CN106462150B - 制造设备诊断辅助装置 - Google Patents
制造设备诊断辅助装置 Download PDFInfo
- Publication number
- CN106462150B CN106462150B CN201480079083.6A CN201480079083A CN106462150B CN 106462150 B CN106462150 B CN 106462150B CN 201480079083 A CN201480079083 A CN 201480079083A CN 106462150 B CN106462150 B CN 106462150B
- Authority
- CN
- China
- Prior art keywords
- data
- data items
- abnormal phenomenon
- project
- grade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24053—Diagnostic of controlled machine
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明所涉及的制造设备诊断辅助装置具备:收集并记录制造设备所具备的多个监视对象装置各自的数据的数据收集装置;解析所记录的数据的数据解析装置;以及显示解析过程及解析结果的显示装置。数据解析装置具备:数据解析范围设定单元,其利用数据项目和时间来设定数据的解析范围;数据分组化单元,其通过进行基于监视对象装置的规格及使用条件的分类和基于数据所表示的物理量的分类,来对数据进行分组;特征量提取单元,其提取数据的各项目中的特征量;异常现象特定单元,其对表示出与其他不同的现象的异常现象候补项目进行特定;以及检定单元,其对异常现象候补项目与其他数据项目之间是否存在有意差进行检定。
Description
技术领域
本发明涉及在用压延辊压延金属材料的压延机、进行机械加工的加工中心等的制造设备中,用于事先预知制造设备内的装置的异常、缺陷的制造设备诊断辅助装置。
背景技术
作为社会基础设施,存在有许多制造设备。例如压延机、加工中心。压延机是通过将钢铁材料、铝、铜等的非铁材料的块压延薄化而使其易于加工成汽车、电机产品的设备。加工中心是例如对钢板进行加工从而制造航空器、汽车、各种模具等的设备。
对于这些制造设备,强烈要求其能稳定且高速地制造产品。因而,为了避免因制造设备的故障而导致的生产障碍,事前预知制造设备的异常、缺陷的技术的开发正在不断推进。最近,发展了数据挖掘、大数据解析等从大量数据中拾出有意信息的技术。这些技术中,也用高速大容量的计算机强力进行数据处理,计算数据的特征,提取出数据间的关联性。作为记载该具体内容的现有技术文献,例如列举如下。
专利文献1公开了存在多个数据时以发现该数据间的规则性为目的的技术。该技术通过将数据分割到某区间,计算在该区间中的特征量,进行分类并附上标签值,来发现规则性。但是,其没有特别以制造设备为对象,只是一般技术的提案。
专利文献2公开的技术用小波变换、主成分分析等的统计技术来提取出数据的特征,发现与过去存储的故障数据的类似性,判定异常。其也没有特别以制造设备为对象,只是一般技术的提案。
专利文献3公开的技术与专利文献2公开的技术同样,参照过去的正常事例和异常事例来判断类似性,判定工厂或设备是否异常。
现有技术文献
专利文献
专利文献1:日本特开2006-338373号公报
专利文献2:日本特开2006-106870号公报
专利文献3:日本特开2010-191556号公报
发明内容
发明所要解决的技术问题
专利文献1公开的技术不使用对象数据中存在的事先的知识(例如数据间的相互关系等),仅仅以数据为对象来发现规则性。因而,预计计算处理会花费大量的时间。另外,在数据包含噪音、未知的外部干扰的情况下,担心规则性的取出变得不稳定。
专利文献2、专利文献3公开的技术的特征在于利用与异常、缺陷相关的过去的知识。但是,虽然过去的知识肯定有用,但倘若过去发生异常、缺陷的情形并非已知则无法应用,从而在发生了全新的异常时无法应对。
相对于这些现有技术,本发明提供的制造设备诊断辅助装置通过比较配置在一个制造设备内的多个类似装置或者分散配置于多个制造设备的多个类似装置的数据,不需要进行用于发现规则性的海量的计算处理,也不需要过去的知识,就可以容易地检知装置的异常、缺陷。
解决技术问题的技术方案
