのデモでは、ロボットからリアルタイムで取得されるデータをもとにシミュレーション技術を活用し、通常では観測が困難なデータの再現・可視化を行いました。

今回は、このシミュレーションによって得られるデータを活用し、ロボットの異常検知を行う試みについてご紹介します。具体的には、シミュレーションデータを活用しない場合と活用した場合で、異常検知の精度がどのように変化するかを検証しました。本検証は、アルテアエンジニアリング株式会社のサポートのもと実施しました。

検証概要

本検証では、小型4軸ロボット「Dobot Magician」を用いて、鉛筆で紙に指定の記号を書くタスクを実行させ、その際のデータをもとに異常検知の精度を評価しました。具体的には、ロボットの動作データを機械学習モデルに入力し、動作が正常か異常かを予測しました。 その際、入力データとして 「リアルデータのみ」 と 「リアルデータ＋シミュレーションデータ」 の2パターンを用意し、シミュレーションデータの追加が異常検知の精度向上につながるかを比較しました。

なお、異常状態は以下の3つのケースを意図的に発生させました。

1. ロボットに鉛筆を持たせない → ロボットは動作するが、字を書くことができない。
2. ロボットの筆圧が強すぎて紙が動く → ロボットは字を書こうとするが、紙がズレてうまく書けない。
3. ロボットに芯が折れた鉛筆を持たせる → ロボットは動作するが、紙に何も書かれない。

このように、ロボットが字を書けない、またはうまく書けない状態を「異常」、正常に字を書けた状態を「正常」と定義し、機械学習モデルを用いた異常検知を実施しました。

今回、異常検知に使用した機械学習モデルは以下の3種類です。

• サポートベクターマシン
• LightGBM
• オートエンコーダ

これらのモデルに対し、シミュレーションデータの有無による検知能力の違いを比較しました。

なお、機械学習に入力するデータは以下のとおりです。

• シミュレーションデータを活用しない場合: 「Dobot Magician」のアームの位置座標、速度、加速度
• シミュレーションデータを活用する場合: 上記 ＋ 「Dobot Magician」の各軸の電力。（各軸の電力は、アームの位置座標から算出されるシミュレーションデータです。 シミュレーションに使用する機構モデルは、「製造デジタルツインについて」で紹介したモデルに ペンと紙のモデルを追加し、さらに両者の接触定義を組み込んでいます。）