(12)发明专利申请
(10)申请公布号 CN 112629731 A(43)申请公布日 2021.04.09
(21)申请号 202011035354.1(22)申请日 2020.09.27
(30)优先权数据
2019-185353 2019.10.08 JP(71)申请人 发那科株式会社地址 日本山梨县
(72)发明人 胡莲成 佐藤和宏 浅冈裕泰 (74)专利代理机构 北京银龙知识产权代理有限
公司 11243
代理人 曾贤伟 郝庆芬(51)Int.Cl.
G01L 5/04(2006.01)G01L 5/00(2006.01)G06N 20/00(2019.01)G06N 3/04(2006.01)
(54)发明名称
诊断装置以及机器学习装置(57)摘要
本发明提供诊断装置以及机器学习装置。诊断装置推定工业机械所具备的传送动力的传送带的张力，具备：控制部，其控制进行驱动传送带的诊断动作；数据取得部，其至少取得诊断动作时的反馈数据；预处理部，其对反馈数据的频率‑增益特性进行分析，生成包含该特性中的谐振频率以及反谐振频率的范围作为输入数据；以及机器学习装置，其基于预处理部生成的数据来执行与机器学习相关的处理，该诊断装置进行与传送带的张力值的推定或异常检测相关的辅助。
G06F 17/18(2006.01)
权利要求书2页 说明书7页 附图4页
CN 112629731 ACN 112629731 A
权 利 要 求 书
1/2页
1.一种诊断装置，进行工业机械所具备的传送动力的传送带的张力的推定或异常检测，其特征在于，
该诊断装置具备：控制部，其控制进行驱动上述传送带的诊断动作；数据取得部，其至少取得上述诊断动作时的反馈数据；预处理部，其对上述反馈数据的频率-增益特性进行分析，生成包含该频率-增益特性中的谐振频率以及反谐振频率的范围作为输入数据；以及
机器学习装置，其基于上述预处理部生成的数据来执行与机器学习相关的处理。2.根据权利要求1所述的诊断装置，其特征在于，
上述数据取得部还取得上述诊断动作时的上述传送带的张力值，
上述预处理部生成包含上述输入数据和包含上述数据取得部所取得的上述传送带的张力值的标签数据的训练数据，
上述机器学习装置具备：学习部，其基于上述训练数据生成对上述传送带的张力值相对于上述诊断动作时取得的反馈数据的频率-增益特性的相关性进行了机器学习的学习模型；以及
学习模型存储部，其存储上述学习模型。3.根据权利要求1所述的诊断装置，其特征在于，上述机器学习装置还具备：学习模型存储部，其存储对上述传送带的张力值相对于诊断动作时取得的反馈数据的频率-增益特性的相关性进行了机器学习的学习模型；以及
推定部，其基于上述输入数据，使用上述学习模型存储部中存储的学习模型来推定上述传送带的张力值，并输出该推定处理。
4.根据权利要求1所述的诊断装置，其特征在于，
包含上述谐振频率以及反谐振频率的范围是至少包含一阶谐振频率以及一阶反谐振频率的范围。
5.根据权利要求4所述的诊断装置，其特征在于，
包含上述谐振频率以及反谐振频率的范围还包含包括了二阶以上的谐振频率以及反谐振频率的范围。
6.根据权利要求1所述的诊断装置，其特征在于，上述输入数据中还包含温度、湿度中的至少任意一个。7.根据权利要求1所述的诊断装置，其特征在于，
上述输入数据中还包括机械特性和传送带特性中的至少任意一个。8.一种机器学习装置，进行工业机械所具备的传送动力的传送带的张力的推定或异常检测，其特征在于，
对在驱动上述传送带的诊断动作时取得的反馈数据的频率-增益特性进行分析，将包含该频率-增益特性中的谐振频率以及反谐振频率的范围作为输入数据，基于该输入数据来执行与机器学习相关的处理。
9.根据权利要求8所述的机器学习装置，其特征在于，该机器学习装置具备：
2
CN 112629731 A
权 利 要 求 书
2/2页
学习部，其基于包含上述输入数据和包含上述诊断动作时的上述传送带的张力值的标签数据的训练数据，生成对上述传送带的张力值相对于上述诊断动作时取得的反馈数据的频率-增益特性的相关性进行了机器学习的学习模型；以及
存储部，其存储上述学习模型。
10.根据权利要求8所述的机器学习装置，其特征在于，该机器学习装置还具备：学习模型存储部，其存储对上述传送带的张力值相对于诊断动作时取得的反馈数据的频率-增益特性的相关性进行了机器学习的学习模型；以及
推定部，其基于上述输入数据，使用存储在上述学习模型存储部中的学习模型来推定上述传送带的张力值，并输出该推定处理。
3
CN 112629731 A
说 明 书
诊断装置以及机器学习装置
1/7页
技术领域
[0001]本发明涉及诊断装置及机器学习装置，特别涉及诊断传送动力的传送带的张力的诊断装置及机器学习装置。
背景技术
[0002]在工厂等制造现场导入诊断安装在生产线上的机器人、机床和注射成形机等工业机械的动作状态的诊断装置。诊断装置监视工业机械的动作状态，使生产线不停止，另外，在生产线停止时能够迅速恢复。
[0003]工业机械具有将电动机的旋转动力经由传送带等动力传送部向轴传送的机构。作为动力传送部使用的传送带无论是张力(tension)太弱还是太强，都会导致寿命降低。另外，如果张力不合适，也会导致运行中的打滑和跳齿等。因此，优选将传送带的张力强度保持在一定范围内。[0004]另一方面，根据保管方法，传送带会老化，张力也会发生变化。另外，随着室温等使用环境的变化，传送带的张力也始终发生变化。因此，定期通过手工作业或自动维护检查传送带的张力是很重要的(例如日本特开平11-262932号公报)。[0005]为了检查传送带的张力，停止传送带的旋转，使用声波带张力计等张力计检测传送带的张力。当传送带的张力不是合适的值时，调整为合适的值。但是，使用张力计的传送带张力的检查方法需要张力计设备投资的成本。另外，检查时需要完全停止工业机械的动作(切断电源)。另外，为了进行手工检查，需要分解工业机械并使传送带露出。因此，也有生产率降低的问题。[0006]因此，希望一种能够在工业机械运转的状态下诊断传送带的张力或异常的技术。发明内容
[0007]申请人着眼于在传送带的张力发生变化时，驱动该传送带的电动机的反馈增益的谐振频率会发生变化。本发明一个方式的诊断装置，观测使驱动传送带的电动机以预定范围的转速(频率)进行扫频动作时的频率响应，生成对该观测结果与传送带的张力之间的相关性进行了机器学习的学习模型。然后，使用所生成的学习模型来推定传送带的张力。例如，可以向用户显示所推定的张力的值等来通知张力的异常。[0008]另外，本发明的一个方式是推定工业机械所具备的传送动力的传送带的张力的诊断装置，具备：控制部，其控制进行驱动上述传送带的诊断动作；数据取得部，其至少取得上述诊断动作时的反馈数据；预处理部，其对上述反馈数据的频率-增益特性进行分析，生成包含该特性中的谐振频率以及反谐振频率的范围作为输入数据；以及机器学习装置，其基于上述预处理部生成的数据来执行与机器学习相关的处理。
[0009]本发明的另一方式是推定工业机械所具备的传送动力的传送带的张力的机器学习装置，对驱动上述传送带的诊断动作时取得的反馈数据的频率-增益特性进行分析，将包含该特性中的谐振频率以及反谐振频率的范围作为作为输入数据，基于该输入数据执行与
4
CN 112629731 A
说 明 书
2/7页
机器学习相关的处理。
[0010]在本发明的一个方式中，不需要导入张力计。因此，不花费很大的成本就能够检查传送带的张力。另外，运转中的工业机械不完全停止就够检查传送带的张力。另外，可以不露出传送带而检查传送带的张力。其结果是提高工业机械的生产率。附图说明
[0011]参照附图根据以下实施例的说明来明确本发明的目的以及特征。这些附图中：[0012]图1是一个实施方式的诊断装置的概略硬件结构图。[0013]图2是第一实施方式的诊断装置的概略功能框图。[0014]图3表示频率响应数据的例子。
[0015]图4是第二实施方式的诊断装置的概略功能框图。
具体实施方式[0016]以下，结合附图说明本发明的实施方式。
[0017]图1是表示本发明一个实施方式的诊断装置的概略硬件结构图。诊断装置1例如可以安装在基于控制用程序来控制工业机械的控制装置中。另外，诊断装置1可以安装在与基于控制用程序控制工业机械的控制装置连接设置的个人电脑上。另外，诊断装置1可以安装在经由有线/无线网络与控制装置连接的个人电脑、单元计算机、雾计算机6、云服务器7上。在本实施方式中，表示将诊断装置1安装在控制工业机械的控制装置中的例子。[0018]本实施方式的诊断装置1所具备的CPU(Central Processing Unit中央处理单元)11是整体控制诊断装置1的处理器。CPU11经由总线22读出存储在ROM(Read Only Memory只读存储器)12中的系统程序。CPU11根据该系统程序控制诊断装置1整体。RAM(Random Access Memory随机存取存储器)13中临时存储临时计算数据、显示数据以及从外部输入的各种数据等。
[0019]非易失性存储器14例如由以未图示的电池进行备份的存储器或SSD(Solid State Drive固态驱动器)等构成。即使诊断装置1的电源断开，非易失性存储器14也保持存储状态。非易失性存储器14存储经由接口15从外部设备72读入的控制用程序或数据。另外，在非易失性存储器14中存储经由输入装置71输入的控制用程序、数据。另外，在非易失性存储器14中存储经由网络5从其他装置取得的控制用程序、数据等。存储在非易失性存储器14中的控制用程序、数据也可以在执行时/利用时加载到RAM13中。另外，在ROM12中预先写入了公知的分析程序等各种系统程序。
[0020]接口15是用于连接诊断装置1的CPU11和USB装置等外部设备72的接口。例如，从外部设备72侧读取用于控制工业机械的控制程序、设定数据等。另外，在诊断装置1内编辑的控制用程序、设定数据等也可以经由外部设备72存储在外部存储单元中。PLC(Programble Logic Controller可编辑逻辑控制器)16执行梯形程序，并且经由I/O单元19向工业机械以及该工业机械的周边装置(例如工具交换装置、机器人等执行器、安装在工业机械上的温度传感器和湿度传感器等传感器)输出信号并进行控制。另外，PLC 16接受配备在工业机械的主体上的操作盘的各种开关、周边装置等的信号，进行必要的信号处理后，传递给CPU11。[0021]接口20是用于连接诊断装置1的CPU11和有线或无线的网络5的接口。网络5上连接
5
CN 112629731 A
说 明 书
3/7页
有其他工业机械3、雾计算机6、云服务器7等。诊断装置1在与这些其他工业机械3、雾计算机6、云服务器7等之间相互进行数据的交换。
[0022]在显示装置70中输入并显示作为执行被读入到存储器上的各个数据、程序等的结果而得到的数据。从后述的机器学习装置100输出的数据等经由接口17被输入到显示装置70并显示。另外，由键盘和指示设备等构成的输入装置71通过接口18将基于作业者的操作的指令、数据等传送给CPU11。[0023]用于控制工业机械所具备的轴的轴控制电路30接受表示来自CPU11的轴的移动量的指令，将使轴移动的指令输出到伺服放大器40。伺服放大器40接受该指令，驱动使机床所具备的轴移动的伺服电动机50。轴的伺服电动机50内置位置/速度检测器。伺服电动机50将来自位置/速度检测器的位置/速度反馈信号反馈给轴控制电路30。由此，轴控制电路30进行位置/速度的反馈控制。另外，在图1的硬件结构图中，轴控制电路30、伺服放大器40、伺服电动机50各示出一个，但轴控制电路30、伺服放大器40、伺服电动机50实际准备成为控制对象的工业机械所具备的轴的数量。伺服电动机50的至少一个通过作为动力传送部的传送带连接到工业机械的预定轴上。[0024]接口21是用于连接CPU 11和机器学习装置100的接口。机器学习装置100具备控制机器学习装置100整体的处理器101。另外，机器学习装置100具备存储了系统程序等的ROM102、用于进行与机器学习有关的各处理中的临时存储的RAM103以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够观测可经由接口21由诊断装置1取得的各信息(例如表示伺服电动机50的动作状态的数据、未图示的温度传感器、湿度传感器的检测值等)。另外，诊断装置1经由接口21取得从机器学习装置100输出的处理结果。诊断装置1存储或显示所取得的结果，或经由网络5等发送给其他装置。
[0025]图2将本发明第一实施方式的诊断装置1所具备的功能作为概略框图表示。图1所示的诊断装置1所具备的CPU11和机器学习装置100所具备的处理器101执行系统程序，并且控制诊断装置1以及机器学习装置100的各部的动作，由此实现本实施方式的诊断装置1所具备的各功能。本实施方式的诊断装置1对以预定范围的转速(频率)进行扫频动作时得到的频率响应数据与传送带的张力值之间的相关性进行机器学习。这里，扫频动作是指使驱动传送带的电动机的转速发生变化的动作。扫频动作例如是使电动机的转速从预先决定的转速逐渐上升到比该转速更高的预先决定的转速为止的动作。[0026]本实施方式的诊断装置1具备控制部110、数据取得部120、预处理部130。另外，诊断装置1所具备的机器学习装置100具备学习部106。进而，在诊断装置1的RAM13或非易失性存储器14中预先存储有用于控制工业机械所具备的伺服电动机50的控制用程序200。另外，在诊断装置1的RAM13或非易失性存储器14中预先准备有取得数据存储部210作为用于存储数据取得部120从伺服电动机50、传感器4等取得的数据的区域。另外，在机器学习装置100的RAM103或非易失性存储器104上预先准备有学习模型存储部109作为用于存储学习部106所生成的学习模型的区域。
[0027]图1所示的诊断装置1所具备的CPU11执行从ROM12读出的系统程序，并且主要由CPU11进行使用了的RAM13、非易失性存储器14的运算处理、使用了轴控制电路30、PLC16的工业机械各部的控制处理、经由了接口18的输入输出处理，由此实现控制部110。控制部110分析控制用程序200的程序块，基于其分析结果控制工业机械的各部。控制部110例如在控
6
CN 112629731 A
说 明 书
4/7页
制用程序200的程序块进行指示以驱动工业机械的各轴的情况下，按照程序块的指令生成移动指令数据，并向伺服电动机50输出。另外，控制部110例如在控制用程序200的程序块进行指示使得安装在工业机械上的传感器4等周边装置进行动作时，生成使该周边装置动作的预定信号并输出到PLC16。控制部110取得伺服电动机50的速度反馈增益、由温度传感器或湿度传感器等传感器4检测到的检测值数据，并输出到数据取得部120。
[0028]控制用程序200包含进行指示使得驱动传送带的伺服电动机50以预定范围的转速(频率)进行扫频动作的程序块。另外，控制用程序200还包含用于指示取得扫频动作中的伺服电动机50的速度反馈增益作为时间序列数据的程序块。另外，控制用程序200还包括用于指示在扫频动作开始时、扫频动作进行中和扫频动作结束时的至少任意一个中取得传感器4的检测值数据的程序块。
[0029]图1所示的诊断装置1所具备的CPU11执行从ROM12读出的系统程序，并且主要由CPU11进行使用了RAM13、非易失性存储器14的运算处理，由此实现数据取得部120。数据取得部120取得在工业机械的动作时从伺服电动机50取得的速度反馈增益、传感器4检测到的检测值数据，并存储在取得数据存储部210中。数据取得部120取得的速度反馈增益是时间序列数据。数据取得部120取得的检测值数据可以是在预定定时取得的数据值。另外，数据取得部120例如通过使操作员输入等手段从输入装置71取得在执行控制用程序200的时间点的传送带的张力值。该传送带的张力值由操作员预先进行检查作业并进行测量。[0030]图1所示的诊断装置1所具备的CPU11执行从ROM12读出的系统程序，并且主要由CPU11进行使用了RAM13、非易失性存储器14的运算处理和使用了接口21的输出处理，由此实现预处理部130。预处理部130基于存储在取得数据存储部210中的数据，生成机器学习装置100进行的机器学习的处理所使用的学习数据(训练数据)。预处理部130将所生成的学习数据输出到机器学习装置100。预处理部130生成至少包含输入数据S和输出数据L的训练数据，输出数据S包含将存储在取得数据存储部210中的伺服电动机50的速度反馈增益进行频率解析而得到的表示频率-增益特性的频率响应数据，输出数据L包含传送带的张力值。[0031]作为输入数据S的频率响应数据可以是以预定的频率周期对预定范围的频带中的增益值进行采样后的数据。换言之，输入数据S可以是对预定频带中的增益值进行采样后的数据。此时，希望作为输入数据S的频率响应数据包含将一阶谐振频率和一阶反谐振频率作为一对而包含的频带。图3表示对速度反馈增益进行频率分析的示例。在图3的示例中，在fa的位置存在反谐振频率的峰值。即，在fa的位置增益的值为最小值。另外，在fb的位置存在谐振频率的峰值。即，在fb的位置，增益的值成为最大值。预处理部130将存在这样的谐振频率的峰值和反谐振频率的峰值的位置前后的预定范围fr的频带中以预定的频率周期fp进行采样后的频率-增益组的系列数据作为输入数据S所使用的频率响应数据来生成。另外，作为输入数据S的频率响应数据中除了上述之外，还可以包含以下范围，即将二阶以上的谐振频率和反谐振频率作为一对而包含。[0032]本实施方式的预处理部，在作为输入数据S的频率响应数据中不仅使用反谐振频率和谐振频率的值，而且包含反谐振频率和谐振频率周围的预定范围的频带的系列数据。这是因为有时反谐振点、谐振点不会成对出现而只出现一方，所以学习这种波形与传送带的张力值之间的相关性。另外，反谐振点及谐振点周边的波形根据电动机、传送带的状态等而变化。假设反谐振点和谐振点相互靠近地存在，则即使在仅出现反谐振点和谐振点中的
7
CN 112629731 A
说 明 书
5/7页
一个的情况下，也可以通过使用预定范围的序列数据作为输入数据S来高精度地进行学习。[0033]图1所示的机器学习装置100所具备的处理器101执行从ROM 102读出的系统程序，并且主要由处理器101进行使用了RAM103、非易失性存储器104的运算处理，从而实现机器学习装置100所具备的学习部106。学习部106通过使用预处理部130所生成的学习数据(训练数据)进行机器学习来生成学习模型。学习部106将所生成的学习模型存储在学习模型存储部109中。学习部106进行的机器学习是公知的监督学习。学习部106所生成的学习模型学习了作为标签数据L的传送带的张力值相对于作为输入数据S的频率响应数据的相关性。作为学习部106所生成的学习模型，例如列举有多层感知(multillayer perception)、递归神经网络(recurrent neural network)、长期短期记忆(Long Short-Term Memory)、卷积神经网络(convolutional neural network)等。[0034]另外，可以将频率响应数据中包含谐振频率、反谐振频率的几个特征点作为输入数据S、将传送带的张力值作为标签数据L，作为使用回归分析、多元回归分析(multiple regression analysis)、岭回归(ridge regression)等的机械学习来推定传送带张力的学习模型。回归的学习模型的结构简单，具有难以对处理器101施加负荷的优点。另一方面，卷积神经网络等深度学习的学习模型的传送带张力的推定精度提高了。
[0035]具有上述结构的本实施方式的诊断装置1生成学习了以预定范围的转速(频率)进行扫频动作时得到的频率响应数据与传送带的张力值之间的相关性的学习模型。作业人员预先设定不同的传送带的张力。学习部106取得在每个传送带的张力中以预定范围的转速(频率)进行扫频动作时得到的频率响应数据，并且使用所取得的数据来生成学习模型。[0036]所生成的学习模型可以用于由后述的第二实施方式中的推定部推定当前传送带的张力值。
[0037]作为本实施方式的诊断装置1的一个变形例，预处理部130也可以使输入数据S中进一步包含作为检测值数据的温度数据、湿度数据。传送带驱动的环境的温度、湿度会影响传送带的张力。因此，在输入数据S中包含作为检测值数据的温度数据、湿度数据，由此能够提高传送带的张力值的学习精度。
[0038]作为本实施方式的诊断装置1的其他变形例，预先对诊断装置设定工业机械的机械特性(电动机规格、带轮比、跨度(带轮轴的间隔)、可动部重量等)，预处理部130可以将所设定的机械特性相关的数据包含在输入数据S中。与驱动传送带的电动机相关的机械特性有时会影响传送带的张力。因此，通过使输入数据S包含与机械特性相关的数据，能够提高传送带的张力值的学习精度。
[0039]作为本实施方式的诊断装置1的其他变形例，预先对诊断装置设定传送带的特性(传送带形状、材质的物理性质等)，预处理部130也可以使输入数据S中包含与所设定的传送带的特性有关的数据。传送带的特性会影响传送带的张力。因此，通过使输入数据S中包含与传送带特性有关的数据，能够提高传送带的张力值的学习精度。
[0040]图4将本发明的第二实施方式的诊断装置1所具备的功能作为概略框图表示。图1所示的诊断装置1所具备的CPU11和机器学习装置100所具备的处理器101执行系统程序，控制诊断装置1以及机械学习装置100的各部的动作，从而实现本实施方式的诊断装置1所具备的各功能。本实施方式的诊断装置1使用学习了以预定范围的转速(频率)进行扫频动作时得到的频率响应数据与传送带的张力值之间的相关性的学习模型来推定工业机械所具
8
CN 112629731 A
说 明 书
6/7页
备的传送带的张力值。
[0041]本实施方式的诊断装置1具备控制部110、数据取得部120、预处理部130。另外，诊断装置1所具备的机械学习装置100具备推定部108。进而，在诊断装置1的RAM13或非易失性存储器14中预先存储有用于控制工业机械所具备的伺服电动机50的控制用程序200。另外，在诊断装置1的RAM13或非易失性存储器14中预先准备有取得数据存储部210作为用于存储数据取得部120从伺服电动机50、传感器4等取得的数据的区域。另外，在机器学习装置100的RAM103或非易失性存储器104上预先准备有学习模型存储部109作为存储由第1实施方式的学习部106生成的学习模型的区域。
[0042]本实施方式的控制部110具有与第1实施方式的控制部110相同的功能。
[0043]本实施方式的数据取得部120取得在工业机械的动作时从伺服电动机50取得的速度反馈增益、传感器4检测到的检测值数据，并存储在取得数据存储部210中。数据取得部120取得的速度反馈增益是时间序列数据。数据取得部120所取得的检测值数据可以是在预定的定时取得的数据值。
[0044]本实施方式的预处理部130基于存储在取得数据存储部210中的数据，生成机器学习装置100的机器学习处理所使用的推定用数据。预处理部130将所生成的推定用数据输出到机器学习装置100。预处理部130至少生成包含输入数据S的推定用数据，该输入数据S包含对存储在取得数据存储部210中的伺服电动机50的速度反馈增益进行频率解析而得到的表示频率-增益特性的频率响应数据。频率响应数据的生成方法与第一实施方式所说明的方法相同。
[0045]图1所示的机器学习装置100所具备的处理器101执行从ROM 102读出的系统程序，并且主要由处理器101进行使用了RAM103、非易失性存储器104的运算处理来实现机器学习装置100所具备的推定部108。推定部108基于预处理部130所生成的推定用数据，执行使用了存储在学习模型存储部109中的学习模型的传送带张力值的推定处理。推定部108输出该推定处理的结果。推定部108进行的推定处理是使用了通过公知的监督学习生成的学习模型的推定处理。例如，当存储在学习模型存储部109中的学习模型被生成为卷积神经网络(convolutinal neural network)时，推定部108将预处理部130生成的推定用数据输入到神经网络，输出其输出即传送带的张力值的推定值作为推定结果。
[0046]作为推定部108的推定结果的传送带的张力值例如也可以输出到显示装置70。另外，作为推定结果的传送带的张力值也可以经由网络5发送到诸如监视终端等个人电脑、雾计算机6和云服务器7。另外，在作为推定结果的传送带的张力值为预先决定的预定范围外的情况下，也可以作为检测到传送带的张力异常而输出警报。
[0047]具备上述结构的本实施方式的诊断装置1基于以预定范围的转速(频率)使伺服电动机50等电动机进行扫频动作时得到的频率响应数据，推定工业机械所具备的传送带的张力。诊断装置1能够基于其推定结果进行预定的输出处理。该推定处理仅能够执行用于诊断的控制用程序200。因此，作业人员可以不完全停止工业机械、不进行拆解工业机械而露出传送带等繁杂的作业。因此，预计会提高工业机械的生产率。[0048]作为本实施方式的诊断装置1的一个变形例，预处理部130也可以使输入数据S进一步包含作为检测值数据的温度数据、湿度数据。传送带驱动的环境的温度、湿度会影响传送带的张力。因此，通过使输入数据S中包含作为检测值数据的温度数据、湿度数据，能够提
9
CN 112629731 A
说 明 书
7/7页
高传送带的张力值的推定精度。
[0049]作为本实施方式的诊断装置1的其他变形例，预先对诊断装置设定工业机械的机械特性(电动机规格、带轮比(pulley ratios)、跨度、可动部重量等)，预处理部130也可以使输入数据S包含与设定的机械特性有关的数据。与驱动传送带的电动机关联的机械特性有时会影响传送带的张力。因此，通过使输入数据S包含与机械特性相关的数据，能够提高传送带的张力值的推定精度。
[0050]作为本实施方式的诊断装置1的其他变形例，预先对诊断装置设定传送带的特性(传送带形状、材质的物理性质等)，预处理部130也可以使输入数据S包含与设定的传送带的特性有关的数据。传送带的特性会影响传送带的张力。因此，通过使输入数据S中包含与传送带特性有关的数据，能够提高传送带的张力值的推定精度。[0051]以上，对本发明的一个实施方式进行了说明，但本发明不限于上述实施方式的例子，通过适当的变更，可以以各种方式来实施。
10
CN 112629731 A
说 明 书 附 图
1/4页
图1
11
CN 112629731 A
说 明 书 附 图
2/4页
图2
12
CN 112629731 A
说 明 书 附 图
3/4页
图3
13
CN 112629731 A
说 明 书 附 图
4/4页
图4
14
因篇幅问题不能全部显示，请点此查看更多更全内容