CN106944928A - 异常分析系统及分析设备 - Google Patents
异常分析系统及分析设备 Download PDFInfo
- Publication number
- CN106944928A CN106944928A CN201611005854.4A CN201611005854A CN106944928A CN 106944928 A CN106944928 A CN 106944928A CN 201611005854 A CN201611005854 A CN 201611005854A CN 106944928 A CN106944928 A CN 106944928A
- Authority
- CN
- China
- Prior art keywords
- analytical equipment
- information
- detector
- exception
- network
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及异常分析系统及分析设备。多个生产设施和分析设备通过雾网络连接。分析设备基于通过雾网络所获取的检测器的检测信息来执行数据分析,并且存储关于多个生产设施中的每一个的异常或生产对象的异常的确定信息作为数据分析的结果。多个生产设施中的每一个基于存储在分析设备中的确定信息来确定多个生产设施中的每一个的异常或生产对象的异常。
Description
技术领域
本发明涉及一种异常分析系统及用在异常分析系统中的分析设备。
背景技术
在专利文献1中,描述了一种用于监视工件的磨削灼伤的方法。在该方法中,在工件的磨削期间,通过检测磨削轮的磨削负荷和工件的旋转速度并且根据旋转速度将所检测到的磨削负荷与磨削负荷的阈值进行比较来确定磨削灼伤发生与否。这里,基于在工件的磨削灼伤发生时磨削轮相对于工件的旋转速度的磨削负荷来设置阈值。
在专利文献2中,描述了执行试磨,并且基于在试磨中所获取的磨削负荷来设置阈值。此后,通过将实际磨削中检测到的磨削负荷与阈值进行比较来确定磨削异常发生与否。
在专利文献3中,描述了基于如下的质量趋势图案来预测产品的质量异常。例如,在使用磨削轮来磨削工件的外周面的情况下,随着工件数目增加,尺寸精度倾向于恶化(参见专利文献3中的图4)。此外,基于一个工件的磨削时间与磨削阻力之间的关系来获取工件的数目与磨削阻力的平均值之间的关系(参见专利文献3中的图5和图10)。然后,在表示工件的数目与磨削阻力的平均值之间的关系的质量趋势图案中,可以通过考虑工件的数目与尺寸精度之间的关系来设置用于磨削阻力的平均值的阈值。换言之,通过获取工件的磨削阻力和数目,可以基于质量趋势图案和阈值来预测产品的异常。
相关领域专利文献的列表
[专利文献1]:JP2013-129027A
[专利文献2]:WO2012/098805
[专利文献3]:JP2014-154094A
发明内容
本发明要解决的问题
近年来,当今时代被称为物联网(IoT)时代,并且预期使用通过将许多物品连接至因特网而获取的大数据。同样,在生产设施中,还预期要基于从生产设施获取到的大量信息来执行生产对象的异常分析。
此外,近年来,云计算被获知。云计算采用使用通过因特网等连接的计算机的形式。例如,通过使用所持有的计算机来使用存储在通过因特网等连接的计算机中的数据或所述计算机中的应用程序,而不是使用存储在所持有的计算机中的数据和应用程序。
生产设施的大数据被认为要通过使用云计算来被使用。然而,在云计算中,由于传送非常大的数据,因此存在发生通信拥塞的情况。此外,在到达云服务器的距离很长的情况下,通信时间变长。为此,在使用云计算的情况下,速度不够。
在执行生产设施的异常分析的情况下,通过将分析的结果较早反馈回到生产设施,可以预期对生产对象的异常发生的抑制效果。为此,如此使用云计算作为生产设施的异常分析系统是不够的。
本发明的目的是提供一种能够基于大量生产设施的信息来执行分析并且将分析的结果较早反馈回到生产设施的异常分析系统以及在异常分析系统中使用的分析设备。
解决问题的装置
(1.异常分析系统)
根据本发明的异常分析系统包括:多个生产设施,其各自是生产生产对象的设施并且包括一个或更多个检测器;第一网络,其连接至多个生产设施,并且安装在构建雾计算的预定区域之内;以及分析设备,其连接至第一网络,基于通过第一网络所获取的检测器的检测信息来执行数据分析,并且基于数据分析的结果来生成关于多个生产设施中的每一个的异常或生产对象的异常的确定信息。多个生产设施中的每一个包括:异常确定设备,其基于由分析设备生成的确定信息来确定多个生产设施中的每一个的异常或生产对象的异常。
多个生产设施中的每一个的检测器与分析设备通过第一网络连接,第一网络安装在构建雾计算的预定区域之内。与云计算的区域相比,雾计算是连接至具有更窄的区域的网络的系统。换言之,构建雾计算的第一网络是安装在比构建云计算的区域更窄的预定区域之内的网络。为此,在检测器与分析设备之间的数据通信中,抑制了通信拥塞的发生。此外,由于第一网络构建在较窄的预定区域之内,因此可以缩短生产设施与分析设备之间的通信时间。因此,分析设备可以以较高速度来接收由检测器获取的检测信息。
分析设备可以获取多个生产设施的检测信息并且执行分析,因而可以将由分析设备获取的结果较早反馈回到生产设施。由于分析结果可以较早反馈回到生产设施,因此可以在更早的时间可靠地抑制生产对象的异常发生。
(2.分析设备)
根据本发明内容的分析设备是用在上述异常分析系统中的上述分析设备。根据该分析设备,可以获得根据上述异常分析系统的效果。
附图说明
图1是图示了异常分析系统的示图。
图2是图示了作为图1中所图示的生产设施的示例的磨床的配置的示图。
图3是生产设施的框图。
图4是图示了磨削轮的马达的功率相对于在一个生产对象的磨削开始之后经过的时间的行为的示图。
图5是图示了图1中所示的分析设备的配置的示图。
图6图示了根据第一实施方式的异常确定设备、分析设备和高阶分析设备的详细处理流程。
图7图示了根据第二实施方式的异常确定设备、分析设备和高阶分析设备的详细处理流程。
图8是图示了根据第二实施方式的由异常确定设备执行的频率分析的结果的图表。
图9是图示了根据第二实施方式的由异常确定设备执行的异常确定的第一示例的示图,并且是图示了振动的幅度在一天的时间段(调节参数)内的峰值(估计参数)的示图。
图10是图示了根据第二实施方式的由异常确定设备执行的异常确定的第二示例的示图,并且是图示了振动的幅度在一年的时间段(调节参数)内的峰值(估计参数)的示图。
图11是图示了根据第二实施方式的根据由分析设备执行的第一示例的确定信息的图案的生成的示图。
图12是图示了根据第二实施方式的根据由分析设备执行的第二示例的确定信息的图案的生成的示图。
图13图示了根据第三实施方式的异常确定设备、分析设备和高阶分析设备的详细处理流程。
图14是图示了根据第三实施方式的由异常确定设备执行的异常确定的示图,并且是图示了马达的功率在环境温度(调节参数)下的当前值(估计参数)的示图。
图15是图示了根据第三实施方式的由分析设备执行的确定信息的图案生成的示图。
具体实施方式
<1.第一实施方式>
(1-1.异常分析系统的配置)
将参照图1来描述根据本实施方式的异常分析系统1的配置。如图1所示,异常分析系统1包括:生产设施11至13;其他生产设施21至23;雾网络31,其连接至生产设施11至13;另一雾网络32,其连接至其他生产设施21至23;云网络40,其连接至雾网络31和雾网络32;分析设备50;另一分析设备60;以及高阶分析设备70。这里,分析设备50和分析设备60以及高阶分析设备70例如可以是可编程逻辑控制器(PLC)、计算机数控(CNC)装置等的内置系统,或者可以是个人计算机、服务器等。
生产设施11至13(对应于根据本发明的生产设施)是生产预定生产对象的设施。其他生产设施21至23(对应于根据本发明的其他生产设施)是生产预定生产对象的设施。这里,由生产设施11至13生产的生产对象和由其他生产设施21至23生产的生产对象可以是同一种类或不同种类。
生产设施11和生产设施21例如是用于生产线中的第一处理过程的机床和磨削曲轴等的磨床。生产设施13和生产设施23是用于第二处理过程的机床和磨削如上所述的曲轴等的磨床。生产设施12和生产设施22是在生产设施11与生产设施13之间或在生产设施21与生产设施23之间传输生产对象的输送器。
生产设施11至13安装在同一建筑物内部或邻近建筑物内部。其他生产设施21至23安装在同一建筑物内部或邻近建筑物内部,并且安装在位于与生产设施11至13的位置不同的位置处的建筑物内部。例如,存在以下情况:生产设施11至13安装在日本并且其他生产设施21至23安装在除了日本之外的国家;生产设施11至13和其他生产设施21至23都安装在日本但安装在彼此远离的区域等。
换言之,生产设施11至13安装在可以构建雾计算的预定区域内部。另外,类似地,其他生产设施21至23安装在可以构建雾计算的预定区域内部。然而,生产设施11至13与其他生产设施21至23安装在不能构建雾计算的区域中。
这里,与云计算的区域相比,雾计算是连接至更窄的区域的网络的系统。换言之,构建雾计算的网络是安装在比构建云计算的区域更窄的预定区域内部的网络。雾计算也被称为边缘计算。
雾网络31(对应于根据本发明的第一网络)是连接至生产设施11至13并且安装在构建雾计算的预定区域内部的网络。雾网络31安装在与安装生产设施11至13的建筑物相同的建筑物内部,或者安装在与安装生产设施11至13中的任何一个的建筑物邻近的建筑物内部。
其他雾网络32是连接至其他生产设施21至23并且安装在构建雾计算的预定区域内部的网络。其他雾网络32安装在与安装其他生产设施21至23的建筑物相同的建筑物内部,或者安装在与安装其他生产设施21至23中的任何一个的建筑物邻近的建筑物内部。其他雾网络32未直接连接至雾网络31。这里,可以将因特网、局域网(LAN)、广域网(WAN)等应用作为雾网络31和雾网络32。
云网络40(对应于根据本发明的第二网络)是连接至雾网络31和雾网络32的网络。与雾网络31和雾网络32的区域相比,云网络40是具有更广的区域的广域网,例如是因特网。为此,云网络40成为连接生产设施11至13和其他生产设施21至23的网络。
分析设备50直接连接至雾网络31,并且安装在与安装生产设施11至13的建筑物相同的或与该建筑物邻近的建筑物中。分析设备50基于从生产设施11至13获取到的检测信息来执行数据分析。分析设备50例如获取生产设施11至13对应于一天的检测信息,并且每天执行数据分析。可以通过重复数次数据分析来进行学习。然后,分析设备50存储关于生产设施11至13的异常或生产设施11至13的生产对象的异常的确定信息作为数据分析的结果。另外,通过获取由下面要描述的高阶分析设备70执行的高阶数据分析的结果,分析设备50基于由分析设备50执行的数据分析的结果和由高阶分析设备70执行的高阶数据分析的结果来确定确定信息,并且存储确定信息。
其他分析设备60直接连接至雾网络32,并且安装在与安装生产设施21至23的建筑物相同的建筑物中,或者安装在与安装生产设施21至23的建筑物邻近的建筑物内部。其他分析设备60基于从其他生产设施21至23获取到的检测信息来执行数据分析。其他分析设备60执行与上述分析设备50所执行的处理类似的处理,其中,将其他生产设施21至23设置为对象。
高阶分析设备70连接至云网络40,并且基于所获取的信息来执行高阶数据分析。换言之,高阶分析设备70通过云网络40以及雾网络31和雾网络32从生产设施11至13获取信息以及从其他生产设施21至23获取信息。与由分析设备50和分析设备60所执行的数据分析相比,高阶分析设备70具有需要更长时间的高阶数据分析作为其对象,并且具有使用大量信息的高阶数据分析作为其对象。高阶分析设备70例如获取生产设施11至13和其他生产设施21至23对应于一周、数周、一个月或数个月的检测信息,并且根据获取周期来执行数据分析。可以通过重复数次高阶数据分析来进行学习。
(1-2.生产设施11的配置)
接下来,将参照图2至图4来描述生产设施11的配置的示例。在该实施方式中,生产设施11例如是磨床。作为磨床11的示例,将描述磨削轮基座114相对于床身111横移(沿Z轴方向移动)的磨削轮基座横移式的磨床来作为示例。然而,也可以将磨床11应用到工作台横移式的磨床,其中,主轴装置112相对于床身111横移(沿Z轴方向移动)。
磨床11的生产对象(工件)例如是曲轴W。要由磨床11磨削的部分是曲轴的曲柄轴颈、曲柄销等。
磨床11被配置如下。床身111固定至安装面,并且支承曲轴W以在两端可旋转的主轴装置112和尾架装置113附接至床身111。曲轴W由主轴装置112和尾架装置113支承,以便可以以曲柄轴颈为中心旋转。主轴装置112包括马达112a,马达112a驱动曲轴W旋转。检测主轴的振动的检测器(振动传感器)112b附接至主轴装置112。
此外,在床身111上设置有可以沿Z轴方向(曲轴W的轴线方向)和X轴方向(与曲轴W的轴线垂直的方向)移动的磨削轮基座114。磨削轮基座114通过马达114a沿Z轴方向移动,并且通过马达114b沿X轴方向移动。此外,在磨削轮基座114中设置有检测器114c和检测器114d,其中,检测器114c检测磨削轮基座114在Z方向上的位置,检测器114d检测磨削轮基座114在X方向上的位置。检测器114c和检测器114d是测量马达114b等的旋转等的旋转编码器,并且可以被配置为线性刻度的线性位置检测器等。
在磨削轮基座114中,磨削曲柄销或曲柄轴颈的磨削轮115被设置成可旋转的。磨削轮115由马达115a驱动以旋转。此外,在磨削轮基座114中设置有检测马达115a的功率等的检测器115b。当检测器115b例如是马达瓦特计时,检测器可以被配置为测量马达115a等的电压或电流的电压计或电流计。这里,可以通过使用磨削轮115的马达115a的功率、电压、电流等来间接获得磨削阻力。替选地,检测器115b可以被配置为设置在主轴装置112或磨削轮基座114中的负荷检测器,以便直接获取磨削阻力。
此外,在床身111中设置有测量曲柄销或曲柄轴颈(其为曲轴W的磨削部)的外直径的尺寸测量(sizing)装置116。此外,在床身111中设置有检测环境温度(外部空气的温度)的检测器117。此外,在床身111中设置有:泵118a,其用于将冷却剂供应到磨削部;阀118b,其执行对冷却剂供应的接通/切断;以及检测器118c,其检测阀118b的状态。虽然检测器118c是冷却剂流量计,但是该检测器可以被配置为检测冷却剂等的压力的压力传感器。
此外,磨床11包括CNC装置121、PLC 122、异常确定设备123和操作板124。这里,异常确定设备123可以被配置为CNC装置121或PLC122的内置系统,或者被配置为个人计算机、服务器等。
如图3所示,CNC装置121控制使主轴装置112和磨削轮115旋转的马达112a和马达115a,并且控制使磨削轮115相对于曲轴W相对运动的马达114a和马达114b。当执行控制处理时,CNC装置121从检测磨削轮基座114的位置的检测器114c和检测器114d以及检测马达115a的功率的检测器115b获取信息。
PLC 122从尺寸测量装置116获取检测信息。此外,PLC 122控制泵118a和阀118b,由此控制冷却剂的供应。当执行该控制处理时,PLC 122获取检测阀118b的状态的检测器118c的检测信息。此外,PLC 122获取检测环境温度的检测器117的检测信息。
这里,检测器112b、114c、114d、115b、116、117和118c的采样周期并非都相同,而且其中的至少一些不同。例如,检测马达115a的功率的检测器115b的采样周期为数毫秒、尺寸测量装置116的采样周期为数毫秒、检测阀的状态的检测器118c的采样周期为数十毫秒并且检测温度的检测器117的采样周期为数十毫秒。根据控制方法来适当地调整每个采样周期。
异常确定设备123确定磨床11的异常或生产对象(工件)的异常。异常确定设备123存储与确定对象相对应的阈值,并且通过将由检测器112b、114c、114d、115b、116、117和118c中的每一个获取的检测信息与相应阈值进行比较来执行异常确定。
例如,如图4所示,异常确定设备123针对一个生产对象(工件)预先存储阈值Th11和阈值Th12,所述阈值Th11和阈值Th12用于与由检测器115b(其检测马达115a的功率)获取的检测信息进行比较。阈值Th11和阈值Th12被设置成根据马达115a的功率相对于从开始对一个生产对象(工件)磨削经过的时间的行为而变化。阈值Th11是上限值,而阈值Th12是下限值。
异常确定设备123通过将马达115a的功率与阈值Th11和阈值Th12进行比较来确定生产对象的异常。更具体地,在马达115a的功率大于上限阈值Th11或小于下限阈值Th12的情况下,异常确定设备123确定磨削灼伤发生或不满足生产对象的形状精度的状态,并且确定生产对象异常。这里,磨削轮115的马达115a的功率对应于磨削阻力。因此,替代磨削轮115的马达115a的功率,可以使用采用另一检测方法检测的磨削阻力。例如,在JP2013-129027A中公开了通过在磨削阻力与阈值之间进行比较来确定生产对象是否发生磨削灼伤等。
此外,异常确定设备123确定CNC装置121和PLC 122的控制对象的驱动装置112a、114a、114b、115a、118a和118b的异常。例如,异常确定设备123将从信息(如马达114a和马达114b的使用状态和使用历史)中获取到的使用结果值与预先存储的阈值进行比较,由此确定用于驱动机构的滚珠丝杠、轴承等的异常。此外,异常确定设备123将从信息(如阀118b的使用状态和使用历史)中获取到的使用结果值与预先存储的阈值进行比较,由此确定阀118b的异常。这里,驱动机构的异常和阀118b的异常表示的含义不仅包括驱动机构和阀118b的故障,而且还包括其寿命和需要维修的状态。
这里,在异常确定设备123中存储的阈值根据目标磨床11而具有不同的值。在图1所示的情况下,同样在生产设施11和其他生产设施21生产同一种类的对象的情况下,其使用环境之间存在差异或生产对象的材料组成之间存在差异。此外,还存在以下情况:生产设施11和生产设施21存在个体差异。因此,同样在生产同一种类的对象的情况下,存在生产设施11的阈值与生产设施21的阈值被设置成彼此不同的值的情况。