本发明所涉及的制造设备诊断辅助装置具备始终或间歇地对配置于一个制造设备内的多个监视对象装置、或者分散配置于多个制造设备的多个监视对象装置各自的数据进行收集和记录的数据收集装置。另外,本发明所涉及的制造设备诊断辅助装置具备对记录于数据收集装置的数据进行解析的数据解析装置、以及显示数据解析装置的解析过程及解析结果的显示装置。数据解析装置包含数据解析范围设定单元、数据分组化单元、特征量提取单元、异常现象特定单元及检定单元。
数据解析范围设定单元构成为利用数据项目和时间来设定记录于数据收集装置的数据的解析范围。
数据分组化单元构成为从数据收集装置输入由数据解析范围设定单元所设定的范围的数据,通过对各数据进行基于收集到该数据的监视对象装置的规格及使用条件的分类、以及基于该数据所表示的物理量的分类,来对从数据收集装置输入的数据进行分组。优选为,数据分组化单元构成为在组间将各组内的数据项目数设为相同,对各数据项目附加组内数据编号用于组内的识别,并附加组编号用于组间的识别。
特征量提取单元构成为提取由数据分组化单元分组后的数据的各项目中的特征量。优选为,特征量提取单元构成为对原始数据、以及过滤原始数据后获得的信号与原始数据的偏差这两个计算同一种类的特征量。
异常现象特定单元构成为在组内和组间分别对特征量提取单元提取到的各数据项目的特征量进行比较,在存在表示出与其他不同的现象的数据项目的情况下,将该数据项目特定为异常现象候补项目。优选异常现象特定单元构成为:在同一组内的数据项目间比较特征量,在关于特征量的大小,存在与其他数据项目相比具有规定比率以上的差的数据项目的情况下,将该数据项目特定为第1等级的异常现象候补项目,在监视对象装置中共通的数据项目在多个组均被特定为第1等级的异常现象候补项目的情况下,将该数据项目特定为第2等级的异常现象候补项目。
检定单元构成为对异常现象特定单元所特定的异常现象候补项目和其他数据项目之间是否存在显著性差异进行检定,在存在显著性差异的情况下,将被设为异常现象候补项目的数据项目判定为异常现象项目。优选检定单元构成为:关于异常现象特定单元中被特定为第1等级的异常现象候补项目的数据项目,在该数据项目的特征量和同一组内的其他数据项目的特征量之间进行统计检定,当两者之间在规定的显著性水平下不存在显著性差异这一虚无假设被废弃时,将该数据项目特定为第1等级的异常现象项目,在该数据项目也是第2等级的异常现象候补项目的情况下,当监视对象装置中共通的其他组的数据项目也属于第1等级的异常现象项目时,将该数据项目特定为第2等级的异常现象项目。
优选数据解析装置构成为在一系列数据解析结束后,由数据解析范围设定单元来变更数据的解析范围的时间,基于变更后的范围的数据,再次执行一系列数据解析。
发明效果
根据本发明所涉及的制造设备诊断辅助装置,自动收集并记录配置于一个制造设备内的多个监视对象装置或者分散配置于多个制造设备的多个监视对象装置各自的数据。然后,对利用数据项目和时间设定得到的解析范围的数据,通过基于收集到该数据的监视对象装置的规格及使用条件的分类和基于该数据所表示的物理量的分类来进行分组,计算分组后的数据的各项目中的特征量。然后,在组内和组间分别比较各数据项目的特征量,在存在表示出与其他不同的现象的数据项目的情况下,将该数据项目特定为异常现象候补项目。然后,对所特定的异常现象候补项目和其他数据项目之间是否存在显著性差异进行检定,在存在显著性差异的情况下,将被设为异常现象候补项目的数据项目判定为异常现象项目。通过在显示装置显示这样进行的数据解析的过程和结果,管理者或者使用者可以从显示装置显示的内容判断制造设备中是否发生了异常、缺陷。
附图说明
图1是表示本发明的实施方式1的系统的构成的图。
图2是说明本发明的实施方式1中数据的分组化的示例的图。
图3是说明本发明的实施方式1中特征量的提取的一例的图。
图4是说明本发明的实施方式1中变更解析范围的意义的图。
图5是表示本发明的实施方式1中异常现象候补项目的判别的一例的图。
图6是表示本发明的实施方式1中异常现象候补项目的判别的一例的图。
图7是表示本发明的实施方式1的数据解析的流程的流程图。
图8是表示本发明的实施方式1中的显示例的图。
图9是表示本发明的实施方式2的系统的构成的图。
具体实施方式
参照附图,说明本发明的实施方式。但是,以下所示实施方式只是对用于具体化本发明的技术思想的装置、方法进行的例示,除了明确指出的情况之外,构成部件的构造、配置、处理的顺序等均不限于下述情况。本发明不限于以下所示实施方式,在不脱离本发明主旨的范围内可以实施各种变形。
实施方式1.
图1是表示本发明的实施方式1的系统的构成的图。实施方式1的诊断辅助装置1以热间薄板压延工艺中的压延机10作为诊断辅助的对象。图1所示的压延机10具备加热炉21、粗压延机23、精压延机26、卷取机28、传送台29。从加热炉21送出的被压延材100由粗压延机23进行压延。粗压延机23具有一台或数台(图1中为2台)压延架230。各压延架230的辊由电动机 231驱动。在经由粗压延机23压延后,被压延材100通过传送台29向精压延机26传送。传送台29的辊由多个电动机291驱动。精压延机26具有5~7台(图 1中为7台)压延架260,将被压延材100压延到期望的产品板厚为止。各压延架260的辊由电动机261驱动。从精压延机26送出的被压延材100由冷却装置27进行冷却,然后由卷取机28卷取为线圈状。卷取机28由电动机281驱动。
诊断辅助装置1不是诊断压延机10的正常或异常的装置,而是辅助管理者或者使用者进行压延机10的诊断的装置。详细地说,诊断辅助装置1 收集、解析用于管理者或者使用者进行压延机10的诊断的数据,并将该解析结果及解析过程向管理者或者使用者呈现,由此来辅助管理者或者使用者自身进行诊断的装置。因而,诊断辅助装置1由数据收集装置2、数据解析装置3及显示装置9构成。
数据收集装置2是分别从构成压延机10的加热炉21、粗压延机23、精压延机26、卷取机28、传送台29始终(或者按规定的时间间隔间歇地)收集数据并将收集到的数据记录在记录装置2a的装置。记录装置2a例如是大容量的硬盘,可以内置于数据收集装置2,也可以配置在数据收集装置2的外部。数据收集装置2和压延机10经由未图示的I/O装置通过LAN连接。精压延机26具有7台压延架260,但各个压延架260或者各个电动机261均是成为被诊断辅助装置1监视的对象的监视对象装置。因此,数据收集装置2对每个压延架260或者每个电动机261收集数据。对于粗压延机23也同样,数据收集装置2对作为监视对象装置的每个压延架230或者每个电动机231收集数据。对于传送台29,数据收集装置2也对作为监视对象装置的每个电动机291收集数据。在例如为压延架的情况下,所收集到的数据包含电动机电流、速度、压延荷重、辊隙等(图2仅仅描述了收集的数据的一部分)。所收集的数据按项目并按时间顺序记录在记录装置2a。
数据解析装置3是对数据收集装置2记录到记录装置2a的数据进行解析的装置。数据解析装置3可以是专用的装置,也可以是通用的计算机。另外,也可以与数据收集装置2一体化。数据解析装置3具备数据解析范围设定单元4、数据分组化单元5、特征量提取单元6、异常现象特定单元7及检定单元8。数据解析装置3具备的这些单元4-8对应于数据解析装置3的存储器所存储的控制程序或者其中的一部分。通过从存储器读出控制程序并由处理器执行,从而由数据解析装置3实现这些单元4-8的功能。以下,说明构成数据解析装置3的单元4-8的功能。
首先,说明数据解析范围设定单元4。数据解析范围设定单元4设定从数据收集装置2输入的数据的范围。在数据收集装置2的记录装置2a中存储有海量的数据。因而,减少输入的数据量有利于计算时间的缩短、计算机负荷的降低。数据解析范围设定单元4利用数据项目和时间设定输入的数据的范围。例如,为了进行压延机10中的精压延机26的解析,一般不需要加热炉21、卷取机28的数据,因此仅仅选择必要的数据项目。另外,由于存在不需要所存储的数据中遥远的过去的数据的情况,因此限定于从一定的时刻开始的数据。但是,根据解析对象的数据的时间的长度,有可能无法捕捉监视对象装置的状态的变化。因而,对数据解析范围设定单元4赋予了变更解析数据的对象的时间并反复实施之后所述的一系列解析的功能。
接着,说明数据分组化单元5。数据分组化单元5从数据收集装置2输入由数据解析范围设定单元4设定的范围的数据,并对所输入的数据进行分组。数据的分组通过规定监视对象装置间的类似性的第1分类和规定数据的内容的类似性的第2分类来进行。
分组的第1分类是基于监视对象装置的规格及使用条件的分类。从规格类似且使用条件类似的监视对象装置收集的数据被集中,从而形成一个母集。这里所说的规格是指在例如监视对象装置为电动机的情况下,电动机的方式、容量等属于该规格。另外,这里所说的使用条件是指在例如监视对象装置为电动机的情况下,施加于电动机的负荷、运行计划等属于该使用条件。压延机10中,精压延机26的7台压延架260属于规格及使用条件类似的装置。粗压延机23的2台压延架230也属于类似装置,构成传送台29 的多个电动机291也属于类似装置。另外,也可以将精压延机26的7台压延架260和粗压延机23的2台压延架230统一作为类似装置。
分组的第2分类是基于数据表示的物理量的分类。在为例如从压延架 260收集的数据的情况下,数据表示的物理量是指电动机电流、速度、压延荷重、辊隙等。这些是相互独立的物理量,与其他物理量具有相关性的物理量不包含于分类项目。具体地说,与压延架260相关的物理量虽然也包含电动机转矩,但是由于电动机转矩与电动机电流存在一对一的相关,因此不包含于分类项目。对基于第1分类形成的母集进行基于物理量的分类,生成表示同一物理量的数据的组。组内的数据项目数在组间设为相同。另外,附加组内数据编号以用于组内的数据项目的识别,并且附加组编号以用于组的识别。
这里,参照图2说明数据的分组化的具体例。从精压延机26的7台压延架260收集的电动机电流、速度、压延荷重、辊隙等的原始数据分别按数据项目七个七个进行汇总,并配置在记录装置2a的存储区域。原始数据即使在记录装置2a内分散配置,数据分组化单元5也可以进行编辑以将它们汇总。图2所示的示例中,将精压延机主机电流[%]、精压延机主机速度[m/s]、精压延机压延荷重[kN]这3个数据项目分别设为一个组,分别附加可识别的组编号。在该各组内存在7个数据项目,它们与精压延机26的压延架260的台数对应。该情况下的组内数据编号取从No.1到No.7的编号。精压延机主机电流组的No.4是指精压延机第4架的主机电流。该定义中,组内的数据项目数在组间设为相同。
接着,说明特征量提取单元6。特征量提取单元6提取由数据分组化单元5分组后的数据的各项目中的特征量。特征量可以定义为使数据具有的特征容易显现的量。作为特征量的提取方法的一例,可列举对对象数据实施统计处理。作为基本统计量的平均值、中央值(中间值)、最大值、最小值、标准偏差或方差(方差的平方根为标准偏差)都可以设为特征量。数据为振动的情况下,频率及振幅也是特征量。另外,通过回归分析将数据用“y=a*x+b”等的函数来表示,由此可以将函数的系数(回归系数)a、b设为数据的特征量。而且,也可以通过由傅里叶变换获得的频段的振幅的分布、由小波变换获得的时间顺序的频率分布等其他统计解析来计算特征量。
但是,若直接对原始数据应用统计解析,则有可能无法准确捕捉数据具有的特征。例如,在图3的上段的图表中按时间顺序排列有原始数据 (A)(由实线表示),但是,其中包含了在压延时和非压延时电平显著改变的信号。主机电动机的电流、压延荷重等符合该条件,它们在压延中成为非常大的值,而在未压延时是0附近的值。若求取原始数据(A)的统计量,则最大值是压延时的值,最小值是未压延时的值,标准偏差通过评价图示的最大值和最小值的差而计算。在将这些统计量设为特征量的情况下,例如,即使在电动机的电流出现大的振动现象,但若与压延时的电流的电平相比也仍然较小,因此有可能错失振动。
因而,如图3的上段的图表所示,对原始数据(A)进行过滤(例如低通滤波器),获得虚线的信号(B)。然后,如图3的下段的图表所示,计算过滤原始数据(A)后获得的信号(B)与原始数据(A)的偏差((A)-(B))。若对该标准偏差((A)-(B))实施统计处理,则可以使叠加于电动机电流的振动显著化。因而,特征量提取单元6对原始数据计算特征量,还对过滤原始数据所获得的信号与原始数据的偏差计算相同特征量。
另外,特征量提取单元6具备变更进行解析的对象的期间的功能。具备这样的功能的意义用图4说明。如图4的各图表所示,特征量提取单元6 对作为进行解析的对象的原始数据的范围设定时间窗口(Window)。然后,通过回归分析来对时间窗口中的原始数据进行线性近似。从通过线性近似获得的直线可获知原始数据的变化的趋势,另外,从直线与原始数据的距离可获知原始数据的偏差。
在图4的图表(1)中,作为短期的解析对象,设定有时间窗口-S1、S2、 S3。时间窗口-S1、S2、S3在时间方向错开设定,在邻接的时间窗口-S1、 S2及窗口-S2、S3的各个间设有重叠部分。在图表(2)中,对于与图表(1)相同的原始数据,作为长期的解析对象,设定有时间窗口-L1。通过对图表(2) 所示的时间窗口-L1中的原始数据进行回归分析,可获知原始数据表示出长期的增加趋势。但是,在对图表(1)所示的短期的时间窗口中的原始数据进行了回归分析的情况下,在窗口-S1可检知原始数据的增加趋势,而在窗口 -S2无法检知原始数据的增加趋势。另一方面,在图4的图表(3)中,对于不同于图表(1)及(2)的原始数据,作为长期的解析对象,设定有时间窗口-L1。通过对该时间窗口-L1中的原始数据进行回归分析,可以检知原始数据的增加趋势。但是,在将时间窗口设为短期间的情况下,也有可能错失增加趋势。
这样,在将进行解析的对象的期间限定为长期间或者短期间的情况下,有可能错失原始数据的短期或者长期的变化的趋势。特征量提取单元 6通过具备变更进行解析的对象的期间的功能,从而不会错失原始数据的短期及长期的变化的趋势。
接着,说明异常现象特定单元7。异常现象特定单元7在组内和组间分别对特征量提取单元6提取出的各数据项目的特征量进行比较,在存在表示与其他不同的现象的数据项目的情况下,将该数据项目特定为异常现象候补项目。以下,用图5及图6对此进行说明。这里,原始数据设为分成附加有A、B、C、D、…的组编号的多个组,且在各组内附加有(1)、(2)、(3)、…、 (7)的组内数据编号的7个数据项目。另外,作为具体例,设为:数据是从精压延机26收集的数据,组A是精压延机主机电流,组B是精压延机压延荷重,7个数据项目与7台压延架260对应。图5及图6中,在3维曲线上将解析对象范围内的原始数据在X轴方向上按时间顺序排列,将它们在Y轴方向上按组重叠,同一组内数据编号的数据在Z轴方向上排列成一列,由此来进行显示。另外,该显示是为了在视觉上容易理解原始数据的每一组每一数据项目的时间变化,因此未必一定要进行该显示。
在图5及图6的各右下方,描绘了在解析对象时间的范围内对解析原始数据获得的特征量进行投影而得到的平面(YZ平面)。在该平面,组编号A、 B、C中的组内数据编号(1)、(2)、(3)、…、(7)的各数据的特征量由双向箭头的长度表示。这里,特征量设为标准偏差的大小。图5所示例中,组A的数据编号(2)的数据的标准偏差最大。
异常现象特定单元7首先在同一组内的数据项目间比较特征量。然后,关于特征量的大小,在存在与其他数据项目相比具有规定比率以上的差(例如30%以上)的数据项目的情况下,将该数据项目特定为第1等级的异常现象候补项目。图5所示的示例中,组A中的数据编号(2)的数据项目属于第1 等级的异常现象候补项目。但是,在组B、C中,对于特征量的大小,不含有与其他相比具有较大差异的数据项目,第1等级的异常现象候补项目不存在。
这样,在某数据项目仅在一个组中被特定为第1等级的异常现象候补项目的情况下,在与该数据项目相符的装置中,可能发生了与该组表示的物理量相关的某些异常。图5所示的示例中,数据编号(2)的精压延机第2架中,组A的精压延机主机电流的标准偏差比其他大,因此,可以判断在精压延机第2架的电动机的周边可能产生了某些异常。
另一方面,图6所示的示例中,数据编号(2)的数据的标准偏差变得比组A、B、C中其他数据编号的数据的标准偏差要大。即,图6示出了组A的精压延机主机电流也振动,组B的精压延机压延荷重也振动等的状况。在该情况下,组A、B、C中的数据编号(2)的数据项目分别属于第1等级的异常现象候补项目。
这样,在某数据项目在多个组中均被特定为第1等级的异常现象候补项目的情况下,在与该数据项目相符的装置中,可能产生了某些现象,例如振动。但是,其无法特定是由装置的异常引起,还是由被加工物的特性引起,还是由控制系统的操作引起,或者是偶然引起的现象。因而,异常现象特定单元7将这样的数据项目,即图6所示的示例中的数据编号(2)的数据项目特定为第2等级的异常现象候补项目。
如上所述,异常现象特定单元7首先在同一组内的数据项目间比较特征量。然后,关于特征量的大小,在存在与其他数据项目相比具有较大差异的数据项目的情况下,将该数据项目特定为第1等级的异常现象候补项目。而且,若该数据项目在多个组中均被特定为第1等级的异常现象候补项目,则将该数据项目也特定为第2等级的异常现象候补项目。
接着,说明检定单元8。检定单元8对由异常现象特定单元7特定的异常现象候补项目、即存在异常可能性的数据项目,以统计方式进行是否异常的检定。关于在异常现象候补项目与其他数据项目之间是否存在显著性差异而进行检定,在两者间存在显著性差异的情况下,将设为异常现象候补项目的数据项目判定为异常现象项目。
详细地说,检定单元8在判断为第1等级的异常现象候补项目的数据项目的特征量与同一组内的其他数据项目的特征量之间,进行统计检定。作为具体的检定方法,例如可应用t检定。t检定中,设立“判断为第1等级的异常现象候补项目的数据项目与同一组内的其他数据项目之间不存在显著性差异”的虚无假设,检定在规定的显著性水平(一般为5%)下能否废弃虚无假设。检定单元8在能够废弃虚无假设的情况下,判断与仅包含第1等级的异常现象候补项目的数据项目相关的装置中存在异常的可能性较高,并将该数据项目特定为第1等级的异常现象项目。检定单元8将该检定应用于所有的第1等级的异常现象候补项目。然后,在被特定为第1等级的异常现象项目的数据项目也是第2等级的异常现象候补项目的情况下,对多个组进行上述检定。接着,在该数据项目在多个组均属于第1等级的异常现象项目的情况下,将该数据项目确定为第2等级的异常现象项目。
这样,检定单元8分等级对异常现象项目进行特定。在某数据项目为第1等级的异常现象项目的情况下,对于与该数据项目相符的装置,可认为需要进行详细的调查。另一方面,在某数据项目为第2等级的异常现象项目的情况下,对于与该数据项目相符的装置,可认为即使不需要进行详细的调查,也需要加以注意。但是,若某数据项目继续成为第2等级的异常现象项目,则对于与该数据项目相符的装置,可认为也需要进行详细的调查。
单元4-8通过具有以上说明的功能,从而数据解析装置3的数据解析的流程成为如图7所示那样。如图7的流程图所示,数据解析装置3首先在步骤S101中,通过数据解析范围设定单元4的功能来设定数据解析对象的范围。
接着,数据解析装置3在步骤S102中,通过数据分组化单元5的功能来从数据收集装置2输入必要数据,在步骤S103中,对输入的数据项目进行分组化。
接着,数据解析装置3在步骤S104中,通过特征量提取单元6的功能来提取同一组内数据的特征量,而且,在步骤S105中,提取组间的同一数据编号的特征量。
接着,数据解析装置3在步骤S106中,通过异常现象特定单元7的功能,来对特征量中具有与其他不同的特征量的数据项目进行特定。然后在步骤 S107中,通过检定单元8的功能,来检定所特定得到的数据项目与其他之间是否存在显著性差异。
若关于步骤S101中所设定的数据解析对象时间的解析结束,则数据解析装置3在步骤S108中确认是否已将数据解析对象的时间从短期间变更为长期间,或者从长期间变更为短期间。在变更未结束的情况下,数据解析装置3在步骤S109中,通过数据解析范围设定单元4的功能,将数据解析对象时间从短期间变更为长期间,或者从长期间变更为短期间。数据解析装置3对于变更后的数据解析对象时间,进行从步骤S102到步骤S107的解析处理,然后,一系列处理结束。
数据解析装置3的解析过程及解析结果显示于显示装置9。显示装置9 是与数据解析装置3一体化或者与数据解析装置3连接的显示器。显示装置 9的显示画面可以是一个,也可以是多个。图2、图3、图4、图5及图6都是在显示装置9显示的内容的具体例。在显示装置9具备多个显示画面的情况下,可以同时显示这些图所示的内容。在显示装置9的显示画面为一个或者少数的情况下,通过切换画面的内容,可以选择性地显示这些图所示的内容。诊断辅助装置1的管理者或者使用者可以根据显示装置9通过显示画面所提供的信息,基于自身的知识、经验来判断压延机10是否发生异常、缺陷。
另外,图8显示了在精压延机实际发生的事例。图8的曲线中,上段表示每个压延架的主机电流的变化,下段表示每个压延架的压延荷重的变化。该事例中,主机电流中第4架(F4)的主机电流与其他架的主机电流相比,成为振动的主机电流。另一方面,第4架(F4)的压延荷重与其他架的压延荷重相比不是振动的。看见这样的内容的显示画面的管理者判断在第4架的电动机周边存在某些异常。
实施方式2.
图9是表示本发明的实施方式2的系统的构成的图。实施方式2中,诊断辅助装置1经由因特网300与设置于远离的场所的多个压延机10A、10B、 10C、10D连接。诊断辅助装置1将这些压延机10A、10B、10C、10D设为诊断辅助的对象。
实施方式2中,诊断辅助装置1从各压延机10A、10B、10C、10D的监视对象装置收集数据,对它们进行解析,并将解析过程及解析结果显示于显示装置。在数据的解析中,诊断辅助装置1将从压延机10A、10B、10C、 10D间类似的监视对象装置获得的数据分类为一个组。例如,在压延机10A、 10B、10C、10D分别具有由7台压延架组成的精压延机的情况下,诊断辅助装置1按精压延机主机电流、精压延机压延荷重等的物理量,制作具有与压延架的总数对应的28的数据项目的组。然后与实施方式1同样,在组内和组间分别对各数据项目的特征量进行比较,将表示出与其他不同的现象的数据项目特定为异常现象候补项目。
根据实施方式2,可以增加成为比较对象的数据项目的数量,因此,可以提高异常现象候补项目的特定精度,进而可以向管理者或者使用者提供更有用的诊断材料。
其他实施方式.
可应用本发明的制造设备不限于压延机。例如,本发明也可以应用于设置有多个同规格的加工中心的工作机械。该情况下,将从这些加工中心获得的数据汇总为一个组即可。
标号说明
1:诊断辅助装置
2:数据收集装置
2a:记录装置
3:数据解析装置
4:数据解析范围设定单元
5:数据分组化单元
6:特征量提取单元
7:异常现象特定单元
8:检定单元
9:显示装置
10,10A,10B,10C,10D:压延机
26:精压延机
260:压延架
Claims (9)
1.一种制造设备诊断辅助装置,具备:
数据收集装置,该数据收集装置始终或间歇地对配置于一个制造设备内的多个监视对象装置、或者分散配置于多个制造设备的多个监视对象装置各自的数据进行收集和记录;
数据解析装置,该数据解析装置对所述数据收集装置所记录的数据进行解析;以及
显示装置,该显示装置显示所述数据解析装置的解析过程及解析结果,
所述制造设备诊断辅助装置的特征在于,
所述数据解析装置具备:
数据解析范围设定单元,该数据解析范围设定单元利用数据项目和时间来设定所述数据收集装置所记录的数据的解析范围;
数据分组化单元,该数据分组化单元从所述数据收集装置输入由所述数据解析范围设定单元设定的范围的数据,对各数据进行基于收集到该数据的监视对象装置的规格及使用条件的分类、以及基于该数据所表示的物理量的分类,由此对从所述数据收集装置输入的数据进行分组;
特征量提取单元,该特征量提取单元提取由所述数据分组化单元进行分组后的数据的各项目中的特征量;
异常现象特定单元,该异常现象特定单元在组内和组间分别对所述特征量提取单元提取到的各数据项目的特征量进行比较,在存在有表示出与其他不同的现象的数据项目的情况下,将该数据项目特定为异常现象候补项目;以及
检定单元,该检定单元对所述异常现象特定单元所特定的异常现象候补项目与其他数据项目之间是否存在显著性差异进行检定,在存在显著性差异的情况下,将被设为异常现象候补项目的数据项目判定为异常现象项目。
2.如权利要求1所述的制造设备诊断辅助装置,其特征在于,
所述数据分组化单元在组间将各组内的数据项目数设为相同,对各数据项目附加组内数据编号用于组内识别,并附加组编号用于组间识别。
3.如权利要求1或2所述的制造设备诊断辅助装置,其特征在于,
所述特征量提取单元对原始数据、以及过滤原始数据后获得的信号与原始数据的偏差这两个,计算同一种类的特征量。
4.如权利要求1或2所述的制造设备诊断辅助装置,其特征在于,
所述异常现象特定单元进行下述动作:
在同一组内的数据项目间对特征量进行比较,在关于特征量的大小,存在与其他数据项目相比具有规定比率以上的差的数据项目的情况下,将该数据项目特定为第1等级的异常现象候补项目,
在监视对象装置中共通的数据项目在多个组均被特定为第1等级的异常现象候补项目的情况下,将该数据项目特定为第2等级的异常现象候补项目。
5.如权利要求3所述的制造设备诊断辅助装置,其特征在于,
所述异常现象特定单元进行下述动作:
在同一组内的数据项目间对特征量进行比较,在关于特征量的大小,存在与其他数据项目相比具有规定比率以上的差的数据项目的情况下,将该数据项目特定为第1等级的异常现象候补项目,
在监视对象装置中共通的数据项目在多个组均被特定为第1等级的异常现象候补项目的情况下,将该数据项目特定为第2等级的异常现象候补项目。
6.如权利要求4所述的制造设备诊断辅助装置,其特征在于,
所述检定单元进行下述动作:
关于所述异常现象特定单元中被特定为第1等级的异常现象候补项目的数据项目,在该数据项目的特征量和同一组内的其他数据项目的特征量之间进行统计检定,当两者之间在规定的显著性水平下不存在显著性差异这一虚无假设被废弃时,将该数据项目特定为第1等级的异常现象项目,
在该数据项目也是第2等级的异常现象候补项目的情况下,当监视对象装置中共通的其他组的数据项目也属于第1等级的异常现象项目时,将该数据项目特定为第2等级的异常现象项目。
7.如权利要求1、2、5、6中任一项所述的制造设备诊断辅助装置,其特征在于,
所述数据解析装置在一系列数据解析结束后,由所述数据解析范围设定单元来变更数据的解析范围的时间,基于变更后的范围的数据,再次执行一系列的数据解析。
8.如权利要求3所述的制造设备诊断辅助装置,其特征在于,
所述数据解析装置在一系列数据解析结束后,由所述数据解析范围设定单元来变更数据的解析范围的时间,基于变更后的范围的数据,再次执行一系列的数据解析。
9.如权利要求4所述的制造设备诊断辅助装置,其特征在于,
所述数据解析装置在一系列数据解析结束后,由所述数据解析范围设定单元来变更数据的解析范围的时间,基于变更后的范围的数据,再次执行一系列的数据解析。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2014/063359 WO2015177870A1 (ja) | 2014-05-20 | 2014-05-20 | 製造設備診断支援装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106462150A CN106462150A (zh) | 2017-02-22 |
CN106462150B true CN106462150B (zh) | 2018-11-02 |
Family
ID=54553567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480079083.6A Active CN106462150B (zh) | 2014-05-20 | 2014-05-20 | 制造设备诊断辅助装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10996662B2 (zh) |
JP (1) | JP6252675B2 (zh) |
KR (1) | KR101906029B1 (zh) |
CN (1) | CN106462150B (zh) |
WO (1) | WO2015177870A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102042368B1 (ko) | 2016-02-03 | 2019-11-07 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 제조 설비 진단 지원 장치 및 제조 설비 진단 지원 방법 |
JP6416823B2 (ja) * | 2016-05-16 | 2018-10-31 | ファナック株式会社 | 加工セル及び加工セル管理システム |
WO2018096682A1 (ja) * | 2016-11-28 | 2018-05-31 | 東芝三菱電機産業システム株式会社 | 圧延設備の異常診断の方法及び装置 |
WO2018123049A1 (ja) * | 2016-12-28 | 2018-07-05 | 東芝三菱電機産業システム株式会社 | 誘導加熱装置の診断装置 |
JP6845703B2 (ja) * | 2017-02-13 | 2021-03-24 | 株式会社神戸製鋼所 | プラント状況情報提示システム及びプラント状況情報提示方法 |
JP6903976B2 (ja) * | 2017-03-22 | 2021-07-14 | オムロン株式会社 | 制御システム |
JP7127304B2 (ja) * | 2018-03-12 | 2022-08-30 | 株式会社リコー | 診断装置、診断方法およびプログラム |
JP6936178B2 (ja) * | 2018-03-23 | 2021-09-15 | ファナック株式会社 | 異常検知装置 |
JP6809618B2 (ja) * | 2018-05-15 | 2021-01-06 | 住友電気工業株式会社 | 管理装置、管理方法および管理プログラム |
JP6777686B2 (ja) * | 2018-05-29 | 2020-10-28 | ファナック株式会社 | 診断装置、診断方法及び診断プログラム |
JP7031512B2 (ja) | 2018-06-25 | 2022-03-08 | 東芝三菱電機産業システム株式会社 | 鉄鋼プラント用監視作業支援システム |
WO2020009655A1 (en) * | 2018-07-05 | 2020-01-09 | Hitachi, Ltd. | Method and system for chiller performance anomaly diagnosis |
JP6760503B2 (ja) * | 2018-08-31 | 2020-09-23 | 東芝三菱電機産業システム株式会社 | 製造プロセス監視装置 |
WO2020152741A1 (ja) * | 2019-01-21 | 2020-07-30 | 三菱電機株式会社 | 異常要因推定装置、異常要因推定方法、及びプログラム |
KR102398307B1 (ko) * | 2019-03-26 | 2022-05-16 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 이상 판정 지원 장치 |
EP3796117B1 (de) * | 2019-09-18 | 2021-10-27 | Siemens Aktiengesellschaft | Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage |
US20210370960A1 (en) * | 2020-01-22 | 2021-12-02 | Clearpath Robotics Inc. | Systems and methods for monitoring an operation of one or more self-driving vehicles |
BR112022000009A2 (pt) * | 2020-07-01 | 2023-01-17 | Toshiba Mitsubishi Electric Industrial Systems Corp | Aparelho de suporte de diagnóstico de instalação de produção |
US11586675B1 (en) * | 2021-08-03 | 2023-02-21 | Jmp Statistical Discovery Llc | Interactive graphical user interface for specification rate settings and predictions |
KR20240067923A (ko) * | 2022-10-05 | 2024-05-17 | 가부시키가이샤 티마이크 | 압연 리스크 제시 장치 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11338535A (ja) * | 1998-05-22 | 1999-12-10 | Mitsubishi Electric Corp | 生産設備保全データ監視システム |
JPH11344589A (ja) | 1998-06-02 | 1999-12-14 | Hitachi Ltd | プラント診断システム |
GB0307406D0 (en) * | 2003-03-31 | 2003-05-07 | British Telecomm | Data analysis system and method |
JP4434905B2 (ja) | 2004-09-30 | 2010-03-17 | 株式会社東芝 | プロセス管理装置 |
JP2006338373A (ja) | 2005-06-02 | 2006-12-14 | Toshiba Corp | 多変数時系列データ分析装置、方法およびプログラム |
JP2007148890A (ja) * | 2005-11-29 | 2007-06-14 | Hitachi Ltd | 機器診断装置 |
JP5301310B2 (ja) | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP5427107B2 (ja) | 2010-05-20 | 2014-02-26 | 株式会社日立製作所 | 監視診断装置および監視診断方法 |
CN101937207B (zh) * | 2010-08-27 | 2012-09-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
JP2012137934A (ja) * | 2010-12-27 | 2012-07-19 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム |
DK2712391T3 (en) * | 2011-08-19 | 2016-11-21 | Siemens Ag | Automated nuclear cause analysis |
US8786425B1 (en) * | 2011-09-09 | 2014-07-22 | Alarm.Com Incorporated | Aberration engine |
US9075713B2 (en) * | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
JP5963579B2 (ja) * | 2012-06-13 | 2016-08-03 | 住友重機械工業株式会社 | ショベルの管理装置及びショベルの異常検出方法 |
EP2708963A1 (en) * | 2012-09-12 | 2014-03-19 | Alstom Technology Ltd. | Devices and methods for diagnosis of industrial electronic based products |
JP5490277B2 (ja) * | 2013-03-05 | 2014-05-14 | 三菱重工業株式会社 | プラント運転状態監視方法 |
JP5538597B2 (ja) * | 2013-06-19 | 2014-07-02 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
-
2014
- 2014-05-20 CN CN201480079083.6A patent/CN106462150B/zh active Active
- 2014-05-20 WO PCT/JP2014/063359 patent/WO2015177870A1/ja active Application Filing
- 2014-05-20 US US15/308,011 patent/US10996662B2/en active Active
- 2014-05-20 KR KR1020167034856A patent/KR101906029B1/ko active IP Right Grant
- 2014-05-20 JP JP2016520848A patent/JP6252675B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2015177870A1 (ja) | 2017-04-20 |
US10996662B2 (en) | 2021-05-04 |
KR20170007408A (ko) | 2017-01-18 |
WO2015177870A1 (ja) | 2015-11-26 |
KR101906029B1 (ko) | 2018-10-08 |
CN106462150A (zh) | 2017-02-22 |
JP6252675B2 (ja) | 2017-12-27 |
US20170083016A1 (en) | 2017-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462150B (zh) | 制造设备诊断辅助装置 | |
US11392114B2 (en) | Abnormality determination support apparatus | |
Lieber et al. | Quality prediction in interlinked manufacturing processes based on supervised & unsupervised machine learning | |
Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
Soylemezoglu et al. | Mahalanobis Taguchi system (MTS) as a prognostics tool for rolling element bearing failures | |
JP5772546B2 (ja) | 操業品質予測装置、操業品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
US11112782B2 (en) | Process anomalous state diagnostic device and process anomalous state diagnosis method | |
Hasani et al. | An automated auto-encoder correlation-based health-monitoring and prognostic method for machine bearings | |
Shen et al. | A deep multi-label learning framework for the intelligent fault diagnosis of machines | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN107949813A (zh) | 制造设备诊断辅助装置及制造设备诊断辅助方法 | |
KR102073810B1 (ko) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 | |
CN108885443A (zh) | 制造设备的异常诊断装置 | |
Kamat et al. | Deep learning-based anomaly-onset aware remaining useful life estimation of bearings | |
Karaköse et al. | The intelligent fault diagnosis frameworks based on fuzzy integral | |
CN114610553A (zh) | 一种智能设备检测系统及其检测方法 | |
US20110106289A1 (en) | Method for monitoring an industrial plant | |
CN116027725A (zh) | 一种基于高效机房的群控优化分析系统 | |
Hasani et al. | A machine learning suite for machine components’ health-monitoring | |
CN113129530B (zh) | 基于物联网和机器视觉的智能安防电子围栏报警系统 | |
CN106980919A (zh) | 一种工程信息管理方法及系统 | |
DE102019113504A1 (de) | Informationsverarbeitungsverfahren, Informationsverarbeitungsgerät und Programm | |
Sardana et al. | Data driven predictive analytics for a spindle's health | |
EP2857989A1 (en) | Image search system and image search method | |
CN106533828B (zh) | 一种用于任务管理的计算机网络安全防护系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |