特許 7501777 故障予兆検出システムおよび作業車

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-06-10

(45)【発行日】2024-06-18

(54)【発明の名称】故障予兆検出システムおよび作業車

(51)【国際特許分類】

   B66C 15/00 20060101AFI20240611BHJP

   H02P 29/00 20160101ALI20240611BHJP

   G01M 99/00 20110101ALI20240611BHJP

【ＦＩ】

B66C15/00 A

H02P29/00

G01M99/00

【請求項の数】 8

(21)【出願番号】P 2023503973

(86)(22)【出願日】2022-03-04

(86)【国際出願番号】 JP2022009436

(87)【国際公開番号】W WO2022186382

(87)【国際公開日】2022-09-09

【審査請求日】2023-06-08

(31)【優先権主張番号】P 2021035622

(32)【優先日】2021-03-05

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000148759

【氏名又は名称】株式会社タダノ

(74)【代理人】

【識別番号】110002952

【氏名又は名称】弁理士法人鷲田国際特許事務所

(72)【発明者】

【氏名】南 佳成

【審査官】加藤 三慶

(56)【参考文献】

【文献】特開２００４－２６０８９１（ＪＰ，Ａ）

【文献】国際公開第２０１８／２２０７５１（ＷＯ，Ａ１）

【文献】特表２０００－５１３０９７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ６６Ｃ １５／００

Ｈ０２Ｐ ２９／００

Ｇ０１Ｍ ９９／００

(57)【特許請求の範囲】

【請求項1】

ブームを有する作業車に搭載されたアクチュエータの故障の予兆を検出する故障予兆検出システムであって、
前記アクチュエータの正常時の特性を数理的に表した物理モデルを有する物理モデル部と、
前記物理モデル部の理想出力信号と前記アクチュエータの実出力信号との差分に基づいて重み係数を調整することにより前記アクチュエータの特性を学習する学習モデルを有する学習モデル部と、
前記重み係数に基づいて前記故障の予兆を検出する故障予測部と、を備え、
前記学習モデル部は、前記アクチュエータに入力される実入力信号を入力として取得し、前記実入力信号に基づいて前記アクチュエータの出力信号に対応する学習出力信号を算出し、算出した前記学習出力信号を変換して得た前記アクチュエータの入力信号に対応する学習入力信号を、前記物理モデル部に入力される入力信号を補正する補正信号として出力し、
前記物理モデルは、前記アクチュエータへの入力信号が前記補正信号により補正された信号を入力として取得する、
故障予兆検出システム。

【請求項2】

前記物理モデル部は、前記作業車の制御装置により生成された前記アクチュエータを操作するための入力信号を前記物理モデルへの入力として取得し、
前記物理モデルは、前記入力に対応する理想出力信号を算出する、請求項１に記載の故障予兆検出システム。

【請求項3】

前記学習モデルは、前記アクチュエータの特性を表し、前記重み係数が設定された少なくとも一つのモデル伝達関数を含む、請求項１に記載の故障予兆検出システム。

【請求項4】

前記学習モデル部は、前記アクチュエータをフィードフォワード制御するフィードフォワード制御部であり、
前記フィードフォワード制御部は、
前記実入力信号を入力として取得し、
取得した前記実入力信号に基づいて、フィードフォワード補正信号を生成し、
生成した前記フィードフォワード補正信号により前記実入力信号を補正する、
請求項１記載の故障予兆検出システム。

【請求項5】

前記故障予測部は、取得した前記重み係数を単位時間毎に記録する、または、外部のサーバーに送信する、請求項１に記載の故障予兆検出システム。

【請求項6】

前記故障予測部は、取得した前記重み係数の変化から、対応する前記アクチュエータのメンテナンス時期または故障時期を予測する、請求項１に記載の故障予兆検出システム。

【請求項7】

前記故障予測部は、前記故障の予兆を判定するための基準となる情報である故障判定情報を格納したデータベースを有し、前記学習モデルから取得した前記重み係数と前記故障判定情報とを比較することにより、前記故障の予兆の有無を判定する、請求項１に記載の故障予兆検出システム。

【請求項8】

請求項１に記載の故障予兆検出システムを備えた作業車。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、故障予兆検出システムおよび作業車に関する。詳しくは、走行体に旋回台を介して起伏可能なブームが設けられた作業車の故障予兆検出システムおよび作業車に関する。

【背景技術】

【0002】

従来、移動式クレーン、建設機械等の作業車は、各アクチュエータの劣化および故障の発生を検出するための各種センサが設けられている。また、作業車各アクチュエータの劣化および故障の発生を抑制するために、各種センサによる各アクチュエータの状態の監視、定期的な点検、および部品の交換が実施されている。このような作業車において、アクチュエータ等の故障を積極的に発見するために故障診断モードを有する作業車（建設機械）が提案されている。作業車は、作業者によって故障診断モードが選択されると、対応するアクチュエータの作動状態から故障を判定する。例えば、特許文献１の如くである。

【0003】

特許文献１に記載の建設機械のコントローラは、可変容量型ポンプの故障診断モードにおいて、可変容量型ポンプの故障診断用の制御指令と故障診断用のエンジン回転数とから故障診断モード時の可変容量型ポンプの理論ポンプ流量を算出する。さらに、コントローラは、故障診断モード時の実ポンプ流量と理論ポンプ流量に基づき可変容量型ポンプの故障判定を行う。このように構成することで、コントローラは、可変容量型ポンプの故障を判定するために最適なポンプ流量を可変容量型ポンプから油路に流すため、可変容量型ポンプの故障を簡易な構造にて精度良く判定することができる。

【0004】

しかし、特許文献１の技術は、作業者が故障診断モードを実施しなければアクチュエータの故障を検出できない。つまり、故障診断モードは、故障診断モードを実施した時点におけるアクチュエータの作動状態から故障の有無を判断する技術であって、故障の予兆を検出するものではない。また、故障診断モードは、特定の作動条件において故障判定を行うため、特定の作動条件以外の条件で生じる不具合を検出できない可能性がある。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０２０－７６２２３号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

本発明の目的は、作業車の作動状態に影響されることなく、故障の予兆を検出することができる故障予兆検出システムおよび作業車を提供することである。

【課題を解決するための手段】

【0007】

本発明者らは、作業車の作動状態に影響されることなく、故障の予兆を検出することができる故障予兆検出システムおよび作業車について検討した。鋭意検討の結果、本発明者らは、以下のような構成に想到した。

【0008】

本発明の一実施形態に係る故障予兆検出システムは、
ブームを有する作業車に搭載されたアクチュエータの故障の予兆を検出する故障予兆検出システムであって、
アクチュエータの正常時の特性を数理的に表した物理モデルを有する物理モデル部と、
物理モデル部の理想出力信号とアクチュエータの実出力信号との差分に基づいて重み係数を調整することによりアクチュエータの特性を学習する学習モデルを有する学習モデル部と、
重み係数に基づいて故障の予兆を検出する故障予測部と、を備え、
学習モデル部は、アクチュエータに入力される実入力信号を入力として取得し、実入力信号に基づいてアクチュエータの出力信号に対応する学習出力信号を算出し、算出した学習出力信号を変換して得たアクチュエータの入力信号に対応する学習入力信号を、物理モデル部に入力される入力信号を補正する補正信号として出力し、
物理モデルは、アクチュエータへの入力信号が補正信号により補正された信号を入力として取得する。

【発明の効果】

【0009】

本発明によれば、作業車の作動状態に影響されることなく、故障の予兆を検出することができる故障予兆検出システムおよび作業車を提供できる。

【図面の簡単な説明】

【0010】

【図1】図１は、クレーンの全体構成を示す側面図である。

【図2】図２は、クレーンの制御構成を示すブロック図である。

【図3】図３は、本実施形態の制御装置の制御構成を示すブロック図である。

【図4】図４は、クレーンの逆動力学モデルを示す図である。

【図5】図５は、本発明に係る第１実施形態における制御システムの制御構成を示すブロック図である。

【図6】図６は、本発明に係る第１実施形態における制御システムの他の制御構成を示すブロック図である。

【図7】図７は、本発明に係る第２実施形態における制御システムの制御構成を示すブロック図である。

【図8】図８は、本発明に係る第３実施形態における制御システムの制御構成を示すブロック図である。

【発明を実施するための形態】

【0011】

以下で、各実施形態について、図面を参照しながら説明する。各図において、同一部分には同一の符号を付して、その同一部分の説明は繰り返さない。なお、各図中の構成部材の寸法は、実際の構成部材の寸法および各構成部材の寸法比率等を忠実に表したものではない。

【0012】

［実施形態１］
＜全体構成＞
以下に、図１と図２とを用いて、本発明の一実施形態に係るクレーン１について説明する。クレーン１は、作業車の一例に該当し、移動式クレーン（ラフテレーンクレーン）である。図１は、クレーン１の全体構成を示す側面図である。図２は、クレーン１の制御構成を示すブロック図である。なお、本実施形態においては、作業車としてクレーン１（ラフテレーンクレーン）ついて説明を行うが、オールテレーンクレーン、トラッククレーン、積載型トラッククレーン、高所作業車等でもよい。つまり、本発明は、走行体に旋回台を介して起伏可能なブームが設けられた作業車に適用可能である。

【0013】

以下の説明において、「（ｎ）、（ｎ＋１）、（ｎ＋２）」は、単位時間ｔ毎に取得される情報（例えばワイヤロープの繰り出し量）のうち、ｎ番目、ｎ＋１番目、ｎ＋２番目に取得した情報を意味する。つまり、「（ｎ）」は、情報の取得開始からｎ×ｔ時間経過後に取得した情報を意味する。また、「（ｎ＋１）」は、情報の取得開始から（ｎ＋１）×ｔ時間経過後に取得した情報を意味する。また、「（ｎ＋２）」は、情報の取得開始から（ｎ＋２）×ｔ時間経過後に取得した情報を意味する。

【0014】

図１に示すように、クレーン１は、不特定の場所に移動可能な移動式クレーンである。クレーン１は、車両２、作業装置であるクレーン装置６およびクレーン装置６を荷物Ｗ基準で操作可能な荷物移動操作具３２（図２参照）を有する。

【0015】

車両２は、クレーン装置６を搬送する走行体である。車両２は、複数の車輪３を有し、エンジン４を動力源として走行する。車両２には、アウトリガ５が設けられている。アウトリガ５は、車両２の幅方向両側に油圧によって延伸可能な張り出しビームと地面に垂直な方向に延伸可能な油圧式のジャッキシリンダとから構成されている。

【0016】

クレーン装置６は、荷物Ｗをワイヤロープによって吊り上げる作業装置である。クレーン装置６は、旋回台７、ブーム９、ジブ９ａ、メインフックブロック１０、サブフックブロック１１、起伏用油圧シリンダ１２、メインウインチ１３、メインワイヤロープ１４、サブウインチ１５、サブワイヤロープ１６およびキャビン１７等を具備する。クレーン装置６には、少なくとも一つのアクチュエータが設けられている。

【0017】

旋回台７は、クレーン装置６を旋回可能に構成する駆動装置である。旋回台７は、円環状の軸受を介して車両２のフレーム上に設けられる。旋回台７は、円環状の軸受の中心を回転中心として回転自在に構成されている。旋回台７には、アクチュエータである油圧式の旋回用油圧モータ８が設けられている。旋回用油圧モータ８は、電磁比例切換弁である旋回用バルブ２３（図２参照）によって回転操作されるアクチュエータである。旋回台７には、旋回台７の旋回角度θｚ（図４参照）と旋回速度とを検出する旋回角度検出部である旋回用センサ２７（図２参照）が設けられている。

【0018】

旋回台カメラ７ｂ（図２参照）は、旋回台７の前方の左右両側および旋回台７の後方の左右両側に設けられている。旋回台カメラ７ｂは、一組のステレオカメラとして使用可能に構成されている。つまり、旋回台カメラ７ｂは、一組のステレオカメラとして使用することで吊り下げられている荷物Ｗの位置情報を検出することができる。なお、荷物Ｗの位置情報の検出は、ミリ波レーダー、加速度センサ、ＧＮＳＳ等の荷物Ｗの位置情報を検出できるものであればよい。

【0019】

ブーム９は、荷物Ｗを吊り上げ可能な状態にメインワイヤロープ１４およびサブワイヤロープ１６を支持する可動支柱である。ブーム９は、複数のブーム部材から構成されている。ブーム９は、ベースブーム部材の基端が旋回台７の略中央に揺動可能に設けられている。ブーム９は、各ブーム部材をアクチュエータである図示しない伸縮用油圧シリンダで移動させることで軸方向に伸縮自在に構成されている。伸縮用油圧シリンダは、電磁比例切換弁である伸縮用バルブ２４（図２参照）によって伸縮操作される。

【0020】

ブーム９には、ジブ９ａおよびブームカメラ９ｂ（図２参照）が設けられている。また、ブーム９には、ブーム９の伸縮長さｌｂ（ｎ）を検出する伸縮用センサ２８と、ブーム９の先端を中心とする方位を検出する方位センサ２９（図２参照）と、起伏角度θｘ（図４参照）を検出する起伏用センサ３０（図２参照）が設けられている。

【0021】

メインフックブロック１０とサブフックブロック１１とは、荷物Ｗを吊る吊り具である。メインフックブロック１０には、メインワイヤロープ１４が巻き掛けられる複数のフックシーブと、荷物Ｗを吊るメインフック１０ａとが設けられている。サブフックブロック１１には、荷物Ｗを吊るサブフック１１ａが設けられている。

【0022】

起伏用油圧シリンダ１２は、ブーム９を起立および倒伏させ、ブーム９の姿勢を保持するアクチュエータである。起伏用油圧シリンダ１２は、シリンダ部の端部が旋回台７に揺動自在に連結され、ロッド部の端部がブーム９のベースブーム部材に揺動自在に連結されている。起伏用油圧シリンダ１２は、電磁比例切換弁である起伏用バルブ２５（図２参照）によって伸縮操作される。

【0023】

メインウインチ１３とサブウインチ１５とは、メインワイヤロープ１４とサブワイヤロープ１６との繰り入れ（巻き上げ）および繰り出し（巻き下げ）を行う巻回装置である。メインウインチ１３は、メインワイヤロープ１４が巻きつけられるメインドラムを有する。メインドラムは、アクチュエータである図示しないメイン用油圧モータの動力に基づいて回転する。サブウインチ１５は、サブワイヤロープ１６が巻きつけられるサブドラムを有する。サブドラムは、アクチュエータである図示しないサブ用油圧モータの動力に基づいて回転する。

【0024】

メイン用油圧モータは、電磁比例切換弁であるメイン用バルブ２６ｍ（図２参照）によって回転操作される。サブ用油圧モータは、電磁比例切換弁であるサブ用バルブ２６ｓ（図２参照）によって回転操作される。メインウインチ１３とサブウインチ１５とには、メインワイヤロープ１４とサブワイヤロープ１６の繰り出し量ｌ（ｎ）（図４参照）をそれぞれ検出する巻回用センサ３３（図２参照）が設けられている。

【0025】

キャビン１７は、筐体に覆われた操縦席である。キャビン１７は、旋回台７に搭載されている。キャビン１７には、車両２を走行操作するための操作具、クレーン装置６を操作するための旋回操作具１８、起伏操作具１９、伸縮操作具２０、メインドラム操作具２１ｍ、およびサブドラム操作具２１ｓ等が設けられている（図２参照）。

【0026】

キャビン１７には、荷物Ｗの移動方向と移動速さを入力する荷物移動操作部である荷物移動操作具３２（図２参照）が設けられている。荷物移動操作具３２は、水平面において荷物Ｗの移動方向と速さについての指示を入力する操作具である。荷物移動操作具３２は、操作スティックの傾倒方向とその傾倒量についての操作信号を制御装置３１（図２参照）に伝達するように構成されている。荷物移動操作具３２は、操作信号を荷物Ｗが目標とする移動速度を示す目標移動速度信号Ｖｄとして制御装置３１に伝達する。

【0027】

例えば、ブーム９の先端が北を向いている状態において荷物移動操作具３２が前方向に対して左方向に傾倒角度＝４５°の方向に任意の傾倒量だけ傾倒操作された場合、クレーン１は、北から傾倒角度＝４５°の方向である北西に、荷物移動操作具３２の傾倒量に応じた速さで荷物Ｗを移動させる。

【0028】

図２に示すように、制御装置３１は、各操作弁を介してクレーン装置６のアクチュエータを制御する制御装置３１である。制御装置３１は、実体的には、ＣＰＵ、ＲＯＭ、ＲＡＭ、およびＨＤＤ等がバスで接続される構成であってもよく、あるいはワンチップのＬＳＩ等からなる構成であってもよい。制御装置３１には、各アクチュエータ、切換えバルブ、およびセンサ等の動作を制御するために種々のプログラム、データが格納されている。

【0029】

制御装置３１は、旋回台カメラ７ｂ、ブームカメラ９ｂ、旋回操作具１８、起伏操作具１９、伸縮操作具２０、メインドラム操作具２１ｍおよびサブドラム操作具２１ｓに接続され、旋回台カメラ７ｂからの映像、ブームカメラ９ｂからの映像、を取得し、各操作具の操作量を取得することができる。

【0030】

制御装置３１は、旋回用バルブ２３、伸縮用バルブ２４、起伏用バルブ２５、メイン用バルブ２６ｍおよびサブ用バルブ２６ｓに接続され、各バルブに各アクチュエータを目標作動量まで作動させるための作動信号である目標作動信号Ｍｄ（図４参照）を伝達することができる。

【0031】

制御装置３１は、旋回用センサ２７、伸縮用センサ２８、ＧＮＳＳ方式の方位センサ２９、起伏用センサ３０および巻回用センサ３３に接続され、旋回台７の旋回角度θｚ、伸縮長さＬｂ、起伏角度θｘ、メインワイヤロープ１４またはサブワイヤロープ１６（以下、単に「ワイヤロープ」と記す）の繰り出し量ｌ（ｎ）および方位を取得することができる。なお、方位センサ２９は、旋回用センサ２７を流用してもよい。

【0032】

制御装置３１は、旋回操作具１８、起伏操作具１９、メインドラム操作具２１ｍおよびサブドラム操作具２１ｓの操作量に基づいて各操作具に対応した目標作動信号Ｍｄを生成する。

【0033】

制御装置３１は、方位センサ２９が取得したブーム９の先端の方位に基づいて、荷物Ｗを目標作動量まで作動させるための入力信号である目標軌道信号Ｐｄα（図３参照）を算出する。さらに、制御装置３１は、目標軌道信号Ｐｄαから荷物Ｗの目標位置である荷物Ｗの目標位置座標ｐ（ｎ＋１）を算出する。制御装置３１は、目標位置座標ｐ（ｎ＋１）に荷物Ｗを移動させる旋回用バルブ２３、伸縮用バルブ２４、起伏用バルブ２５、メイン用バルブ２６ｍおよびサブ用バルブ２６ｓの目標作動信号Ｍｄを生成する（図３参照）。

【0034】

このように構成されるクレーン１は、車両２を走行させることで任意の位置にクレーン装置６を移動させることができる。また、クレーン１は、各操作具によってブーム９を任意の起伏角度、伸縮長さにすることでクレーン装置６の揚程、作業半径を拡大することができる。また、クレーン１は、旋回台７とブーム９の操作によって荷物Ｗを搬送することができる。クレーン１は、荷物移動操作具３２の傾倒方向に向けて傾倒量に応じた速さで荷物Ｗを移動させる。

【0035】

＜逆動力学モデルによる制御構成＞
次に、図３と図４とを用いて、クレーン装置６の制御装置３１における目標作動信号Ｍｄを生成するための荷物Ｗの目標軌道信号Ｐｄα、およびブーム９の先端の目標位置座標ｑ（ｎ＋１）を算出する制御工程の一実施形態について説明する。図３は、本発明に係る制御装置３１の制御構成を示すブロック図である。図４は、本発明に係るクレーン１の逆動力学モデルを示す図である。

【0036】

図３に示すように、制御装置３１は、目標軌道算出部３１ａ、ブーム位置算出部３１ｂ、および作動信号生成部３１ｃを有している。また、制御装置３１は、旋回台７の前方の左右両側の一組の旋回台カメラ７ｂによって荷物Ｗの現在位置情報を取得することができる。（図２参照）。

【0037】

目標軌道算出部３１ａは、制御装置３１の一部であり、荷物Ｗが目標とする移動速度を示す目標移動速度信号Ｖｄを荷物Ｗの目標軌道信号Ｐｄαに変換する。荷物Ｗの目標軌道信号Ｐｄαは、荷物Ｗの移動方向および速さの情報を含む。目標軌道算出部３１ａは、荷物Ｗの示す目標移動速度信号Ｖｄを荷物移動操作具３２から単位時間ｔ毎に取得することができる。また、目標軌道算出部３１ａは、取得した目標移動速度信号Ｖｄを積分して単位時間ｔ毎の荷物Ｗのｘ軸方向、ｙ軸方向およびｚ軸方向の目標軌道信号Ｐｄαを算出することができる。ここで、添え字αは、ｘ軸方向、ｙ軸方向およびｚ軸方向のいずれかを表す符号である。

【0038】

ブーム位置算出部３１ｂは、制御装置３１の一部であり、ブーム９の姿勢情報と荷物Ｗの目標軌道信号Ｐｄαからブーム９の先端の位置座標を算出する。ブーム位置算出部３１ｂは、目標軌道算出部３１ａから目標軌道信号Ｐｄαを取得することができる。ブーム位置算出部３１ｂは、旋回用センサ２７から旋回台７の旋回角度θｚ（ｎ）を取得する。ブーム位置算出部３１ｂは、伸縮用センサ２８から伸縮長さｌｂ（ｎ）を取得する。ブーム位置算出部３１ｂは、起伏用センサ３０から起伏角度θｘ（ｎ）を取得する。ブーム位置算出部３１ｂは、巻回用センサ３３からメインワイヤロープ１４またはサブワイヤロープ１６（以下、単に「ワイヤロープ」と記す）の繰り出し量ｌ（ｎ）を取得する。ブーム位置算出部３１ｂは、旋回台カメラ７ｂが撮影した荷物Ｗの画像から荷物Ｗの現在位置情報を取得する（図２参照）。

【0039】

ブーム位置算出部３１ｂは、取得した荷物Ｗの現在位置情報から荷物Ｗの現在位置座標ｐ（ｎ）を算出する。ブーム位置算出部３１ｂは、取得した旋回角度θｚ（ｎ）、伸縮長さｌｂ（ｎ）、および起伏角度θｘ（ｎ）からブーム９の先端の現在位置であるブーム９の先端（ワイヤロープの繰り出し位置）の現在位置座標ｑ（ｎ）（以下、単に「ブーム９の現在位置座標ｑ（ｎ）」と記す）を算出する。また、ブーム位置算出部３１ｂは、荷物Ｗの現在位置座標ｐ（ｎ）とブーム９の現在位置座標ｑ（ｎ）とからワイヤロープの繰り出し量ｌ（ｎ）を算出する。また、ブーム位置算出部３１ｂは、目標軌道信号Ｐｄαから単位時間ｔ経過後の荷物Ｗの位置である荷物Ｗの目標位置座標ｐ（ｎ＋１）を算出する。さらに、ブーム位置算出部３１ｂは、荷物Ｗの現在位置座標ｐ（ｎ）と荷物Ｗの目標位置座標ｐ（ｎ＋１）とから荷物Ｗが吊り下げられているワイヤロープの方向ベクトルｅ（ｎ＋１）を算出する。ブーム位置算出部３１ｂは、逆動力学モデルを用いて荷物Ｗの目標位置座標ｐ（ｎ＋１）と、ワイヤロープの方向ベクトルｅ（ｎ＋１）とから単位時間ｔ経過後のブーム９の先端の位置であるブーム９の目標位置座標ｑ（ｎ＋１）を算出する（図４参照）。

【0040】

作動信号生成部３１ｃは、制御装置３１の一部であり、単位時間ｔ経過後のブーム９を目標位置座標ｑ（ｎ＋１）に移動させるための各アクチュエータの目標作動信号Ｍｄ等を生成する。作動信号生成部３１ｃは、ブーム位置算出部３１ｂからブーム９の現在位置座標ｑ（ｎ）、単位時間ｔ経過後の荷物Ｗの目標位置座標ｐ（ｎ＋１）およびブーム９の目標位置座標ｑ（ｎ＋１）を取得する。作動信号生成部３１ｃは、ブーム９の現在位置座標ｑ（ｎ）、ブーム９の目標位置座標ｑ（ｎ＋１）および荷物Ｗの目標位置座標ｐ（ｎ＋１）から旋回用バルブ２３、伸縮用バルブ２４、起伏用バルブ２５、メイン用バルブ２６ｍまたはサブ用バルブ２６ｓの目標作動信号Ｍｄを生成するように構成されている。作動信号生成部３１ｃは、生成した目標作動信号Ｍｄをクレーン１の各アクチュエータに送信する（図４参照）。

【0041】

次に、図４を用いて、クレーン１の逆動力学モデルについて説明する。図４に示すように、制御装置３１は、荷物Ｗの現在位置座標ｐ（ｎ）、ブーム９の現在位置座標ｑ（ｎ）および単位時間ｔ経過後の荷物Ｗの目標位置座標ｐ（ｎ＋１）からブーム９の先端の目標位置座標ｑ（ｎ＋１）を算出するためのクレーン１の逆動力学モデルを有している。逆動力学モデルは、ＸＹＺ座標系に定義され、原点Ｏをクレーン１の旋回中心とする。制御装置３１は、逆動力学モデルにおいて、ｑ、ｐ、ｌｂ、θｘ、θｚ、ｌ、ｆおよびｅをそれぞれ定義する。ｑは、ブーム９の先端の現在位置座標ｑ（ｎ）を示し、ｐは、荷物Ｗの現在位置座標ｐ（ｎ）を示す。ｌｂは、ブーム９の伸縮長さｌｂ（ｎ）示し、θｘは、起伏角度θｘ（ｎ）を示し、θｚは、旋回角度θｚ（ｎ）を示す。ｌは、ワイヤロープの繰り出し量ｌ（ｎ）を示し、ｆはワイヤロープの張力ｆを示し、ｅは、ワイヤロープの方向ベクトルｅ（ｎ）を示す。

【0042】

このように定まる逆動力学モデルにおいてブーム９の先端の目標位置ｑと荷物Ｗの目標位置ｐとの関係が、荷物Ｗの目標位置ｐと荷物Ｗの質量ｍとワイヤロープのばね定数ｋｆとから式（２）によって表され、ブーム９の先端の目標位置ｑが、荷物Ｗの時間の関数である式（３）によって算出される。

【数2】

【数3】

ｆ：ワイヤロープの張力、ｋｆ：ばね定数、ｍ：荷物Ｗの質量、ｑ：ブーム９の先端の現在位置または目標位置、ｐ：荷物Ｗの現在位置または目標位置、ｌ：ワイヤロープの繰出し量、ｅ：方向ベクトル、ｇ：重力加速度

【0043】

ワイヤロープの繰り出し量ｌ（ｎ）は、以下の式（４）から算出される。ワイヤロープの繰り出し量ｌ（ｎ）は、ブーム９の先端位置であるブーム９の現在位置座標ｑ（ｎ）と荷物Ｗの位置である荷物Ｗの現在位置座標ｐ（ｎ）の距離で定義される。

【0044】

【数4】

【0045】

ワイヤロープの方向ベクトルｅ（ｎ）は、以下の式（５）から算出される。ワイヤロープの方向ベクトルｅ（ｎ）は、ワイヤロープの張力ｆ（式（２）参照）の単位長さのベクトルである。ワイヤロープの張力ｆは、荷物Ｗの現在位置座標ｐ（ｎ）と単位時間ｔ経過後の荷物Ｗの目標位置座標ｐ（ｎ＋１）から算出される荷物Ｗの加速度から重力加速度を減算して算出される。

【0046】

【数5】

【0047】

単位時間ｔ経過後のブーム９の先端の目標位置であるブーム９の目標位置座標ｑ（ｎ＋１）は、式（２）をｎの関数で表した式（６）から算出される。ここで、αは、ブーム９の旋回角度θｚ（ｎ）を示している。ブーム９の目標位置座標ｑ（ｎ＋１）は、逆動力学を用いてワイヤロープの繰り出し量ｌ（ｎ）と荷物Ｗの目標位置座標ｐ（ｎ＋１）と方向ベクトルｅ（ｎ＋１）とから算出される。

【0048】

【数6】

【0049】

なお、本実施形態において、制御装置３１は、好ましい実施形態の一つとして荷物Ｗの目標軌道信号Ｐｄα、およびブーム９の先端の目標位置座標ｑ（ｎ＋１）を算出するために逆動力学モデルを用いている。しかしながら、制御装置３１は、荷物移動操作具３２の操作信号から各アクチュエータの入力量を算出する順動力学に基づいた制御でもよい。

【0050】

＜故障予兆検出システムによる制御構成＞
次に、図５と図６とを用いて、本発明の第１実施形態である故障予兆検出システム３７を含む制御システム３４による目標作動信号Ｍｄの生成について説明する。図５は、本発明に係る第１実施形態における制御システムの制御構成を示すブロック図である。図６は、本発明に係る第１実施形態における制御システムの他の制御構成を示すブロック図である。

【0051】

制御システム３４は、荷物移動操作具３２、旋回用センサ２７、起伏用センサ３０、伸縮用センサ２８、旋回台カメラ７ｂ（図２参照）、制御装置３１に含まれる目標値フィルタ３５、目標作動量算出部３６および故障予兆検出システム３７を含む。制御システム３４は、各センサ、制御装置３１の目標軌道算出部３１ａ、ブーム位置算出部３１ｂおよび作動信号生成部３１ｃが協働することにより目標作動信号Ｍｄ生成している。

【0052】

図５に示すように、制御装置３１の目標軌道算出部３１ａにおいて構成される目標値フィルタ３５は、所定の周波数以上の周波数を減衰させる。目標値フィルタ３５には、荷物Ｗの目標位置までの制御信号である目標移動位置信号Ｐｄが入力される。目標移動位置信号Ｐｄは、荷物移動操作具３２からの目標移動速度信号Ｖｄを目標軌道算出部３１ａに含まれる積分器３２ａによって変換されたものである。目標値フィルタ３５は、目標移動位置信号Ｐｄから荷物Ｗの目標軌道信号Ｐｄαを算出する。目標値フィルタ３５が適用されることにより、その後の微分操作による特異点（急激な位置変動）の発生が抑制される。

【0053】

目標値フィルタ３５は、式（１）の伝達関数Ｇ（ｓ）からなる。伝達関数Ｇ（ｓ）は、Ｔ_１、Ｔ_２、Ｔ_３、Ｔ_４、Ｃ_１、Ｃ_２、Ｃ_３、Ｃ_４を係数、ｓを微分要素として部分分数分解した形式で表現している。式（１）の伝達関数Ｇ（ｓ）は、ｘ軸、ｙ軸およびｚ軸毎に設定されている。このように、伝達関数Ｇ（ｓ）は、１次遅れの伝達関数を重ね合わせたものとして表現することができる。目標値フィルタ３５は、荷物Ｗの目標移動位置信号Ｐｄに伝達関数Ｇ（ｓ）を乗算することで、目標移動位置信号Ｐｄを目標軌道信号Ｐｄαに変換する。

【0054】

【数1】

【0055】

制御装置３１のブーム位置算出部３１ｂおよび作動信号生成部３１ｃにおいて構成される目標作動量算出部３６は、クレーン１の姿勢情報、荷物Ｗの現在位置情報および荷物Ｗの目標軌道信号Ｐｄαから各アクチュエータを目標作動量まで作動させるための信号である目標作動信号Ｍｄを生成する。目標作動量算出部３６は、上述の逆動力学モデルを有する。目標作動量算出部３６は、目標値フィルタ３５に直列に接合されている。目標作動量算出部３６は、逆動力学モデルを用いて目標値フィルタ３５が算出した目標軌道信号ＰＤα、荷物Ｗの現在位置情報から算出した荷物Ｗの現在位置座標ｐ（ｎ）および各センサから取得したクレーン１の姿勢情報（旋回角度θｚ（ｎ）、伸縮長さｌｂ（ｎ）、起伏角度θｘ（ｎ）、繰り出し量ｌ（ｎ））から逆動力学モデルを用いて単位時間ｔ経過後のブーム９の目標位置座標ｑ（ｎ＋１）を算出する（図４参照）。次に、目標作動量算出部３６は、算出した目標位置座標ｑ（ｎ＋１）から各アクチュエータの目標作動信号Ｍｄを生成する。目標作動量算出部３６は、生成した目標作動信号Ｍｄを各アクチュエータに送信する。

【0056】

故障予兆検出システム３７は、クレーン１の各アクチュエータの故障の予兆を検出するシステムである。故障予兆検出システム３７は、制御装置３１の作動信号生成部３１ｃにおいて構成されている。故障予兆検出システム３７は、物理モデル部３８、学習モデル部４０および故障予測部４２から構成される。

【0057】

物理モデル部３８は、理想状態のクレーン１において目標作動信号Ｍｄに対する各アクチュエータの作動量である理想出力信号Ｍｄｉを生成する。理想状態のクレーン１とは、クレーン１の各アクチュエータ、可動部分、構造体、電気系統、制御装置等の全てに不具合がなく正常に動作可能な状態のクレーン１を意味する。物理モデル部３８は、例えばクレーン１が有する少なくとも一つのアクチュエータの特性を示す少なくとも一つのモデル伝達関数を含む複数の特性をｎ個のサブシステムで表した物理モデルである逆動力学モデル３９を有している。逆動力学モデル３９は、理想状態のクレーン１の特性を有する物理モデルとして構成されている。つまり、逆動力学モデル３９は、クレーン１のアクチュエータの正常時の特性を数理的に表した物理モデルである。物理モデル部３８は、逆動力学モデル３９を用いて、荷物Ｗの目標作動信号Ｍｄから各アクチュエータの理想出力信号Ｍｄｉを生成する。クレーン１の特性とは、クレーン１を構成する少なくとも一つのアクチュエータの特性を含む。また、クレーン１の特性には、クレーン１を構成する少なくとも一つのアクチュエータの特性だけでなく、クレーン１を構成する構造体の剛性、摩擦等の特性を含んでいてもよい。

【0058】

物理モデル部３８は、目標作動量算出部３６の下流側に並列に接続されている。物理モデル部３８は、目標作動量算出部３６が生成した目標作動信号Ｍｄを取得することができる。つまり、物理モデル部３８は、制御装置３１が生成した入力信号である目標作動信号Ｍｄを取得することができる。また、物理モデル部３８は、学習モデル部４０に接続されている。物理モデル部３８は、学習モデル部４０から後述する補正信号Ｍｄｃを取得することができる。

【0059】

物理モデル部３８の逆動力学モデル３９は、それぞれクレーン１の特性を表すモデル伝達関数を含む複数の第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３・・・第ｎサブシステムＳＭｎが並列に結合されている。逆動力学モデル３９の第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３_・・・および第ｎサブシステムＳＭｎは、理想状態のクレーン１の特性を表している。つまり、逆動力学モデル３９は、理想状態のクレーン１の特性を表している。物理モデル部３８は、目標作動信号Ｍｄと補正信号Ｍｄｃとを加えわせた信号に対する逆動力学モデル３９の出力信号である理想出力信号Ｍｄｉを生成する。なお、本実施形態において、理想状態のクレーン１の特性を表すモデルは、逆動力学モデル３９から構成されているが、２次の伝達関数等で表現されていてもよい。

【0060】

物理モデル部３８は、目標作動量算出部３６から取得した目標作動信号Ｍｄ、荷物Ｗの現在位置情報から算出した荷物Ｗの現在位置座標ｐ（ｎ）および各センサから取得したクレーン１の姿勢情報（旋回角度θｚ（ｎ）、伸縮長さｌｂ（ｎ）、起伏角度θｘ（ｎ）、繰り出し量ｌ（ｎ））から逆動力学モデル３９を用いて単位時間ｔ経過後のブーム９の目標位置座標ｑ（ｎ＋１）を算出する（図３、図４参照）。次に、物理モデル部３８は、算出した目標位置座標ｑ（ｎ＋１）から各アクチュエータの理想出力信号Ｍｄｉを生成する。物理モデル部３８は、生成した理想出力信号Ｍｄｉを学習モデル部４０に送信する。

【0061】

学習モデル部４０は、物理モデル部３８の出力とアクチュエータの出力との差分に基づいて重み係数を調整することによりアクチュエータの特性を学習する学習モデル（後述の学習型逆動力学モデル４１）を有する。また、学習モデル部４０は、学習モデル（学習型逆動力学モデル４１）の出力に基づいて物理モデル部３８への入力を補正する。

【0062】

具体的には、学習モデル部４０は、理想状態のクレーン１に対する現在のクレーン１の状態を検出する。学習モデル部４０は、例えばクレーン１が有する少なくとも一つのアクチュエータの特性を示す少なくとも一つのモデル伝達関数を含む複数の特性をｎ個のサブシステムで表した学習モデルである学習型逆動力学モデル４１を有している。モデル伝達関数にはそれぞれ、後述の重み係数が設定されている。学習型逆動力学モデル４１は、現在のクレーン１が有する少なくとも一つのアクチュエータの特性に近似可能な学習型モデルとして構成されている。学習モデル部４０は、学習型逆動力学モデル４１を用いて、クレーン１の実出力信号Ｍｄｒと理想出力信号Ｍｄｉとの差分を縮小させるように学習型逆動力学モデル４１を学習させる。また、学習モデル部４０は、学習型逆動力学モデル４１を用いて各アクチュエータの出力を算出する。更に、学習モデル部４０は、各アクチュエータの出力を逆伝達関数４０ａによって各アクチュエータの入力信号に変換し、目標作動信号Ｍｄを補正する補正信号Ｍｄｃとして出力する。つまり、学習モデル部４０は、出力を入力に変換する逆システムとして機能している。

【0063】

学習モデル部４０は、目標作動量算出部３６の下流側に並列に接続されている。学習モデル部４０は、目標作動量算出部３６が生成した目標作動信号Ｍｄを取得する。つまり、学習モデル部４０は、制御装置３１が生成した入力信号である目標作動信号Ｍｄを取得する。また、学習モデル部４０は、物理モデル部３８に接続されている。学習モデル部４０は、物理モデル部３８から理想出力信号Ｍｄｉを取得する。また、学習モデル部４０は、クレーン１の各センサに接続されている。学習モデル部４０は、クレーン１の各センサから実出力信号Ｍｄｒを取得する。

【0064】

学習型逆動力学モデル４１は、複数の第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３・・・第ｎサブシステムＳＭｎが並列に結合されている。学習型逆動力学モデル４１は、第１サブシステムＳＭ１に重み係数ｗ_１、第２サブシステムＳＭ２に重み係数ｗ_２、第３サブシステムＳＭ３に重み係数ｗ_３・・・および第ｎサブシステムＳＭｎに重み係数ｗ_ｎが設定されている。学習型逆動力学モデル４１は、学習型逆動力学モデル４１の入力信号である目標作動信号Ｍｄを第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３_・・・および第ｎサブシステムＳＭｎに入力する。更に、学習型逆動力学モデル４１は、第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３_・・・および第ｎサブシステムＳＭｎよって算出された出力信号に第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３_・・・および第ｎサブシステムＳＭｎ毎の重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを乗算する。

【0065】

学習モデル部４０は、取得した理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分が減少するように各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを調整する。学習モデル部４０は、例えば取得した理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分がゼロになるように各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを調整する。このように構成することで、学習モデル部４０は、経年変化等によって変化したクレーン１が有する少なくとも一つのアクチュエータの特性を有する学習型逆動力学モデル４１を習得することができる。また、学習モデル部４０は、理想状態のクレーン１が有する少なくとも一つのアクチュエータの特性に対する現実のクレーン１が有する少なくとも一つのアクチュエータの特性の差異を重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの変化量で示すことができる。

【0066】

学習モデル部４０は、目標作動量算出部３６から取得した目標作動信号Ｍｄを取得する。学習モデル部４０は、物理モデル部３８から理想出力信号Ｍｄｉを取得する。また、学習モデル部４０は、クレーン１の各センサから実出力信号Ｍｄｒを取得する。学習モデル部４０は、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分に基づいて、各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを調整する。

【0067】

このように学習型逆動力学モデル４１は、物理的な特性が明確な複数のサブシステムから構成されている。また、学習型逆動力学モデル４１は、複数のサブシステムからの出力にそれぞれ重み係数を掛けることで１層のニューラルネットワークとみなすことができる。学習型逆動力学モデル４１は、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分に基づいて重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを独立して調整することで、第１サブシステムＳＭ１、第２サブシステムＳＭ２、第３サブシステムＳＭ３・・・第ｎサブシステムＳＭｎの物理的な特性を実際のクレーン１が有する少なくとも一つのアクチュエータの特性に近似させることができる。

【0068】

また、制御システム３４は、目標作動量算出部３６に入力される目標軌道信号ＰＤαを４次のローパスフィルタである目標値フィルタ３５を介して生成しているので目標軌道信号Ｐｄαにおける特異点の発生が抑制されている。従って、制御システム３４は、特異点が抑制された目標軌道信号Ｐｄαから目標作動量算出部３６が生成した目標作動信号Ｍｄを学習型逆動力学モデル４１に入力することで、学習型逆動力学モデル４１の学習の収束が促進される。これにより、制御システム３４は、荷物Ｗを基準として各アクチュエータを制御する際に、荷物Ｗの揺れを抑制しつつ操縦者の意図に沿った態様で荷物Ｗを移動させることができる。

【0069】

なお、本実施形態において、制御システム３４は、学習型逆動力学モデル４１に入力される目標軌道信号Ｐｄαを４次のローパスフィルタである目標値フィルタ３５を介して生成している。しかしながら、制御システム３４は、学習型逆動力学モデル４１に含まれる微分要素が発散し、学習型逆動力学モデル４１による学習が不安定化しないローパスフィルタを有していればよい。制御システム３４は、例えば、１次以上のローパスフィルタとして構成される伝達関数を有していればよい。

【0070】

学習モデル部４０は、目標作動量算出部３６から取得した目標作動信号Ｍｄ、荷物Ｗの現在位置情報から算出した荷物Ｗの現在位置座標ｐ（ｎ）および各センサから取得したクレーン１の姿勢情報（旋回角度θｚ（ｎ）、伸縮長さｌｂ（ｎ）、起伏角度θｘ（ｎ）、繰り出し量ｌ（ｎ））から学習型逆動力学モデル４１を用いて単位時間ｔ経過後のブーム９の目標位置座標ｑ（ｎ＋１）を算出する（図３、図４参照）。次に、学習モデル部４０は、算出した目標位置座標ｑ（ｎ＋１）から目標作動信号Ｍｄを補正する補正信号Ｍｄｃを生成する。学習モデル部４０は、生成した補正信号Ｍｄｃを物理モデル部３８が取得する目標作動量算出部３６に加え合わせる。

【0071】

故障予測部４２は、クレーン１の各アクチュエータの故障の予兆を検出する。故障予測部４２は、クレーン１の稼働時間、アクチュエータ毎の稼働時間等を取得する。故障予測部４２は、学習モデル部４０に接続されている。故障予測部４２は、学習モデル部４０が有する学習型逆動力学モデル４１から各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを単位時間ｔ毎に取得する。故障予測部４２は、取得した各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを記録する。つまり、制御システム３４は、制御装置３１の図示しない記憶装置よって各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを単位時間ｔ毎に継続して記録している。故障予測部４２は、各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの値、値の変化の度合い、変化の傾向等から故障部位、故障原因および故障時期を予測するためのデータベースＤを有している。データベースＤは、アクチュエータの故障の予兆を判定するための基準となる情報である故障判定情報を格納している。故障予測部４２は、取得した各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの値、値の変化の度合い、変化の傾向等から故障の予兆が含まれるか否かを判断する。つまり、故障予測部４２は、学習モデル部４０から取得した重み係数とデータベースＤに格納された故障判定情報とを比較することにより、アクチュエータの故障の予兆の有無を判定する。また、故障予測部４２は、故障部位、故障原因および故障時期を予測する。

【0072】

このように構成される制御システム３４は、荷物移動操作具３２から取得した目標移動速度信号Ｖｄを積分器３２ａによって荷物Ｗの目標移動位置信号Ｐｄに変換する。制御システム３４は、変換した目標移動位置信号Ｐｄを目標値フィルタ３５によって荷物Ｗの目標軌道信号Ｐｄαに変換する。制御システム３４は、変換した目標軌道信号Ｐｄαから目標作動量算出部３６によって目標作動信号Ｍｄを生成する。制御システム３４は、生成した目標作動信号Ｍｄを各アクチュエータに送信する。また、制御システム３４は、変換した目標作動信号Ｍｄを故障予兆検出システム３７の物理モデル部３８および学習モデル部４０に送信する。

【0073】

物理モデル部３８は、取得した目標作動信号Ｍｄから各アクチュエータの理想出力信号Ｍｄｉを生成する。学習モデル部４０は、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとを取得し、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分に基づいて各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを調整する。さらに、学習モデル部４０は、目標作動信号Ｍｄを補正する補正信号Ｍｄｃを生成する。学習モデル部４０は、生成した補正信号Ｍｄｃを物理モデル部３８に送信される目標作動信号Ｍｄに加算する。つまり、学習モデル部４０は、学習型逆動力学モデル４１によって生成された補正信号Ｍｄｃによって理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分がゼロになるように目標作動信号Ｍｄを補正する。

【0074】

学習モデル部４０は、実出力信号Ｍｄｒに物理モデル部３８が出力する理想出力信号Ｍｄｉが近似するように学習型逆動力学モデル４１の各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを調整する。つまり、学習型逆動力学モデル４１は、理想状態のクレーン１を基準として各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを変化させることによって、経年変化等によって変化した実際のクレーン１の特性を学習する。

【0075】

故障予兆検出システム３７の故障予測部４２は、学習モデル部４０から単位時間ｔ毎に各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを取得し、記録する。故障予測部４２は、既に記録している各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎとの比較において、重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの値、値の変化の度合い、変化の傾向から故障の予兆が含まれるか否かをデータベースＤに基づいて判断する。故障予測部４２は、故障の予兆が含まれると判断した場合、故障部位、故障原因および故障時期等を予測する。また、故障予測部４２は、故障の予兆がある部品についてのメンテナンス時期を決定する。

【0076】

故障予測部４２は、例えば、第ｎサブシステムＳＭｎの重み係数ｗ_ｎの時系列の変化の度合い、変化の傾向が通常の経年変化による変動の範囲から外れている場合、第ｎサブシステムＳＭｎによって示されるアクチュエータに故障の予兆が含まれると判断する。また、故障予測部４２は、重み係数ｗ_ｎの時系列の変化の度合い、変化の傾向から故障原因、故障時期を予測する。故障予測部４２は、経年変化による通常の劣化具合と予測した故障時期とに基づいてクレーン１の稼働状態に影響が出ない時期且つメンテナンスコストが最も低くなる時期をメンテナンス時期として決定する。故障予測部４２は、このような決定を行うための基準となる情報をデータベースＤに記憶していてもよい。故障予測部４２は、故障に関する情報およびメンテナンスに関する情報を操縦者等に報知する。

【0077】

このように構成される故障予兆検出システム３７は、故障予測部４２によって各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの変化から各アクチュエータの故障の予兆を検出する。故障予兆検出システム３７は、各重み係数の遷移から故障の予兆を検出する。つまり、故障予兆検出システム３７は、クレーン１の作動中に様々な作動条件での各アクチュエータの作動状態の変化を単位時間ｔ毎に取得する各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを通じて継続して検出している。これにより、故障予兆検出システム３７は、クレーン１の作動状態に影響されることなく、故障の予兆を検出することができる。

【0078】

また、故障予兆検出システム３７は、サブモデル毎に重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎが設定された学習型逆動力学モデル４１を有している。故障予兆検出システム３７は、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分に応じて各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎが調整されたクレーン１の学習型逆動力学モデル４１によって各アクチュエータの補正信号Ｍｄｃが算出される。つまり、故障予兆検出システム３７は、理想状態のクレーン１を基準として学習型逆動力学モデル４１によって各アクチュエータの作動量を算出しつつ、クレーン１の各アクチュエータの特性を学習する。これにより、故障予兆検出システム３７は、クレーン１の作動状態に影響されることなく、故障の予兆を検出することができる。

【0079】

また、故障予兆検出システム３７を含む制御システム３４は、クレーン１の特性を学習することによって、ロバスト性の高い制御が可能になる。制御システム３４は、クレーン１の特性変化による荷物Ｗの揺れを抑制しつつ操縦者の意図に沿った態様で荷物Ｗを移動させることができる。

【0080】

また、故障予兆検出システム３７は、各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを単位時間ｔ毎に制御装置３１内において記録するので、クレーン１の作動中において、様々な作動条件での各アクチュエータの作動状態の変化を各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの変化として継続的に蓄積している。故障予兆検出システム３７は、各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの変化の傾向、変化の度合い等が通常の傾向の範囲と異なる変化の傾向を示し、または通常の変化の度合いの範囲を超えた変化の度合いである場合、故障の予兆を含むと判断し、故障部位、故障原因、故障時期等を予測する。これにより、故障予兆検出システム３７は、クレーン１の作動状態に影響されることなく、蓄積した各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの情報から故障の予兆を検出することができる。

【0081】

故障予兆検出システム３７を備えるクレーン１は、様々な作動条件における各アクチュエータの作動状態の変化を、学習モデル部４０の各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを通じて継続して検出している。これにより、クレーン１は、故障予兆検出システム３７によって作動状態に影響されることなく、故障の予兆を検出することができる。

【0082】

＜第１実施形態における他の実施形態＞
なお、第１実施形態において、制御システム３４は、目標軌道信号Ｐｄαから目標作動量算出部３６によって生成した目標作動信号Ｍｄによって各アクチュエータを制御する。しかしながら、制御システム３４は、目標作動信号Ｍｄをフィードバック制御部４３、フィードフォワード制御部４５等によって補正する構成でもよい。

【0083】

図６に示すように、制御システム３４は、フィードバック制御部４３、フィードフォワード制御部４５を更に備える。

【0084】

フィードバック制御部４３は、目標作動信号Ｍｄと実出力信号Ｍｄｒの差分に基づいて、各アクチュエータのフィードバック補正信号Ｍｄ１を生成する。フィードバック制御部４３は、目標作動信号Ｍｄを補正するフィードバック制御器４４を有する。フィードバック制御器４４は、目標作動量算出部３６に直列に接続されている。

【0085】

フィードバック制御部４３は、目標作動量算出部３６から荷物Ｗの目標作動信号Ｍｄを取得する。また、フィードバック制御部４３は、クレーン１の各センサから実出力信号Ｍｄｒを取得する。フィードバック制御部４３は、取得した目標作動信号Ｍｄに取得した実出力信号Ｍｄｒをフィードバック（ネガティブフィードバック）する。フィードバック制御部４３は、目標作動信号Ｍｄに対する実出力信号Ｍｄｒの差分に基づいてフィードバック制御器４４によって目標作動信号Ｍｄを補正し、フィードバック補正信号Ｍｄ１を算出する。

【0086】

フィードフォワード制御部４５は、目標軌道信号Ｐｄαから各アクチュエータのフィードフォワード補正信号Ｍｄ２を生成する。フィードフォワード制御部４５は、目標作動信号Ｍｄを補正するフィードフォワード制御器４６を有する。。フィードフォワード制御器４６は、フィードバック制御器４４と並列に接続されている。

【0087】

フィードフォワード制御部４５は、目標値フィルタ３５から取得した目標軌道信号Ｐｄαからフィードフォワード制御器４６によって各アクチュエータのフィードフォワード補正信号Ｍｄ２を生成する。フィードフォワード制御部４５は、生成したフィードフォワード補正信号Ｍｄ２をフィードバック補正信号Ｍｄ１に加算する。

【0088】

制御システム３４は、フィードバック制御部４３が算出したフィードバック補正信号Ｍｄ１とフィードフォワード制御部４５が算出したフィードフォワード補正信号Ｍｄ２とをクレーン１の各アクチュエータに送信する。制御システム３４は、フィードバック補正信号Ｍｄ１とフィードフォワード補正信号Ｍｄ２とを各アクチュエータに送信後、クレーン１の各センサが検出した実出力信号Ｍｄｒをフィードバック制御部４３によって目標作動信号Ｍｄに減算する。

【0089】

［実施形態２］
次に、図７を用いて、本発明の第２実施形態に係るクレーン１Ａについて説明する。図７は、本発明に係る第２実施形態における制御システムの制御構成を示すブロック図である。なお、以下の実施形態に係るクレーン１Ａは、図１から図６に示すクレーン１が適用されるものとして、その説明で用いた名称、図番、符号を用いることで、同じものを指す。よって、以下の実施形態において、既に説明した実施形態と同様の点に関してはその具体的説明を省略し、相違する部分を中心に説明する。

【0090】

図７に示すように、クレーン１Ａの故障予兆検出システム４８を含む制御システム４７は、荷物移動操作具３２、旋回用センサ２７、起伏用センサ３０、伸縮用センサ２８、旋回台カメラ７ｂ（図２参照）、制御装置３１に含まれる目標値フィルタ３５、目標作動量算出部３６および故障予兆検出システム４８を含む。制御システム４７は、制御装置３１の目標軌道算出部３１ａ、ブーム位置算出部３１ｂおよび作動信号生成部３１ｃが協働することにより目標作動信号Ｍｄ生成している。

【0091】

故障予兆検出システム４８の学習モデル部４０は、目標作動量算出部３６の下流側に接続されている。学習モデル部４０は、生成した補正信号Ｍｄｃを物理モデル部３８が取得する目標作動信号Ｍｄに加え合わせることが可能である。また、学習モデル部４０は、目標作動量算出部３６から各アクチュエータに入力される目標作動信号Ｍｄに補正信号Ｍｄｃを加え合わせることが可能である。つまり、学習モデル部４０は、生成した補正信号Ｍｄｃを物理モデル部３８だけでなくクレーン１Ａの入力信号である目標作動信号Ｍｄに加え合わせることでクレーン１Ａを制御している。

【0092】

上述のように、故障予兆検出システム４８は、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分を縮小させるために算出した補正信号Ｍｄｃを各アクチュエータに入力される入力信号である目標作動信号Ｍｄに加え合わせる。このように構成することで、故障予兆検出システム４８は、クレーン１Ａの各アクチュエータを制御する制御装置としての機能を有する。つまり、故障予兆検出システム４８は、算出した補正信号Ｍｄｃによって目標作動信号Ｍｄを補正することでクレーン１Ａの実出力信号Ｍｄｒを理想状態のクレーン１Ａの理想出力信号Ｍｄｉに近似させつつ、学習モデル部４０の学習型逆動力学モデル４１の各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの変化から各アクチュエータの故障の予兆を検出する。これにより、故障予兆検出システム４８は、クレーン１Ａの作動状態を正常に保ちながら、故障の予兆を検出することができる。

【0093】

［実施形態３］
次に、図８を用いて、本発明の第３実施形態に係るクレーン１Ｂについて説明する。図８は、本発明に係る第３実施形態における制御システムの制御構成を示すブロック図である。

【0094】

図８に示すように、クレーン１Ｂの故障予兆検出システム５０を含む制御システム４９は、荷物移動操作具３２、旋回用センサ２７、起伏用センサ３０、伸縮用センサ２８、旋回台カメラ７ｂ（図２参照）、制御装置３１に含まれる目標値フィルタ３５、目標作動量算出部３６、フィードバック制御部４３、フィードフォワード制御部４５および故障予兆検出システム５０を含む。制御システム４９は、制御装置３１の目標軌道算出部３１ａ、ブーム位置算出部３１ｂおよび作動信号生成部３１ｃが協働することにより目標作動信号Ｍｄ生成している。

【0095】

制御システム４９は、フィードフォワード制御部４５のフィードフォワード制御器４６を重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎがそれぞれ割り当てられた複数の第ｎサブシステムＳＭｎを有する学習型逆動力学モデルとして構成されている。この場合、制御システム４９は、フィードフォワード制御部４５が故障予兆検出システム４８の学習モデル部としても機能する。フィードフォワード制御部４５は、フィードバック制御器４４から取得したフィードバック補正信号Ｍｄ１を取得する。フィードフォワード制御部４５は、物理モデル部３８から理想出力信号Ｍｄｉを取得する。また、フィードフォワード制御部４５は、クレーン１の各センサから実出力信号Ｍｄｒを取得する。フィードフォワード制御部４５は、理想出力信号Ｍｄｉと実出力信号Ｍｄｒとの差分に基づいて、各サブシステムの重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを調整する。フィードフォワード制御部４５は、単位時間ｔ毎に重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを故障予兆検出システム４８の故障予測部４２に送信する。

【0096】

また、フィードフォワード制御部４５は、フィードフォワード制御器４６を用いて各アクチュエータの出力を算出する。更に、フィードフォワード制御部４５は、各アクチュエータの出力を逆伝達関数４５ａによって各アクチュエータの入力信号に変換し、フィードバック補正信号Ｍｄ１を補正する補正信号としてフィードフォワード補正信号Ｍｄ２を出力する。また、フィードフォワード制御部４５は、物理モデル部３８にフィードフォワード補正信号Ｍｄ２を送信する。これにより、故障予兆検出システム４８は、フィードフォワード制御部４５を利用して故障の予兆を検出することができる。

【0097】

＜その他の実施形態＞
以上、本発明の実施の形態を説明したが、上述した実施の形態は本発明を実施するための例示に過ぎない。よって、上述した実施の形態に限定されることなく、その趣旨を逸脱しない範囲内で上述した実施の形態を適宜変形して実施することが可能である。

【0098】

故障予兆検出システム３７・４８・５０の故障予測部４２は、取得した各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを制御装置３１において単位時間ｔ毎に記録している。しかしながら、故障予兆検出システム３７・４８・５０は、外部のサーバーに無線等を介して送信してもよい。この場合、故障予測部４２は、取得した各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎを一定期間分まとめて、または単位時間ｔ毎にサーバーに送信するように構成されている。また、故障予測部４２は、サーバーから故障の予兆に関する情報を取得するように構成してもよい。このように構成することで、故障予測部４２は、サーバーに蓄積された複数のクレーン１の各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎに基づいて故障の予兆の有無の検出、故障部位、故障時期等を判断することができる。これにより、故障予兆検出システム４８は、クレーン１の作動状態に影響されることなく、蓄積した多数のクレーン１の各重み係数ｗ_１、ｗ_２、ｗ_３・・・およびｗ_ｎの情報から故障の予兆をより精度よく検出することができる。

【0099】

故障予兆検出システム３７・４８・５０は、クレーン１、１Ａ、１Ｂの制御装置３１に含まれている。しかしながら、故障予兆検出システム３７・４８・５０は、クレーン１、１Ａ、１Ｂを遠隔操作可能な携帯端末に設けられていてもよい。

【0100】

上述の実施形態は、代表的な形態を示したに過ぎず、一実施形態の骨子を逸脱しない範囲で種々変形して実施することができる。さらに種々なる形態で実施し得ることは勿論のことであり、本発明の範囲は、特許請求の範囲の記載によって示され、さらに特許請求の範囲に記載の均等の意味、および範囲内のすべての変更を含む。

【0101】

［付記］
上述のように、本発明に係る故障予兆検出システムは、走行体に旋回台を介して起伏可能なブームが設けられた作業車における少なくとも一つのアクチュエータの故障の予兆を検出する故障予兆検出システムである。

【0102】

本発明に係る故障予兆検出システムの一態様は、
理想状態の作業車の特性を有する物理モデルを具備し、作業車の制御装置が生成したアクチュエータの入力信号を取得し、物理モデルにおける入力信号に対する理想出力信号を算出する物理モデル部と、
作業車におけるアクチュエータの特性を表す少なくとも一つのモデル伝達関数を含み、モデル伝達関数に重み係数が設定され、モデル伝達関数によって算出された入力信号に対する出力信号に重み係数を乗算する学習モデルを具備し、入力信号と、理想出力信号と、入力信号によって作動したアクチュエータの実出力信号とを取得し、理想出力信号と実出力信号との差分に基づいて重み係数を調整して、理想出力信号と実出力信号との差分を縮小させる補正信号を生成し、物理モデル部に入力される入力信号に補正信号を加え合わせる学習モデル部と、
学習モデル部が調整した重み係数を取得し、重み係数の変化からアクチュエータの故障の予兆を検出する故障予測部と、を備える。

【0103】

上述のように、本発明に係る故障予兆検出システムの一態様は、物理モデル部が算出したアクチュエータの入力信号に対する理想出力信号と、アクチュエータの入力信号に対する実出力信号と、の差分を縮小させる補正信号を学習モデル部によって生成する。この際、学習モデル部は、重み係数を変数として補正信号を生成する。故障予兆検出システムは、故障予測部によって重み係数の変化から各アクチュエータの故障の予兆を検出する。このように構成される故障予兆システムは、実出力信号を理想出力信号に近づけるように変更された重み係数の遷移から故障の予兆を検出する。つまり、故障予兆検出システムは、作業車の作動中に様々な作動条件におけるアクチュエータの作動状態の変化を、重み係数を通じて継続して検出している。これにより、故障予兆検出システムは、作業車の作動状態に影響されることなく、故障の予兆を検出することができる。

【0104】

他の観点によれば、本発明に係る故障予兆検出システムの一態様は、以下の構成を含むことが好ましい。学習モデル部は、補正信号をアクチュエータに入力される入力信号に加え合わせることで作業車を制御する。

【0105】

上述のように、本発明に係る故障予兆検出システムの一態様は、理想出力信号と実出力信号との差分を縮小させるために算出した補正信号をアクチュエータに入力される入力信号に加え合わせる。このように構成することで、故障予兆検出システムは、作業車のアクチュエータを制御する制御装置としての機能を有する。つまり、故障予兆検出システムは、算出した補正信号によって入力信号を補正することで実際の作業車の出力を理想状態の作業車の出力に近似させつつ、重み係数の変化からアクチュエータの故障の予兆を検出する。これにより、故障予兆検出システムは、作業車の作動状態を正常に保ちながら、故障の予兆を検出することができる。

【0106】

他の観点によれば、本発明に係る故障予兆検出システムの一態様は、以下の構成を含むことが好ましい。学習モデル部は、補正信号をフィードフォワード補正信号としてアクチュエータに入力するフィードフォワード制御部として構成される。

【0107】

上述のように、本発明の故障予兆検出システムは、理想出力信号と実出力信号との差分を縮小させるために算出した補正信号をフィードフォワード補正信号としてアクチュエータに入力される入力信号に加え合わせる。このように構成することで、故障予兆検出システムは、作業車のアクチュエータを制御するフィードフォワード制御部としての機能を有する。つまり、故障予兆検出システムは、算出した補正信号によって入力信号を補正することで実際の作業車の出力を理想状態の作業車の出力に近似させつつ、重み係数の変化からアクチュエータの故障の予兆を検出する。これにより、故障予兆検出システムは、作業車の作動状態を正常に保ちながら、故障の予兆を検出することができる。

【0108】

他の観点によれば、本発明に係る故障予兆検出システムの一態様は、以下の構成を含むことが好ましい。補正信号は、重み係数が乗算されたアクチュエータの出力信号を逆伝達関数によって変換したアクチュエータの入力信号である。

【0109】

上述のように、本発明の故障予兆検出システムは、重み係数が設定された学習型の逆システムを有している。このように構成することで、故障予兆検出システムは、理想出力信号と実出力信号との差分に応じて重み係数が調整された逆システムによってアクチュエータの補正信号が生成される。つまり、故障予兆検出システムは、アクチュエータの入力信号から作業車の特性を学習するとともに、学習モデルによるアクチュエータの出力信号をアクチュエータの補正信号としてアクチュエータに入力される。これにより、故障予兆検出システムは、簡易な構成で作業車の制御装置に組み込むことができる。

【0110】

他の観点によれば、本発明に係る故障予兆検出システムの一態様は、以下の構成を含むことが好ましい。故障予測部は、取得した重み係数を単位時間毎に記録または外部のサーバーに送信する。

【0111】

上述のように、本発明に係る故障予兆検出システムの一態様は、重み係数を単位時間毎に記録または外部のサーバーに送信するので、作業車の稼働中に様々な作動条件でのアクチュエータの作動状態の変化を重み係数の変化として継続的に蓄積している。これにより、故障予兆検出システムは、作業車の作動状態に影響されることなく、蓄積した重み係数の情報から故障の予兆を検出することができる。

【0112】

他の観点によれば、本発明に係る故障予兆検出システムの一態様は、以下の構成を含むことが好ましい。故障予測部は、取得した重み係数の変化から、対応するアクチュエータのメンテナンス時期または故障時期を予測する。

【0113】

上述のように、本発明に係る故障予兆検出システムの一態様は、重み係数の変化の傾向、変化の度合い等が通常の傾向の範囲と異なる変化の傾向を示し、または通常の変化の度合いの範囲を超えた変化の度合いである場合、故障の予兆を含むと判断する。つまり、故障予兆検出システムは、重み係数の蓄積データに基づいて故障の予兆の有無、故障の部位、故障の時期を検出する。また、故障予兆検出システムは、経年変化による通常の劣化と予測した故障時期とに基づいて作業車の稼働状態に影響が出ない時期且つメンテナンスコストが最も低くなる時期をメンテナンス時期として決定する。作業車の作動状態に影響されることなく、故障の予兆を検出することができる。

【0114】

本発明に係る作業車の一態様は、走行体に旋回台を介して起伏可能なブームが設けられた作業車であって、故障予兆検出システムを備える。このように構成される作業車は、様々な作動条件におけるアクチュエータの作動状態の変化を、故障予兆検出システムにおける学習モデル部の重み係数を通じて継続して検出している。これにより、作業車は、故障予兆検出システムによって作動状態に影響されることなく、故障の予兆を検出することができる。

【0115】

２０２１年３月５日出願の特願２０２１－３５６２２の日本出願に含まれる明細書、図面、および要約書の開示内容は、すべて本願に援用される。

【産業上の利用可能性】

【0116】

本発明は、移動式クレーンに限らず、種々の作業車に適用可能である。

【符号の説明】

【0117】

１ クレーン
９ ブーム
３１ 制御装置
３２ 荷物移動操作具
３４ 制御システム
３７ 故障予兆検出システム
３８ 物理モデル部
３９ 逆動力学モデル
４０ 学習モデル部
４１ 学習型逆動力学モデル
４２ 故障予測部
Ｗ 荷物
Ｖｄ 目標移動速度信号
Ｐｄ 目標移動位置信号
Ｐｄ_α 目標軌道信号
Ｍｄｒ 実出力信号
Ｍｄｉ 理想出力信号
ｗ_１、ｗ_２、ｗ_３、ｗ_４ 重み係数

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】