在上面提及的描述中,尽管已经描述了生产设施11,但是该描述类似地同样适用于作为磨床的生产设施13、21和23。此外,作为传输装置的生产设施12和生产设施22中的每一个类似地包括异常确定设备123。在该情况下,异常确定设备123例如可以通过将从信息(如作为传输装置的生产设施12和生产设施22的使用状态和使用历史)中获取到的使用结果值与预先存储的阈值进行比较来确定构成传输路径的部件的异常(故障、寿命或需要维修的状态)。如图2所示,虽然异常确定设备123被设置在生产设施11内部,但是异常确定设备可以被设置在分析设备50内部。
(1-3.分析设备50的配置)
接下来,将参照图5来描述分析设备50的配置。分析设备50通过雾网络31连接至生产设施11至13的检测器112b、114c、114d、115b、116、117和118c。分析设备50通过雾网络31来获取由生产设施11至13的检测器112b、114c、114d、115b、116、117和118c获取的检测信息。此外,分析设备50还连接至生产设施11至13的CNC装置121和PLC 122。分析设备50通过雾网络31来获取各种控制参数。
雾网络31被构建在比云网络40的区域更窄的区域中。因此,分析设备50可以较早地从检测时间点获取由生产设施11至13的检测器112b、114c、114d、115b、116、117和118c获取的检测信息。
如图5所示,分析设备50包括分析单元51、显示单元52和输入单元53。分析单元51获取由生产设施11至13的检测器112b、114c、114d、115b、116、117和118c获取的检测信息。这里,分析单元51获取由检测器112b、114c、114d、115b、116、117和118c检测到的所有检测信息。换言之,分析单元51获取所有检测信息,而不论检测器112b、114c、114d、115b、116、117和118c的采样周期如何。这里,由于分析单元51获取所有检测信息,因此数据量很大。然而,由于通过雾网络31来获取检测信息,因此通信时间延迟不会引起任何问题。
此外,分析单元51除了获取由检测器112b、114c、114d、115b、116、117和118c获取的检测信息之外,还获取生产设施11至13的各种控制参数。例如,生产设施11和生产设施13的控制参数包括作为生产对象的曲轴W的形状和材料、磨削轮115的形状和材料以及磨削工艺信息如磨削/切割深度和冷却剂的流量。
分析单元51基于已经获取的检测信息和各种控制参数来执行数据分析。数据分析是所谓的数据挖掘。特别地,分析单元51不仅获取由一个生产设施11的检测器112b、114c、114d、115b、116、117和118c等获取的检测信息,还获取由多个生产设施11至13等的检测器112b、114c、114d、115b、116、117和118c获取的检测信息。
然后,分析单元51可以通过数据分析来生成关于生产对象的异常的确定信息,并且存储确定信息。例如,分析单元51通过数据分析生成用于确定生产对象的磨削灼伤存在与否的阈值Th11和Th12(图4所示)作为一条确定信息。此外,分析单元51通过数据分析生成用于确定生产设施11至13的部件的异常的阈值作为另一条确定信息。此外,在一经生成确定信息之后,分析单元51获取新的检测信息,由此更新确定信息。
显示单元52可以通过显示确定信息(其作为由分析单元51执行的数据分析的结果)来允许操作者检查数据分析的结果。此外,显示单元52还可以显示由分析单元51获取的检测信息和各种控制参数。例如,显示单元52以交叠的方式显示:由分析单元51获取的用于确定磨削灼伤存在与否的阈值;由检测生产设施11的马达115a的功率的检测器115b获取的检测信息;以及由检测生产设施13的马达115a的功率的检测器115b获取的检测信息。
输入单元53从操作者接收确定信息等的输入。输入单元53可以设置与生产设施11至13中的每一个相对应的确定信息。分析单元51可以获取与生产设施11至13中的每一个相对应的确定信息,并且操作者可以在参照所获取的确定信息的同时任意编辑确定信息。经编辑的确定信息被存储在分析单元51中。
然后,生产设施11至13通过雾网络31获取存储在分析单元51中的确定信息,并且存储所获取的确定信息。生产设施11至13的异常确定设备123基于所获取的确定信息来确定生产设施11至13的异常或生产对象的异常。
(1-4.异常确定设备123、分析设备50和分析设备60以及高阶分析设备70的详细处理)
接下来,将参照图6来描述异常确定设备123、分析设备50和分析设备60以及高阶分析设备70的详细处理。分析设备50和分析设备60以及高阶分析设备70获取由检测器112b、114c、114d、115b、116、117和118c获取的检测信息,并且生成各种确定信息。为了简化描述,在下文中,将描述在使用由检测器115b获取的检测信息的情况下执行的处理作为示例。
每当磨削生产对象(工件)时,检测器115b检测马达115a的功率(S1)。随后,异常确定设备123针对一个生产对象收集数据(S2)。该数据例如是使用图4中的实线所表示的行为。然后,在作为确定信息的阈值Th11和阈值Th12被预先存储在异常确定设备123中的情况下,异常确定设备123执行异常确定(S3)。换言之,异常确定设备123通过将用于一个生产对象的数据与预先存储的阈值Th11和Th12进行比较来确定生产对象是否异常。
此外,异常确定设备123收集多个生产对象的数据(S4)。异常确定设备123例如收集生产对象对应于一天的数据。由异常确定设备123收集的多个生产对象的数据例如通过雾网络31和雾网络32例如一天一次地传送到分析设备50和分析设备60。然后,分析设备50和分析设备60例如一天一次地获取由检测器115b针对多个生产对象获取的检测信息(S5)。这里,分析设备50和分析设备60获取由检测器115b所获取的所有检测信息。
分析设备50和分析设备60基于由检测器115b获取的多个生产对象的检测信息来执行数据分析(S6)。然后,分析设备50和分析设备60通过数据分析生成阈值Th11和阈值Th12作为确定信息(S7)。此外,在由检测器115b新获取的检测信息被获取的情况下,分析设备50和分析设备60再次执行数据分析,由此更新作为确定信息的阈值Th11和阈值Th12(S7)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为确定信息的阈值Th11和阈值Th12传送到异常确定设备123。然后,异常确定设备123存储阈值Th11和阈值Th12作为确定信息,同时连续地更新阈值(S8)。
与用于生成作为确定信息的阈值Th11和阈值Th12的数据分析并行地,分析设备50和分析设备60从所获取的由检测器115b获取的检测信息中仅提取一部分信息(S9)。例如,在如图4所示的情况下,分析设备50和分析设备60在执行正常处理时提取马达115a的功率P。分析设备50和分析设备60通过云网络40将所提取的信息传送到高阶分析设备70。例如,可以一天一次或一个月一次地执行传送。
然后,高阶分析设备70通过云网络40获取由检测器115b获取的检测信息的一部分(S10)。此外,根据需要,高阶分析设备70从分析设备50和分析设备60获取各种控制参数。各种控制参数的数据量小于检测信息的数据量。
云网络40的数据通信量显著小于雾网络31和雾网络32的数据通信量。即使在分析设备50和其他分析设备60被定位成远离高阶分析设备70的情况下,也不会发生通过云网络40的通信速度延迟的问题。
高阶分析设备70基于从分析设备50和分析设备60获取的各种控制参数和检测信息中的一部分来执行高阶数据分析(S11)。高阶数据分析是所谓的数据挖掘。高阶数据分析设备70通过使用安装在彼此不同的区域中的生产设施11至13和生产设施21至23的信息来执行高阶数据分析。因此,高阶分析设备70可以使用大量信息来执行高阶数据分析。
在生产设施11至13和其他生产设施21至23的安装位置彼此不同的情况下,存在两个地方的环境温度不同的情况。例如,高阶分析设备70可以在更详细地考虑环境温度的影响的情况下执行高阶数据分析。
分析设备50和分析设备60可以通过云网络40获取由高阶分析设备70执行的高阶数据分析的结果。因此,分析设备50和分析设备60通过参照高阶数据分析的结果来更新由其自身的数据分析生成的作为确定信息的阈值Th11和阈值Th12(S7)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为更新的确定信息的阈值Th11和阈值Th12传送到异常确定设备123。以该方式,异常确定设备123存储阈值Th11和阈值Th12作为在考虑到高阶数据分析的结果的情况下获取的确定信息,同时连续地更新阈值(S8)。
这里,分析设备50的显示单元52可以以交叠的方式显示:作为由分析设备50执行自身数据分析的结果的确定信息;以及作为由高阶分析设备70执行高阶数据分析的结果的确定信息。操作者可以通过使用输入单元53来设置由生产设施11至13所使用的确定信息,同时检查这两个确定信息。这类似地也适用于分析设备60。
分析设备50和分析设备60可以将所收集数据的一部分或全部传送到高阶分析设备70。可以通过分析设备50和分析设备60或在操作者的操作配合下将由分析设备50和分析设备60传送的数据的范围(由值的大小、时间等来设置的范围)确定为接近生产设施11至13的位置。
<2.第二实施方式>
将参照图7至图12来描述根据第二实施方式的由异常确定设备123、分析设备50和分析设备60以及高阶分析设备70执行的详细处理。在第二实施方式中,将描述使用由检测器112b获取的检测信息的情况作为示例。
如图7所示,每当磨削生产对象(工件)时,检测器112b检测主轴的振动(S21)。随后,异常确定设备123针对一个生产对象收集数据(S22)。随后,异常确定设备123针对一个生产对象的振动数据执行频率分析(对应于根据本发明的预定处理)(S23)。在图8中图示了频率分析的结果。然后,异常确定设备123获取通过频率分析所获取的振动数据的预定频段的峰值(对应于根据本发明的后处理数据)。
这里,如图8所示,频率分析的结果在多个频段中具有峰值(其在图8中由圆圈包围)。这样的频段对应于主轴振动的原因。例如,频段根据以下情况而不同:主轴装置112的轴承的外圈存在损坏的情况;内圈存在损坏的情况;以及滚动元件存在损坏的情况等。因此,异常确定设备123获取与每个振动原因相对应的频段的峰值。
然后,在阈值Th21和阈值Th22被预先存储作为确定信息的图案的情况下,异常确定设备123执行异常确定(S24)。例如,如图9所示,作为确定信息的图案的阈值Th21和阈值Th22表示振动数据的频率分析的峰值(估计参数)在一天的时间段(调节参数)内的图案。这里,同样在一天期间,振动的大小根据生产设施11至13启动之后经过的时间、环境温度等而不同。因此,如图9所示,作为确定信息的图案的阈值Th21和阈值Th22在垂直轴上被表示为振动数据的频率分析的峰值(估计参数),其中,水平轴被设置成一天的时间段(调节参数)。
换言之,异常确定设备123基于当前所获取的实际时间段(调节参数)、当前所获取的实际峰值(估计参数)以及所存储的确定信息的图案来执行异常确定。这里,图9中所图示的标记■是当前所获取的实际时间段的峰值。标记■等于或小于上限阈值Th21并且等于或大于下限阈值Th22,并且因此确定为正常。
此外,例如,如图10所示,异常确定设备123存储振动数据的频率分析的峰值(估计参数)在一年的时间段(调节参数)内的图案作为阈值Th31和阈值Th32(其作为另一确定信息的图案)。这里,同样在一年期间,振动的大小根据环境温度的差异的影响而不同。因此,如图10所示,作为另一确定信息的图案的阈值Th31和阈值Th32在垂直轴上被表示为振动数据的频率分析的峰值(估计参数),其中,水平轴被设置为一年的时间段(调节参数)。
换言之,异常确定设备123基于当前所获取的实际时间段(调节参数)、当前所获取的实际峰值(估计参数)和所存储的确定信息的图案来执行异常确定。这里,在图10中,标记▲是当前所获取的实际时间段的峰值。由于标记▲等于或小于上限阈值Th31并且等于或大于下限阈值Th32,因此确定为正常。
此外,异常确定设备123收集多个生产对象的峰值(后处理数据)(S25)。异常确定设备123例如收集生产对象对应于一天的峰值。由异常确定设备123收集的多个生产对象的峰值通过雾网络31例如一天一次地传送到分析设备50和分析设备60。然后,分析设备50和分析设备60例如一天一次地获取用于多个生产对象的振动数据的频率分析的峰值(S26)。这里,与由检测器112b获取的检测信息的数据量相比,分析设备50和分析设备60获取更小的数据量的峰值。
分析设备50和分析设备60基于用于多个生产对象的峰值来执行数据分析(S27)。例如,在图11中图示了与两天相对应的峰值的分布。然后,分析设备50和分析设备60基于与多天相对应的峰值来分析正常趋势图案。正常趋势图案可以是分布数据的近似曲线(例如最小二乘近似曲线)或具有包括所有分布数据的宽度的曲线。然后,如由图11中的破折线表示的那样,分析设备50和分析设备60基于正常趋势图案来生成阈值Th21和阈值Th21作为确定信息的图案(S28)。
此外,在检测器112b所获取的检测信息是新获取的情况下,分析设备50和分析设备60再次执行数据分析,由此更新作为确定信息的图案的阈值Th21和阈值Th22(S28)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为确定信息的图案的阈值Th21和阈值Th22传送到异常确定设备123。然后,异常确定设备123存储阈值Th21和阈值Th22作为确定信息的图案,同时连续地更新阈值(S29)。
此外,分析设备50和分析设备60基于生产对象对应于一年的峰值来执行数据分析(S27)。例如,在图12中图示了与一年相对应的峰值的分布。然后,分析设备50和分析设备60基于与一年相对应的峰值来分析正常趋势图案。然后,如由图12的破折线所表示的那样,分析设备50和分析设备60基于正常趋势图案来生成阈值Th31阈值Th32作为确定信息的图案(S28)。
同样在该情况下,类似地,在检测器112b所获取的检测信息是新获得的情况下,分析设备50和分析设备60再次执行数据分析,由此更新作为确定信息的图案的阈值Th31和阈值Th32(S28)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为确定信息的图案的阈值Th31和阈值Th32传送到异常确定设备123。然后,异常确定设备123存储阈值Th31和阈值Th32作为确定信息的图案,同时连续地更新阈值(S29)。
与用于生成作为确定信息的阈值Th21、Th22、Th31和Th32的数据分析并行地,分析设备50和分析设备60仅从所获取的峰值中提取信息的一部分(S30)。例如,分析设备50和分析设备60并非提取所有生产对象的峰值,而是提取一些生产对象的峰值。例如,分析设备50和分析设备60提取来自同一批次的一个生产对象的峰值。分析设备50和分析设备60通过云网络40将所提取的信息传送到高阶分析设备70。例如,可以一周一次或一个月一次地执行传送。
然后,高阶分析设备70通过云网络40获取峰值信息的一部分(S31)。此外,根据需要,高阶分析设备70从分析设备50和分析设备60获取各种控制参数。各种控制参数的数据量小于检测信息的数据量。
高阶分析设备70基于从分析设备50和分析设备60所获取的各种控制参数和峰值的一部分来执行高阶数据分析(S32)。高阶数据分析是所谓的数据挖掘。高阶分析设备70通过使用安装在彼此不同的区域中的生产设施11至13和生产设施21至23的信息来执行高阶数据分析。因此,高阶分析设备70可以使用大量信息来执行高阶数据分析。
分析设备50和分析设备60可以通过云网络40获取由高阶分析设备70执行的高阶数据分析的结果。因此,分析设备50和分析设备60通过参照高阶数据分析的结果来更新由其自身数据分析所生成的作为确定信息的图案的阈值Th21、Th22、Th31和Th32(S28)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为更新的确定信息的阈值Th21、Th22、Th31和Th32传送到异常确定设备123。以该方式,异常确定设备123存储阈值Th21、Th22、Th31和Th32作为在考虑到高阶数据分析的结果的情况下所获取的确定信息,同时连续地更新阈值(S29)。
<3.第三实施方式>
下面将参照图13至图15来描述根据第三实施方式的由异常确定设备123、分析设备50和分析设备60以及高阶分析设备70执行的详细处理。在第三实施方式中,将描述使用由检测器115b和检测器117获取的检测信息的情况作为示例。
如图13所示,每当磨削生产对象(工件)时,检测器115b检测马达115a的功率的当前值(S41)。此外,每当磨削生产对象时,检测器117检测环境温度(S42)。随后,异常确定设备123针对一个生产对象收集数据(S43)。
随后,异常确定设备123在执行正常处理时针对一个生产对象从马达115a的功率数据中提取数据(对应于根据本发明的预定处理)(S44)。例如,在图4所示的情况下,在执行正常处理时,马达115a的功率的当前值为P。然后,异常确定设备123获取通过提取处理所获取的功率的当前值P的数据和环境温度的数据(对应于根据本发明的后处理数据)。
然后,在阈值Th41和阈值Th42被预先存储作为确定信息的图案的情况下,异常确定设备123执行异常确定(S45)。例如,如图14所示,作为确定信息的图案的阈值Th41和阈值Th42表示马达115a的功率在该环境温度(调节参数)下的当前值(估计参数)的图案。这里,马达115a的功率的当前值根据环境温度而被改变。因此,如图14所示,作为确定信息的图案的阈值Th41和阈值Th42在垂直轴上被表示为马达115a的功率的当前值P(估计参数),其中,水平轴被设置成环境温度(调节参数)。
换言之,异常确定设备123基于当前所获取的实际环境温度(调节参数)、当前所获取的功率的实际当前值P(估计参数)和所存储的确定信息的图案来执行异常确定。这里,图14中所图示的标记■是当前所获取的功率在实际环境温度下的当前值P。标记■等于或小于上限阈值Th41并且等于或大于下限阈值Th42,因此,确定为正常。
此外,异常确定设备123收集多条功率的当前值P的数据和多个环境温度的数据(后处理数据)(S46)。异常确定设备123例如收集与一天相对应的生产对象的功率的当前值P的数据和环境温度的数据。由异常确定设备123收集的多条数据通过雾网络31和雾网络32例如一天一次地传送到分析设备50和分析设备60。然后,分析设备50和分析设备60例如一天一次地获取用于多个生产对象的功率的当前值P的数据和环境温度的数据(S47)。这里,与检测器115b和检测器117的所有检测信息的数据量相比,分析设备50和分析设备60获取具有小得多的数据量的数据。
分析设备50和分析设备60基于多个生产对象的数据来执行数据分析(S48)。例如,在图15中图示了与具有彼此不同的环境温度的多天相对应的数据的分布。然后,分析设备50和分析设备60基于与多天相对应的数据来分析正常趋势图案。然后,如图14和图15中的破折线所表示的那样,分析设备50和分析设备60基于正常趋势图案来生成阈值Th41和阈值Th42作为确定信息的图案(S49)。
此外,在检测器115b和检测器117所获取的检测信息是新获得的情况下,分析设备50和分析设备60再次执行数据分析,由此更新作为确定信息的图案的阈值Th41和阈值Th42(S49)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为确定信息的图案的阈值Th41和阈值Th42传送到异常确定设备123。然后,异常确定设备123存储阈值Th41和阈值Th42作为确定信息的图案,同时连续地更新阈值(S50)。
与用于生成作为确定信息的阈值Th41和Th42的数据分析并行地,分析设备50和分析设备60仅从所获取的数据中提取信息的一部分(S51)。例如,分析设备50和分析设备60并非提取所有生产对象的数据,而是提取一些生产对象的数据。例如,分析设备50和分析设备60提取来自同一批次的一个生产对象的数据。分析设备50和分析设备60通过云网络40将所提取的信息传送到高阶分析设备70。例如,可以一周一次或一个月一次地执行传送。
然后,高阶分析设备70通过云网络40获取数据信息的一部分(S52)。此外,根据需要,高阶分析设备70从分析设备50和分析设备60获取各种控制参数。各种控制参数的数据量小于检测信息的数据量。
高阶分析设备70基于从分析设备50和分析设备60所获取的各种控制参数和数据中的一部分来执行高阶数据分析(S53)。高阶数据分析是所谓的数据挖掘。高阶分析设备70通过使用安装在彼此不同的区域中的生产设施11至13和生产设施21至23的信息来执行高阶数据分析。因此,高阶分析设备70可以使用大量信息来执行高阶数据分析。
分析设备50和分析设备60可以通过云网络40来获取由高阶分析设备70执行的高阶数据分析的结果。因此,分析设备50和分析设备60通过参照高阶数据分析的结果来更新由其自身数据分析所生成的作为确定信息的图案的阈值Th41和Th42(S49)。然后,分析设备50和分析设备60通过雾网络31和雾网络32将作为更新的确定信息的阈值Th41和Th42传送到异常确定设备123。以该方式,异常确定设备123存储阈值Th41和Th42作为在考虑到高阶数据分析的结果的情况下获取的确定信息,同时连续地更新阈值(S50)。
<4.实施方式的效果>
在第一实施方式至第三实施方式中,异常分析系统1包括:多个生产设施11至13,其是生产生产对象的生产设施,多个生产设施11至13中的每一个包括一个或更多个检测器112b、114c、114d、115b、116、117和118c;雾网络(对应于第一网络)31,其连接至多个生产设施11至13并且安装在构建雾计算的预定区域之内;以及分析设备50,其连接至雾网络31,基于通过雾网络31所获取的由检测器112b、114c、114d、115b、116、117和118c获取的检测信息来执行数据分析,并且基于数据分析的结果来生成关于多个生产设施11至13中的每一个的异常或生产对象的异常的确定信息。多个生产设施11至13中的每一个基于由分析设备50生成的确定信息来确定多个生产设施11至13中的每一个的异常或生产对象的异常。
多个生产设施11至13的检测器112b、114c、114d、115b、116、117和118c与分析设备50通过安装在构建雾计算的预定区域之内的雾网络31而连接。与云计算的区域相比,雾计算是连接至更窄的区域的网络的系统。换言之,与构建云计算的区域相比,构建雾计算的雾网络31是安装在更窄的预定区域之内的网络。为此,在检测器112b、114c、114d、115b、116、117和118c与分析设备50之间的数据通信中,抑制了通信拥塞的发生。此外,由于雾网络31被构建在较窄的预定区域之内,因此可以缩短生产设施11至13与分析设备50之间的通信时间。因此,分析设备50可以以较高速度来接收由检测器112b、114c、114d、115b、116、117和118c获取的检测信息。
由于分析设备50可以较早地获取由多个生产设施11至13获得的检测信息并且执行数据分析,因此可以将由分析设备50获得的结果较早反馈回到生产设施11至13。由于分析的结果可以被反馈回到生产设施11至13,因此可以以可靠的方式较早抑制生产对象的异常发生。
在第一实施方式中,分析设备50通过雾网络31获取由检测器112b、114c、114d、115b、116、117和118c所获取的所有检测信息,并且基于所有检测信息来执行数据分析。具体地,多个检测器112b、114c、114d、115b、116、117和118c以彼此不同的采样周期来获取检测信息,并且分析设备50获取由多个检测器112b、114c、114d、115b、116、117和118c所获取的所有检测信息并且基于所有检测信息来执行数据分析。在雾网络31中,即使在执行大量数据的数据通信时也不会发生通信延迟的问题。因此,分析设备50被配置成获取由检测器112b、114c、114d、115b、116、117和118c所获取的所有检测信息。因此,分析设备50可以以高精度实时地执行数据分析。
在第二实施方式和第三实施方式中,异常确定设备123通过对由检测器112b、114c、114d、115b、116、117和118c所获取的检测信息执行预定处理来生成后处理数据,并且基于确定信息来执行异常确定。然后,分析设备50和分析设备60通过雾网络31来获取后处理数据,基于后处理数据来执行数据分析,并且基于数据分析的结果来更新确定信息。
异常确定设备123执行异常确定,并且分析设备50和分析设备60更新确定信息。这里,分析设备50和分析设备60使用通过对(由检测器112b、114c、114d、115b、116、117和118c所获取的)检测信息执行预定处理而获取到的后处理数据。换言之,分析设备50和分析设备60并非基于由检测器112b、114c、114d、115b、116、117和118c所获取的所有检测信息来更新确定信息。因此,当更新确定信息时,与使用所有检测信息的情况相比,分析设备50和分析设备60可以以更高的速度来执行处理。如上所述,异常分析系统1能够可靠地更新确定信息,同时执行异常确定。
具体地,后处理数据(异常确定设备123已经对其执行了预定处理)的数据量被配置成小于在处理之前的检测信息的数据量。为此,可以减少雾网络31的通信量,并且分析设备50和分析设备60例如可以缩短用于获取与一天相对应的数据所需的时间。因此,分析设备50和分析设备60可以确保时间足以用于执行分析。
在第二实施方式中,异常确定设备123基于所生成的后处理数据和确定信息来执行异常确定,并且分析设备50和分析设备60基于用于由异常确定设备123进行确定的后处理数据来更新确定信息。换言之,异常确定设备123与分析设备50和分析设备60一起共享后处理数据。
具体地,在第二实施方式中,检测器112b是振动检测传感器,并且由异常确定设备123执行的预定处理是对检测器112b所获取的检测信息的频率分析。因此,异常确定设备123仅生成由异常确定设备使用的数据,而不生成由分析设备50和分析设备60专用的数据。因此,由于异常确定设备123不需要专用处理,因此异常确定设备123能够以较高速度来执行其自身的处理,并且获得减少雾网络31中的通信量的效果。
在第三实施方式中,由异常确定设备123执行的预定处理是从检测器115b和检测器117所获取的检测信息中提取指定信息的处理。同样在该情况下,异常确定设备123仅生成由异常确定设备使用的数据,而不生成由分析设备50和分析设备60专用的数据。因此,由于异常确定设备123不需要专用处理,因此可以以较高速度来执行异常确定设备123的自身处理,并且获得减少雾网络31中的通信量的效果。
此外,在第二实施方式和第三实施方式中,分析设备50和分析设备60通过数据分析来分析估计参数相对于调节参数的正常趋势图案,并且基于正常趋势图案来更新估计参数相对于调节参数的确定信息的图案。然后,异常确定设备123获取实际调节参数和实际估计参数,并且基于确定信息的图案、实际调节参数和实际估计参数来执行异常确定。
例如,在第二实施方式中,作为第一示例,调节参数是一天中的时间段,并且估计参数是根据一天中的时间段而变化的参数。此外,在第二实施方式中,作为第二示例,调节参数是一年中的时间段,并且估计参数是根据一年中的时间段而变化的参数。
生产设施11至13的组成部件中的每一个的状态或生产对象的状态例如根据在生产设施11至13启动之后经过的时间、环境温度等而变化。环境温度根据一天中的时间段或一年中的时间段而变化。此外,在生产设施一天启动一次的情况下,在生产设施11至13启动之后经过的时间根据一天中的时间段而变化。因此,可以通过设置如上所述的调节参数和估计参数来可靠地估计生产设施11至13的状态以及生产对象的状态。
具体地,检测器112b检测生产设施11至13或生产对象的振动,并且估计参数被设置为振动中的预定频段的峰值。振动的幅度例如是根据在生产设施11至13启动之后经过的时间、环境温度等而变化的参数。换言之,峰值是根据在生产设施11至13启动之后经过的时间、环境温度等而变化的参数。因此,可以通过将估计参数设置为峰值来可靠地估计生产设施11至13的状态或生产对象的状态。
在第三实施方式中,调节参数是环境温度,并且估计参数是根据环境温度而变化的参数。在该情况下,通过将环境温度设置为调节参数,可以通过估计根据环境温度而变化的参数来估计生产设施11至13的状态或生产对象的状态。
在第二实施方式和第三实施方式中,在通过异常确定设备123多次执行预定处理之后,分析设备50和分析设备60一起获取与由异常确定设备123多次执行相对应的预定处理的结果。换言之,分析设备50和分析设备60并非每当异常确定设备123获取由检测器112b、114c、114d、115b、116、117和118c获取的检测信息时就从异常确定设备123获取数据。
这里,在第二实施方式和第三实施方式中,异常确定设备123对检测信息执行预定处理,并且分析设备50和分析设备60获取后处理数据,后处理数据的数据量通过预定处理而减少。因此,虽然分析设备50和分析设备60一起获取与多次相对应的结果,但是雾网络31中的通信量是足够小的。
在第一实施方式至第三实施方式中,构建雾网络31的预定区域处于与安装多个生产设施11至13中的一个生产设施的建筑物相同的建筑物内部,或处于与安装生产设施11至13的建筑物邻近的建筑物内部。因此,可以使用雾网络31来可靠地配置生产设施11至13和分析设备50。
在第一实施方式至第三实施方式中,由于在靠近生产设施11至13的位置处执行分析,因此操作者可以在检查生产对象或生产设施11至13的状态时确定用于确定该状态是异常还是正常的值(确定信息)。此外,当在生产设施11至13或生产对象中发生突然异常时,在靠近生产设施11至13的位置处执行分析。因此,在操作者与分析设备50的配合下,可以立刻执行数据的分析,并且可以立即将分析的结果反映在目标生产设施11至13的确定信息上。此外,根据由分析设备50执行的分析的结果,在做出异常确定的阶段或在异常确定之前的阶段(尚未异常但接近异常的状态),生产设施11至13或分析设备50可以向操作者通知异常状态或自动停止生产设施11至13的操作。
在第一实施方式至第三实施方式中,分析设备50包括:显示单元52,其显示数据分析的结果;以及输入单元53,其接收操作者对确定信息的输入。生产设施11至13的确定信息的设置可以由操作者手动地完成。设置不限于操作者的手动设置,而是可以由系统进行自动设置。
在第一实施方式至第三实施方式中,异常分析系统1包括:其他生产设施21至23,其不直接连接至雾网络31,但是包括其他检测器112b、114c、114d、115b、116、117和118c;云网络40(对应于第二网络),其连接至多个生产设施11至13和其他生产设施21至23,并且构建比雾网络31的预定区域更宽的区域的云计算;以及高阶分析设备70,其连接至云网络40,并且基于通过云网络40由检测器112b、114c、114d、115b、116、117和118c获取的检测信息和由其他检测器112b、114c、114d、115b、116、117和118c获取的检测信息来执行高阶数据分析。
分析设备50可以被配置成基于由分析设备50执行的数据分析的结果和由高阶分析设备70执行的高阶数据分析的结果来确定和存储确定信息。因此,可以通过使用并非从生产设施11至13获取的信息来执行高阶数据分析并且将分析的结果反馈回到生产设施11至13来获取更佳的确定信息。
在第一实施方式至第三实施方式中,分析设备50获取由检测器112b、114c、114d、115b、116、117和118c获取的所有检测信息,并且执行数据分析。另一方面,高阶分析设备70获取由生产设施11至13的检测器112b、114c、114d、115b、116、117和118c获取的检测信息的一部分以及由其他生产设施21至23的其他检测器112b、114c、114d、115b、116、117和118c的检测信息的一部分,并且执行高阶数据分析。即使在高阶分析设备70不需要高速处理的情况下,在通过云网络40将由检测器112b、114c、114d、115b、116、117和118c获取的所有检测信息传送到高阶分析设备70的情况下,存在以下关切:其他人可能会受云网络40的通信延迟的影响。因此,如上所述,云网络40中的数据通信量对应于检测信息的一部分,并且可以抑制云网络40的通信延迟的影响。
在第一实施方式至第三实施方式中,多个生产设施11至13中的每一个包括磨削生产对象的磨床,并且确定信息例如是关于生产对象的磨削异常的确定信息。因此,在包括磨床的系统中,可以可靠地抑制磨削异常如磨削灼伤的发生。
在第一实施方式至第三实施方式中,确定信息可以是关于多个生产设施11至13中的任何一个的部件故障、部件寿命或部件维修的必要性/非必要性的确定信息。在这种情况下,可以预测生产设施11至13的部件故障,并且可以预先准备部件替换。至今,在基于部件的使用期来频繁地执行部件替换时,高精度地获取每个部件的寿命,然后可以执行部件的替换,由此可以延长部件的使用期。此外,可以在部件的性能恶化之前在适当时间段执行部件的维护。以该方式,可以延长部件的使用期。
附图标记和符号说明
1:异常分析系统
11至13:生产设施(11:磨床)
21至23:其他生产设施
31:雾网络(第一网络)
32:雾网络
40:云网络(第二网络)
50:分析设备
51:分析单元
52:显示单元
53:输入单元
60:其他分析设备
70:高阶分析设备
112b、114c、114d、115b、116、117和118c:检测器
121:CNC装置
122:PLC
123:异常确定设备
Th11、Th12、Th21、Th22、Th31和Th32:阈值
W:曲轴(生产对象)
Claims (20)
1.一种异常分析系统,包括:
多个生产设施,其各自是生产生产对象的设施并且包括一个或更多个检测器;
第一网络,其连接至所述多个生产设施,并且安装在构建雾计算的预定区域之内;以及
分析设备,其连接至所述第一网络,基于通过所述第一网络所获取的检测器的检测信息来执行数据分析,并且基于所述数据分析的结果来生成关于所述多个生产设施中的每一个的异常或所述生产对象的异常的确定信息,
其中,所述多个生产设施中的每一个包括:异常确定设备,其基于由所述分析设备生成的确定信息来确定所述多个生产设施中的每一个的异常或所述生产对象的异常。
2.根据权利要求1所述的异常分析系统,其中,所述分析设备通过所述第一网络获取所述检测器的所有检测信息,并且基于所有检测信息来执行所述数据分析。
3.根据权利要求2所述的异常分析系统,
其中,所述多个检测器以彼此不同的采样周期来获取所述检测信息,并且
其中,所述分析设备获取所述多个检测器的所有检测信息,并且基于所有检测信息来执行所述数据分析。
4.根据权利要求1所述的异常分析系统,
其中,所述异常确定设备通过对所述检测器的检测信息执行预定处理来生成后处理数据,并且基于所述确定信息来执行异常确定,并且
其中,所述分析设备通过所述第一网络来获取所述后处理数据,基于所述后处理数据来执行数据分析,并且基于所述数据分析的结果来更新所述确定信息。
5.根据权利要求4所述的异常分析系统,
其中,所述异常确定设备基于所生成的后处理数据和所述确定信息来执行所述异常确定,
其中,所述分析设备基于用于由所述异常确定设备进行确定的后处理数据来更新所述确定信息,并且
其中,所述异常确定设备与所述分析设备共享所述后处理数据。
6.根据权利要求5所述的异常分析系统,
其中,所述检测器是振动检测传感器,并且
其中,所述预定处理是针对所述检测器的检测信息的频率分析。
7.根据权利要求5所述的异常分析系统,其中,所述预定处理是从所述检测器的检测信息中提取指定信息的处理。
8.根据权利要求4所述的异常分析系统,
其中,所述分析设备通过所述数据分析来分析估计参数相对于调节参数的正常趋势图案,并且基于所述正常趋势图案来更新所述估计参数相对于所述调节参数的确定信息的图案,并且
其中,所述异常确定设备获取实际调节参数和实际估计参数,并且基于所述确定信息的图案、所述实际调节参数和所述实际估计参数来执行异常确定。
9.根据权利要求8所述的异常分析系统,
其中,所述调节参数是一天中的时间段,并且
其中,所述估计参数是根据一天中的所述时间段而变化的参数。
10.根据权利要求8所述的异常分析系统,
其中,所述调节参数是一年中的时间段,并且
其中,所述估计参数是根据一年中的所述时间段而变化的参数。
11.根据权利要求9所述的异常分析系统,
其中,所述检测器中的每一个检测所述生产设施或所述生产对象的振动,并且
其中,所述估计参数是所述振动中的预定频段的峰值。
12.根据权利要求8所述的异常分析系统,
其中,所述调节参数是环境温度,并且
其中,所述估计参数是根据所述环境温度而变化的参数。
13.根据权利要求4所述的异常分析系统,其中,在使用所述异常确定设备多次执行所述预定处理之后,所述分析设备一起获取使用所述异常确定设备多次执行的处理的结果。
14.根据权利要求1所述的异常分析系统,其中,所述预定区域处于与安装所述多个生产设施中的任何一个的建筑物相同的建筑物内部,或者处于与安装所述生产设施的建筑物邻近的建筑物内部。
15.根据权利要求1所述的异常分析系统,其中,所述分析设备包括:显示单元,其显示所述数据分析的结果;以及输入单元,其接收操作者对所述确定信息的输入。
16.根据权利要求1所述的异常分析系统,进一步包括:
其他生产设施,其未直接连接至所述第一网络,但是包括其他检测器;
第二网络,其连接至所述多个生产设施和所述其他生产设施,并且构建比所述预定区域更宽的区域的云计算;以及
高阶分析设备,其连接至所述第二网络,并且基于通过所述第二网络所获取的检测器的检测信息和其他检测器的检测信息来执行高阶数据分析,
其中,所述分析设备基于使用所述分析设备进行的数据分析的结果和使用所述高阶分析设备进行的高阶数据分析的结果来生成所述确定信息。
17.根据权利要求16所述的异常分析系统,
其中,所述分析设备获取所述检测器的所有检测信息,并且执行所述数据分析,并且
其中,所述高阶分析设备获取所述检测器的检测信息的一部分以及所述其他检测器的检测信息的一部分,并且执行所述高阶数据分析。
18.根据权利要求1所述的异常分析系统,
其中,所述多个生产设施中的每一个包括磨削所述生产对象的磨床,并且
其中,所述确定信息是关于所述生产对象的磨削异常的确定信息。
19.根据权利要求1所述的异常分析系统,其中,所述确定信息是关于所述多个生产设施中的任何一个的部件故障、部件寿命或部件维修的必要性/非必要性的确定信息。
20.一种用在根据权利要求1至19中任一项所述的异常分析系统中的分析设备。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015-224113 | 2015-11-16 | ||
JP2015224113 | 2015-11-16 | ||
JP2016157612A JP6828300B2 (ja) | 2015-11-16 | 2016-08-10 | 異常解析システム及び解析装置 |
JP2016-157612 | 2016-08-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106944928A true CN106944928A (zh) | 2017-07-14 |
CN106944928B CN106944928B (zh) | 2020-07-17 |
Family
ID=58804014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611005854.4A Active CN106944928B (zh) | 2015-11-16 | 2016-11-15 | 异常分析系统及分析设备 |
Country Status (2)
Country | Link |
---|---|
JP (2) | JP6828300B2 (zh) |
CN (1) | CN106944928B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115106901A (zh) * | 2022-05-31 | 2022-09-27 | 安庆中船动力配套有限公司 | 一种具有可验证连杆齿面烧伤机构的磨削设备 |
CN115348913A (zh) * | 2020-07-10 | 2022-11-15 | 三菱电机株式会社 | 诊断装置、诊断方法及程序 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3425324B2 (de) | 2017-07-04 | 2022-11-16 | Sick Ag | Verfahren zur parametrierung eines sensors |
US10951639B2 (en) * | 2017-09-28 | 2021-03-16 | Yokogawa Electric Corporation | Systems, methods and computer program products for anomaly detection |
JP6649349B2 (ja) * | 2017-11-21 | 2020-02-19 | 株式会社テクロック・スマートソリューションズ | 測定ソリューションサービス提供システム |
WO2019107360A1 (ja) | 2017-11-28 | 2019-06-06 | 株式会社安川電機 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
US20190265676A1 (en) * | 2018-02-28 | 2019-08-29 | Mitsubishi Electric Corporation | Systems and methods for implementing feedback for factory automated devices |
KR20200014005A (ko) | 2018-07-31 | 2020-02-10 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 결함 진단 방법. |
JP7169706B2 (ja) * | 2018-11-29 | 2022-11-11 | ウララ ラボ インコーポレイテッド | 機械学習手法に基づく機械のエラーデータを検出するためのアルゴリズム及び方法 |
IT201900004617A1 (it) * | 2019-03-27 | 2020-09-27 | Milano Politecnico | Apparato di monitoraggio per identificazione di anomalie e percorsi di degrado in una macchina utensile |
JP7015807B2 (ja) * | 2019-07-05 | 2022-02-03 | 富士通株式会社 | 研削状態監視方法、研削状態監視プログラムおよび研削状態監視装置 |
JP7436169B2 (ja) | 2019-09-18 | 2024-02-21 | ファナック株式会社 | 診断装置および診断方法 |
JP7441652B2 (ja) | 2020-01-10 | 2024-03-01 | ユニ・チャーム株式会社 | 吸収性物品の製造装置に関する推定装置、吸収性物品の製造装置に関する推定方法、および吸収性物品の製造装置に関するプログラム |
JP2021144584A (ja) | 2020-03-13 | 2021-09-24 | 株式会社リコー | 情報処理方法およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026407A1 (en) * | 2009-07-31 | 2011-02-03 | Omron Corporation | Controller |
US20140033830A1 (en) * | 2011-01-21 | 2014-02-06 | Jtekt Corporation | Grinding abnormality monitoring method and grinding abnormality monitoring device |
CN104360647A (zh) * | 2014-10-08 | 2015-02-18 | 江苏一米智能科技股份有限公司 | 基于混合云以及物联网的生产监控系统和监控方法 |
CN104685429A (zh) * | 2012-09-28 | 2015-06-03 | 富士机械制造株式会社 | 生产线监视装置 |
US20150247783A1 (en) * | 2014-03-03 | 2015-09-03 | Sintokogio, Ltd. | Remote assistant system and method therefor |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59175941A (ja) * | 1983-03-22 | 1984-10-05 | Komatsu Ltd | 多刃工具の異常検出方法および装置 |
JP3189460B2 (ja) * | 1993-02-04 | 2001-07-16 | 日産自動車株式会社 | 生産管理装置 |
JP3471645B2 (ja) * | 1999-02-10 | 2003-12-02 | 株式会社東芝 | 警報値設定支援装置 |
JP2000280148A (ja) * | 1999-03-30 | 2000-10-10 | Amada Co Ltd | 金属加工ラインのキャンセル処理方法およびその装置 |
JP4428838B2 (ja) * | 2000-08-31 | 2010-03-10 | 旭化成エンジニアリング株式会社 | 設備機器診断システム |
JP2006173373A (ja) * | 2004-12-16 | 2006-06-29 | Renesas Technology Corp | 半導体製品の製造システム |
JP2006285884A (ja) * | 2005-04-05 | 2006-10-19 | Yaskawa Electric Corp | 故障診断方法およびそれを備えた制御装置 |
JP4574430B2 (ja) * | 2005-05-12 | 2010-11-04 | 株式会社日立製作所 | 情報の収集方法 |
JP5189329B2 (ja) * | 2007-08-31 | 2013-04-24 | 新明工業株式会社 | 設備情報収集システムおよび設備情報収集方法 |
JP5821614B2 (ja) * | 2011-01-21 | 2015-11-24 | 株式会社ジェイテクト | 研削異常監視方法および研削異常監視装置 |
JP5565357B2 (ja) * | 2011-03-24 | 2014-08-06 | 新日鐵住金株式会社 | 設備診断装置、設備診断方法、設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体 |
JP5821613B2 (ja) * | 2011-12-22 | 2015-11-24 | 株式会社ジェイテクト | 研削異常監視方法および研削異常監視装置 |
CN103913193A (zh) | 2012-12-28 | 2014-07-09 | 中国科学院沈阳自动化研究所 | 一种基于工业无线技术的设备故障预维护方法 |
-
2016
- 2016-08-10 JP JP2016157612A patent/JP6828300B2/ja active Active
- 2016-11-15 CN CN201611005854.4A patent/CN106944928B/zh active Active
-
2021
- 2021-01-20 JP JP2021006846A patent/JP7024895B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026407A1 (en) * | 2009-07-31 | 2011-02-03 | Omron Corporation | Controller |
US20140033830A1 (en) * | 2011-01-21 | 2014-02-06 | Jtekt Corporation | Grinding abnormality monitoring method and grinding abnormality monitoring device |
CN104685429A (zh) * | 2012-09-28 | 2015-06-03 | 富士机械制造株式会社 | 生产线监视装置 |
US20150247783A1 (en) * | 2014-03-03 | 2015-09-03 | Sintokogio, Ltd. | Remote assistant system and method therefor |
CN104360647A (zh) * | 2014-10-08 | 2015-02-18 | 江苏一米智能科技股份有限公司 | 基于混合云以及物联网的生产监控系统和监控方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115348913A (zh) * | 2020-07-10 | 2022-11-15 | 三菱电机株式会社 | 诊断装置、诊断方法及程序 |
CN115348913B (zh) * | 2020-07-10 | 2023-07-28 | 三菱电机株式会社 | 诊断装置、诊断方法及计算机可读取的非暂时性的记录介质 |
CN115106901A (zh) * | 2022-05-31 | 2022-09-27 | 安庆中船动力配套有限公司 | 一种具有可验证连杆齿面烧伤机构的磨削设备 |
CN115106901B (zh) * | 2022-05-31 | 2023-09-01 | 安庆中船动力配套有限公司 | 一种具有可验证连杆齿面烧伤机构的磨削设备 |
Also Published As
Publication number | Publication date |
---|---|
JP7024895B2 (ja) | 2022-02-24 |
JP2021089743A (ja) | 2021-06-10 |
CN106944928B (zh) | 2020-07-17 |
JP2017097839A (ja) | 2017-06-01 |
JP6828300B2 (ja) | 2021-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106944928A (zh) | 异常分析系统及分析设备 | |
US10474128B2 (en) | Abnormality analysis system and analysis apparatus | |
CN108496123B (zh) | 对机器进行振动诊断监测的方法以及装置 | |
CN107728586B (zh) | 解析系统 | |
CN108620949B (zh) | 刀具磨耗监测与预测方法 | |
AU2016201724B2 (en) | Method and system for predicting equipment failure | |
CN105651376B (zh) | 机械设备离线检测系统振动信号频谱分析和报警方法 | |
US20160299492A1 (en) | Machine tool management system | |
Uhlmann et al. | Condition monitoring in the cloud | |
US20230004152A1 (en) | Method for monitoring and/or predecting machining processes and/or machnining outcomes | |
CN106290397A (zh) | 一种活塞销外圆缺陷检测装置 | |
JP7147131B2 (ja) | 解析システム | |
CN207439389U (zh) | 一种用于孔系的同轴度检测的装置 | |
CN109816191A (zh) | 多工作站系统的质量预测方法及其系统 | |
CN102275132B (zh) | 高速强力随形荒磨机床砂轮直径在线测量方法 | |
KR101855679B1 (ko) | 원거리에 위치한 다수개의 자동 공작기계작동의 실시간 원격 모니터링 및 진단시스템 | |
ITUB20154789A1 (it) | Metodo di monitoraggio di un cuscinetto volvente per il supporto di organi rotanti di macchine | |
CN109661620A (zh) | 用于监控至少一个机床的方法和生产机组 | |
US6385502B1 (en) | Race groove machining system and method therefor | |
CN106216588B (zh) | 一种旋铆设备的加工控制方法 | |
EP2950172A1 (en) | Monitoring system for monitoring the energy consumption parameters of a machine | |
CN104257500B (zh) | Cit胶囊生产线故障自动报警系统 | |
KR20180115826A (ko) | 설비 이상 모니터링 장치 및 방법 | |
CN108693840B (zh) | 控制装置、存储介质、控制系统及控制方法 | |
Johansson et al. | Context driven remaining useful life estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |