CN107436595A - 机械学习装置、故障预测装置、机械系统及机械学习方法 - Google Patents
机械学习装置、故障预测装置、机械系统及机械学习方法 Download PDFInfo
- Publication number
- CN107436595A CN107436595A CN201710379697.1A CN201710379697A CN107436595A CN 107436595 A CN107436595 A CN 107436595A CN 201710379697 A CN201710379697 A CN 201710379697A CN 107436595 A CN107436595 A CN 107436595A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- equipment
- rote
- life time
- electronic unit
- 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
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 239000003595 mist Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种机械学习装置、故障预测装置、机械系统及机械学习方法。机械学习装置具备:状态观测部(11),其观测根据与网络连接的设备(2a~2c)的硬件结构、制造信息、运转状况、使用条件以及检测周围环境状态的传感器的输出的至少一个而得到的状态变量;判定数据取得部(12),其取得判定与上述网络连接的设备的电子部件有无寿命故障或寿命故障的程度而得的判定数据(Dd);以及学习部(13),其基于根据上述状态观测部(11)的输出以及上述判定数据取得部(12)的输出而生成的训练数据和教师数据(Dt),学习与连接至上述网络的设备(2a~2c)的电子部件的寿命故障相关联的条件。
Description
技术领域
本发明涉及学习寿命故障条件的机械学习装置、故障预测装置、机械系统以及机械学习方法。
背景技术
近年来,例如数值控制装置(NC(Numerical Control:数值控制)装置)、C(Computerized:电脑化)NC装置、机器人以及可编程逻辑控制器(PLC(Programmable LogicController))等设备与网络连接。另外,与网络连接的设备使用大量的电子部件。并且,电子部件有寿命,当该寿命短而成为问题时,需要定期地更换设备(电子部件)。
目前,具有寿命的电子部件的更换周期例如根据寿命试验的推定值、经验值等来决定。但是,电子部件的寿命实际上由于设备的运转状况和使用条件等而大幅变化,因此例如会在更换前产生故障。
但是,目前作为能够在最佳的时间催促更换寿命部件的系统,提出一种部件寿命管理系统,经由英特网采样并取得在设备中使用的寿命部件的寿命特性数据,通过寿命分析软件计算剩余寿命,决定更换时期(例如日本特开2003-157330号公报:专利文献1)。
如上所述,例如根据专利文献1能够在最佳的时间催促更换寿命部件。但是,在这种部件寿命关系系统中,当不知道在其他公司的设备等使用的寿命部件时,例如难以管理电子部件的寿命故障。
进一步,现状是难以取得与网络连接的设备的电子部件的寿命故障的有无或故障的程度,在最佳的时间进行寿命部件的更换。
鉴于上述现有技术的课题,本发明的目的为提供能够获知与网络连接的设备的电子部件有无寿命故障或故障的程序的机械学习装置、故障预测装置、机械系统以及机械学习方法。
发明内容
根据本发明的第一实施方式,提供一种学习与连接至网络的设备的电子部件的寿命故障相关联的条件的机械学习装置,具备:状态观测部,其观测根据连接至上述网络的设备的硬件结构、制造信息、运转状况、使用条件以及检测周围环境状态的传感器的输出的至少一个而得到的状态变量;判定数据取得部,其取得判定连接至上述网络的设备的电子部件有无寿命故障或寿命故障的程度而得的判定数据;以及学习部,其基于根据上述状态观测部的输出以及上述判定数据取得部的输出而生成的训练数据和教师数据,学习与连接至上述网络的设备的电子部件的寿命故障相关联的条件。
优选上述学习部具备误差计算部,其计算上述训练数据与上述教师数据的误差;以及学习模型更新部,其根据上述状态观测部的输出、上述判定数据取得部的输出以及上述误差计算部的输出,更新用于决定与连接至上述网络的设备的电子部件的寿命故障相关联的条件的误差的学习模型。
上述机械学习装置能够存在于雾服务器上。优选上述雾服务器经由第一网络控制包括多个设备的至少一个单元。或者,上述机械学习装置能够存在于云服务器上。优选上述云服务器经由第二网络控制雾服务器中的至少一个,该雾服务器经由第一网络与包括多个设备的至少一个单元连接。
上述机械学习装置能够与至少一个其他机械学习装置连接,能够与至少一个上述其他机械学习装置之间相互交换或共享机械学习的结果。优选上述机械学习装置具备神经网络。
本发明的第二实施方式,提供一种包括上述第一实施方式的机械学习装置,并且预测连接至上述网络的设备的电子部件的寿命故障的故障预测装置,具备:故障信息输出部,其接收上述机械学习装置的输出,根据由上述状态观测部观测到的当前的上述状态变量输出故障信息,该故障信息表示连接至上述网络的设备的电子部件有无寿命故障或寿命故障的程度。优选上述故障信息输出部输出连接至上述网络的设备的电子部件的故障预测的通知或维护信息的通知。
本发明的第三实施方式,提供一种机械系统,具备上述第二实施方式的故障预测装置、与上述网络连接的设备。
本发明的第四实施方式,提供一种学习与连接至网络的设备的电子部件的寿命故障相关联的条件的机械学习方法,该方法观测根据连接至上述网络的设备的硬件结构、制造信息、运转状况、使用条件以及检测周围环境状态的传感器的输出的至少一个而得到的状态变量,取得判定连接至上述网络的设备的电子部件有无寿命故障或寿命故障的程度的判定数据,基于根据观测到的上述状态变量以及取得的上述判定数据而生成的训练数据和教师数据来学习与连接至上述网络的设备的电子部件的寿命故障相关联的条件。
学习与连接至上述网络的设备的电子部件的寿命故障相关联的条件是指计算上述训练数据与上述教师数据的误差,根据观测到的上述状态变量、取得的上述判定数据以及计算出的上述误差,更新用于决定与连接至上述网络的设备的电子部件的寿命故障相关联的条件的误差的学习模型。能够在至少两个机械学习装置之间相互交换或共享学习到的与连接至上述网络的设备的电子部件的寿命故障相关联的条件。进一步,机械学习方法能够根据学习到的与连接至上述网络的设备的电子部件的寿命故障相关联的条件,输出与上述网络连接的设备的电子部件的故障预测的通知或维护信息的通知。
附图说明
图1是表示本发明的机械学习装置一个实施方式的框图。
图2是表示适用了图1所示的机械学习装置的故障预测装置的一例的框图。
图3是表示适用本发明的机械学习装置的网络的一例的框图。
具体实施方式
以下,参照附图详细描述本发明的机械学习装置、故障预测装置、机械系统以及机械学习方法的实施方式。图1是表示本发明的机械学习装置的一个实施方式的框图。这里,图1所示的机械学习装置1适用了有教师学习,如后述那样,学习与连接至网络(5,7)的设备(2a~2c、21~23)的电子部件的寿命故障相关联的条件。
另外,有教师学习是将教师数据、即某个输入和结果(标签)的数据组大量地赋予机械学习装置,由此学习位于这些数据组中的特征,归纳地获得根据输入推定结果的模型(学习模型),即其关系性。
即,如图1所示,机械学习装置1具备状态观测部11、判定数据取得部12以及学习部13。输入数据Di被输入到状态观测部11,另外,判定数据取得部12取得判定与网络连接的设备的电子部件有无寿命故障或寿命故障的程度而得的判定数据Dd。这里,输入数据Di中包括例如与网络连接的设备的硬件结构、制造信息、运转状况、使用条件以及检测周围环境的状态的传感器的输出的至少一个。另外,判定数据Dd中例如包括判定与网络连接的设备的电子部件有无寿命故障或者寿命故障的程度而得的数据。
学习部13接收状态观测部11的输出以及判定数据取得部12的输出,生成训练数据,根据该训练数据和从外部输入的教师数据Dt,学习与连接至网络的设备的电子部件(以下也简单称为电子部件)的寿命故障相关联的条件。即,如图1所示,学习部13包括误差计算部131以及学习模型更新部132,误差计算部131计算训练数据和教师数据Dt的误差。学习模型更新部132接收状态观测部11的输出、判定数据取得部12的输出以及误差计算部131的输出,更新用于决定与电子部件的寿命故障相关联的条件的误差的学习模型。
这里,机械学习装置1例如能够使用神经网络等算法来实现。另外,机械学习装置1能够使用通用的计算机或处理器,但是例如如果适用GPGPU(General-Purpose computingon Graphics Processing Units:通用图形处理器)或大规模PC群等,则能够实现更高速的处理。
另外,作为教师数据,例如通过相同的设备(或机械系统)等进行相同作业时,保持到实际进行作业的预定日的前一天为止得到的带标签数据,在该预定日,能够作为教师数据提供给误差计算部131。或者,例如也能够通过存储卡或通信线路将通过在机械系统的外部进行的模拟等所得到的数据或者其他机械系统(设备)的带标签数据作为教师数据提供给该机械学习装置1的误差计算部131。进一步,例如也能够将教师数据(带标签数据)保持在内置在学习部13中的闪存(Flash Memory)等非易失性存储器中,并在学习部13直接使用被保持在该非易失性存储器中的带标签数据。
图2是表示适用了图1所示的机械学习装置的故障预测装置一例的框图。图3是表示适用了本发明的机械学习装置的网络的一例的框图。如图2所示,故障预测装置10预测与网络5、7连接的设备(2a、2b、2c、……)的电子部件的寿命故障,包括机械学习装置1以及故障信息输出部(通知部)3。这里,如图3所示,机械学习装置1(故障预测装置10)例如能够分别设置云服务器4、雾服务器61~6n或者雾服务器61~6n的任意一个。另外,机械学习装置1分别设置在设备(终端、边端(Edge))21、22、23、……中,进行分散学习。
图3中,一个单元(例如工业机械单元)20中包括多个设备(例如NC装置和工业用机器人等工业机械)21、22、23、……,这些多个设备21、22、23、……经由网络7与雾服务器61连接。另外,单元20例如被设置在一个工厂中,另外,机械系统构成为包括多个单元,但是当然能够进行各种变形以及变更。
这里,机械学习装置1(1a、1b、1c、……)例如被分别设置在雾服务器61~6n上,能够经由网络5相互交换或者共享各机械学习装置1a、1b、1c、……进行的学习结果。这样,通过相互交换或者共享多个机械学习装置1a、1b、1c、……进行的学习结果,能够提高学习效果。
另外,可以构成为多个包括多个设备21、22、23、……的单元20与网络7连接,另外,网络也可以不限定为5以及7这两层而是作为三层以上的网络而构成。另外,本发明的机械系统包括图2所示的故障预测装置10、与图3所示的网络7(5)连接的设备21、22、23、……(2a、2b、2c、……)。
如图2所示,状态观测部11所观测的输入数据Di中包括例如与网络(5、7)连接的设备2a、2b、2c、……(21、22、23、……)的硬件结构、制造信息、运转状况以及使用条件、检测与网络连接的设备2a、2b、2c、……的周围环境的状态的传感器(21a、22a、23a、……)输出的至少一个。另外,输入数据Di能够由状态观测部11(机械学习装置1)经由网络而取得,但是,例如操作员(OP)也可以直接对机械学习装置1进行通知。
这里,“硬件结构”表示装置(设备)的结构,例如在CNC装置等中组合多个装置而成为一个装置。另外,“制造信息”表示制造年月日,“运转状况”表示给装置提供电源的时间或者信号接通(激活)的时间。进一步,“使用条件”表示寿命部件的使用电压以及使用电流。另外,“检测周围环境的状态的传感器的输出”例如表示在图3中的单元20中包括的多个设备21、22、23、……上设置的(或者在周围设置的)传感器21a、22a、23a、……的输出。另外,作为传感器21a、22a、23a、……,例如能够适用温度传感器、湿度传感器或者振动传感器等各种传感器。
另外,作为与网络5、7连接的设备21、22、23、……(2a、2b、2c、……),例如包括NC装置(CNC装置)、机器人(工业用机器人)、可编程逻辑控制器(PLC)、输入输出(I/O:Input/Output)模块以及负荷装置等各种设备。另外,作为状态观测部11观测的输入数据Di,可以包括与网络5、7连接的设备21、22、23、……的硬件结构、制造信息、运转状况、使用条件以及检测与网络5、7连接的设备21、22、23、……的周围环境的状态的传感器21a、22a、23a、……的输出的所有数据。
如图2所示,在判定数据取得部12所取得的判定数据Dd中包括表示与网络连接的设备2a、2b、2c、……的电子部件有无寿命故障或者寿命故障的程度的故障信息。该判定数据Dd例如能够通过与网络连接的设备2a、2b、2c、……的服务(警报发生时或定期检查时等)SR而得到。
另外,如图2所示,在故障预测装置10中,故障信息输出部3接收机械学习装置1(学习部13)的输出,根据通过状态观测部11观测到的当前的状态变量,将表示与网络连接的设备2a、2b、2c、……的电子部件有无寿命故障或寿命故障的程度的故障信息作为输出数据Do输出给操作员OP(终端用户)。即、故障信息输出部3(故障预测装置10)根据机械学习装置1进行的与连接至网络的设备电子部件的寿命故障相关联的条件的学习结果,将与网络连接的设备2a、2b、2c、……电子部件的故障预测的通知或维护信息的通知输出给操作员OP。这样,操作员OP识别与网络连接的设备的电子部件的故障预测或维护信息,在发生故障之前能够进行该电子部件的更换或维护。
以下,参照图2以及图3说明在单元控制器(例如雾服务器61)内实际安装机械学习装置1(故障预测装置10)的情况。首先,单元控制器(机械学习装置1)和NC装置等的设备21、22、23、……(2a、2b、2c、……)通过网络7连接。机械学习装置1(雾服务器61)经由网络7通过状态观测部11观测输入数据Di,该输入数据Di包括设备21、22、23、……的硬件结构、制造信息、运转状况以及使用条件、以及设备21、22、23、……的周围环境的状态(设置在设备21、22、23、……上的传感器21a、22a、23a、……的输出)。这里,例如操作员(OP)可以对单元控制器(机械学习装置1)直接通知设备的硬件结构、制造信息、运转状况、使用条件。
接着,在与网络7连接的设备21、22、23、……的警报产生时或定期检查时,将设备21、22、23、……部件有无寿命故障、或者寿命故障的程度作为判定数据Dd通知给单元控制器(机械学习装置1、判定数据取得部12)。这里,当机械学习装置1(学习部13)在有故障寿命的情况下或寿命故障继续的情况下,根据此时的状态变量和判定数据来生成训练数据,根据该训练数据以及教师数据Dt来学习与连接至网络7的设备21、22、23、……的部件的寿命故障相关联的条件。这样,通过观测当前的状态变量,能够获知当前设备有无寿命故障或故障的程度。
根据本发明的机械学习装置、故障预测装置、机械系统以及机械学习方法,获得了能够或者与网络连接的设备的电子部件有无寿命故障或故障的程度的效果。
以上,说明了实施方式,但是这里记载的所有例子和条件是以帮助理解适发明以及用于技术的发明的概念为目的而记载的,尤其是记载的例子和条件并没有限制发明的范围的意图。另外,说明书的记载不是表示发明的优点以及缺点。虽然详细地记载了发明的实施方式,但是应该理解能够不脱离发明的精神以及范围而能够进行各种变更、置换、变形。
Claims (15)
1.一种机械学习装置,学习与连接至网络的设备的电子部件的寿命故障相关联的条件,其特征在于,
该机械学习装置具备:
状态观测部,其观测根据连接至上述网络的设备的硬件结构、制造信息、运转状况、使用条件以及检测周围环境状态的传感器的输出的至少一个而得到的状态变量;
判定数据取得部,其取得判定连接至上述网络的设备的电子部件有无寿命故障或寿命故障的程度而得的判定数据;以及
学习部,其基于根据上述状态观测部的输出以及上述判定数据取得部的输出而生成的训练数据和教师数据,学习与连接至上述网络的设备的电子部件的寿命故障相关联的条件。
2.根据权利要求1所述的机械学习装置,其特征在于,
上述学习部具备:
误差计算部,其计算上述训练数据与上述教师数据的误差;以及
学习模型更新部,其根据上述状态观测部的输出、上述判定数据取得部的输出以及上述误差计算部的输出,更新用于决定与连接至上述网络的设备的电子部件的寿命故障相关联的条件的误差的学习模型。
3.根据权利要求1或2所述的机械学习装置,其特征在于,
上述机械学习装置存在于雾服务器上。
4.根据权利要求3所述的机械学习装置,其特征在于,
上述雾服务器经由第一网络控制包括多个设备的至少一个单元。
5.根据权利要求1或2所述的机械学习装置,其特征在于,
上述机械学习装置存在于云服务器上。
6.根据权利要求5所述的机械学习装置,其特征在于,
上述云服务器经由第二网络控制雾服务器中的至少一个,该雾服务器经由第一网络与包括多个设备的至少一个单元连接。
7.根据权利要求1~6中的任意一项所述的机械学习装置,其特征在于,
上述机械学习装置能够与至少一个其他机械学习装置连接,能够与至少一个上述其他机械学习装置之间相互交换或共享机械学习的结果。
8.根据权利要求1~7中的任意一项所述的机械学习装置,其特征在于,
上述机械学习装置具备神经网络。
9.一种故障预测装置,包括权利要求1~8中的任意一项所述的机械学习装置,预测连接至上述网络的设备的电子部件的寿命故障,其特征在于,
该故障预测装置具备:故障信息输出部,其接收上述机械学习装置的输出,根据由上述状态观测部观测到的当前的上述状态变量输出故障信息,该故障信息表示连接至上述网络的设备的电子部件有无寿命故障或寿命故障的程度。
10.根据权利要求9所述的故障预测装置,其特征在于,
上述故障信息输出部输出连接至上述网络的设备的电子部件的故障预测的通知或维护信息的通知。
11.一种机械系统,其特征在于,
该机械系统具备:
权利要求9或权利要求10所述的故障预测装置;以及
连接至上述网络的设备。
12.一种机械学习方法,学习与连接至网络的设备的电子部件的寿命故障相关联的条件,其特征在于,
该机械学习方法进行如下处理:
观测根据连接至上述网络的设备的硬件结构、制造信息、运转状况、使用条件以及检测周围环境状态的传感器的输出的至少一个而得到的状态变量,
取得判定连接至上述网络的设备的电子部件有无寿命故障或寿命故障的程度的判定数据,
基于根据观测到的上述状态变量以及取得的上述判定数据而生成的训练数据和教师数据来学习与连接至上述网络的设备的电子部件的寿命故障相关联的条件。
13.根据权利要求12所述的机械学习方法,其特征在于,
学习与连接至上述网络的设备的电子部件的寿命故障相关联的条件,包括:
计算上述训练数据与上述教师数据的误差,
根据观测到的上述状态变量、取得的上述判定数据以及计算出的上述误差,更新用于决定与连接至上述网络的设备的电子部件的寿命故障相关联的条件的误差的学习模型。
14.根据权利要求12或13所述的机械学习方法,其特征在于,
在至少两个机械学习装置之间相互交换或共享学习到的与连接至上述网络的设备的电子部件的寿命故障相关联的条件。
15.根据权利要求12~14中的任意一项所述的机械学习方法,其特征在于,
该机械学习方法还根据学习到的与连接至上述网络的设备的电子部件的寿命故障相关联的条件,输出与上述网络连接的设备的电子部件的故障预测的通知或维护信息的通知。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016106428A JP6496274B2 (ja) | 2016-05-27 | 2016-05-27 | 寿命故障条件を学習する機械学習装置,故障予知装置,機械システムおよび機械学習方法 |
JP2016-106428 | 2016-05-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107436595A true CN107436595A (zh) | 2017-12-05 |
CN107436595B CN107436595B (zh) | 2020-01-21 |
Family
ID=60269408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710379697.1A Active CN107436595B (zh) | 2016-05-27 | 2017-05-25 | 机械学习装置、故障预测装置、机械系统及机械学习方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20170344909A1 (zh) |
JP (1) | JP6496274B2 (zh) |
CN (1) | CN107436595B (zh) |
DE (1) | DE102017004823A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942929A (zh) * | 2017-12-13 | 2018-04-20 | 吴迪 | 基于神经网络计算技术的数控车床的控制系统及其方法 |
CN110091084A (zh) * | 2018-01-30 | 2019-08-06 | 发那科株式会社 | 学习激光装置的故障发生机制的机器学习装置 |
CN110116371A (zh) * | 2018-02-06 | 2019-08-13 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
CN111587408A (zh) * | 2018-01-12 | 2020-08-25 | 华为技术有限公司 | 机器人导航和对象跟踪 |
CN112384867A (zh) * | 2018-07-11 | 2021-02-19 | 三菱电机株式会社 | 机器学习装置、数控加工程序生成装置及机器学习方法 |
CN112655030A (zh) * | 2018-08-20 | 2021-04-13 | 斯凯孚人工智能有限公司 | 为工业机器故障提供矫正解决方案推荐 |
CN112714895A (zh) * | 2018-10-01 | 2021-04-27 | 株式会社椿本链条 | 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型 |
CN113168587A (zh) * | 2019-02-28 | 2021-07-23 | 小松产机株式会社 | 用于收集学习数据的系统及方法 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10838950B2 (en) * | 2017-04-29 | 2020-11-17 | Cisco Technology, Inc. | Dynamic review cadence for intellectual capital |
JP6907689B2 (ja) * | 2017-05-15 | 2021-07-21 | 富士通株式会社 | 不具合検索プログラム、不具合検索方法及び不具合検索装置 |
EP3451246A1 (en) * | 2017-08-28 | 2019-03-06 | Hewlett-Packard Enterprise Development LP | Eol notification generation |
KR101966558B1 (ko) * | 2017-12-08 | 2019-04-05 | 세종대학교산학협력단 | 장비 재고상태 및 수리부속 조달 요구를 시각화하는 시스템 및 방법 |
KR101966557B1 (ko) * | 2017-12-08 | 2019-04-05 | 세종대학교산학협력단 | 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법 |
JP6680809B2 (ja) | 2018-01-09 | 2020-04-15 | ファナック株式会社 | ファイバレーザ装置及び機械学習装置 |
JP6728258B2 (ja) * | 2018-03-05 | 2020-07-22 | Iotマネジメント株式会社 | 評価システム、評価装置、及び評価プログラム |
JP6965798B2 (ja) | 2018-03-12 | 2021-11-10 | オムロン株式会社 | 制御システムおよび制御方法 |
WO2019186453A1 (en) | 2018-03-28 | 2019-10-03 | L&T Technology Services Limited | System and method for monitoring health and predicting failure of an electro-mechanical machine |
JP2019185125A (ja) * | 2018-04-02 | 2019-10-24 | ファナック株式会社 | 制御装置及び機械学習装置 |
JP7042152B2 (ja) * | 2018-04-18 | 2022-03-25 | Ihi運搬機械株式会社 | 機器交換時期提案方法及び装置 |
JP6825607B2 (ja) * | 2018-07-05 | 2021-02-03 | ダイキン工業株式会社 | 部品提示システム |
JP7119978B2 (ja) | 2018-12-20 | 2022-08-17 | オムロン株式会社 | 制御装置およびプログラム |
CN113490852A (zh) * | 2019-02-28 | 2021-10-08 | 株式会社岛津制作所 | 分析装置的零件管理系统及零件管理程序 |
WO2020195735A1 (ja) * | 2019-03-22 | 2020-10-01 | 日本電気株式会社 | 在庫管理サーバ、在庫管理システム、在庫管理方法および記録媒体 |
CN112052642A (zh) * | 2019-05-20 | 2020-12-08 | 台湾积体电路制造股份有限公司 | 用于机器学习的esl建模的系统和方法 |
US11982997B2 (en) * | 2019-09-28 | 2024-05-14 | Honeywell International Inc. | Real-time operation of an industrial facility using a machine learning based self-adaptive system |
CN111814991A (zh) * | 2020-02-22 | 2020-10-23 | 中国原子能科学研究院 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
US11537459B2 (en) * | 2020-03-27 | 2022-12-27 | EMC IP Holding Company LLC | Automatically predicting device failure using machine learning techniques |
CN111413952B (zh) * | 2020-04-07 | 2021-05-07 | 北京金山安全软件有限公司 | 机器人故障检测方法、装置、电子设备及可读存储介质 |
US11879943B1 (en) * | 2021-05-31 | 2024-01-23 | Keysight Technologies, Inc. | Method and apparatus for predicting failure of a component |
CN113465920B (zh) * | 2021-06-08 | 2022-04-22 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
US11782780B2 (en) | 2021-12-17 | 2023-10-10 | Bank Of America Corporation | Automatic remediation of failures within a computational environment using independent execution units |
US11892903B2 (en) | 2021-12-17 | 2024-02-06 | Bank Of America Corporation | System and method for continuous failure prediction and remediation within a computational environment using independent execution units |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011209879A (ja) * | 2010-03-29 | 2011-10-20 | Toshiba Corp | 評価装置および評価プログラム |
CN103676802A (zh) * | 2012-09-14 | 2014-03-26 | 江苏晨光盛得液压设备有限公司 | 液压启闭机工作状态统计分析学习系统 |
CN104834579A (zh) * | 2014-02-10 | 2015-08-12 | 富士施乐株式会社 | 故障预测系统和故障预测设备 |
JP6214922B2 (ja) * | 2013-05-20 | 2017-10-18 | 日本電信電話株式会社 | 情報処理装置、情報処理システム、情報処理方法、および学習プログラム |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5406502A (en) * | 1993-06-29 | 1995-04-11 | Elbit Ltd. | System and method for measuring the operation of a device |
US5629870A (en) * | 1994-05-31 | 1997-05-13 | Siemens Energy & Automation, Inc. | Method and apparatus for predicting electric induction machine failure during operation |
JPH09179458A (ja) * | 1995-12-25 | 1997-07-11 | Minolta Co Ltd | 画像形成装置 |
JPH11261814A (ja) * | 1998-03-13 | 1999-09-24 | Matsushita Electric Ind Co Ltd | 画像属性判別システム |
JP2003157330A (ja) | 2001-11-22 | 2003-05-30 | Mitsubishi Electric Corp | 部品寿命管理システム |
JP2005044330A (ja) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
US7023647B2 (en) * | 2003-11-17 | 2006-04-04 | Texas Instruments Incorporated | Fly height control for a read/write head in a hard disk drive |
US8316263B1 (en) * | 2004-11-08 | 2012-11-20 | Western Digital Technologies, Inc. | Predicting disk drive failure at a central processing facility using an evolving disk drive failure prediction algorithm |
US8437904B2 (en) * | 2007-06-12 | 2013-05-07 | The Boeing Company | Systems and methods for health monitoring of complex systems |
WO2010011918A2 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
US8521443B2 (en) * | 2008-10-16 | 2013-08-27 | Oxfordian | Method to extract parameters from in-situ monitored signals for prognostics |
US20150160101A1 (en) * | 2012-05-31 | 2015-06-11 | Canrig Drilling Technology Ltd. | Method and System for Testing Operational Integrity of a Drilling Rig |
US8854929B1 (en) * | 2013-03-06 | 2014-10-07 | Western Digital Technologies, Inc. | Disk drive calibrating laser power and write current for heat assisted magnetic recording |
JP6307822B2 (ja) * | 2013-09-19 | 2018-04-11 | 富士通株式会社 | プログラム、コンピュータおよび訓練データ作成支援方法 |
US9229796B1 (en) * | 2013-09-25 | 2016-01-05 | Emc Corporation | System and method for determining disk failure indicator to predict future disk failures |
-
2016
- 2016-05-27 JP JP2016106428A patent/JP6496274B2/ja active Active
-
2017
- 2017-05-18 US US15/598,312 patent/US20170344909A1/en not_active Abandoned
- 2017-05-19 DE DE102017004823.1A patent/DE102017004823A1/de active Pending
- 2017-05-25 CN CN201710379697.1A patent/CN107436595B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011209879A (ja) * | 2010-03-29 | 2011-10-20 | Toshiba Corp | 評価装置および評価プログラム |
CN103676802A (zh) * | 2012-09-14 | 2014-03-26 | 江苏晨光盛得液压设备有限公司 | 液压启闭机工作状态统计分析学习系统 |
JP6214922B2 (ja) * | 2013-05-20 | 2017-10-18 | 日本電信電話株式会社 | 情報処理装置、情報処理システム、情報処理方法、および学習プログラム |
CN104834579A (zh) * | 2014-02-10 | 2015-08-12 | 富士施乐株式会社 | 故障预测系统和故障预测设备 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942929A (zh) * | 2017-12-13 | 2018-04-20 | 吴迪 | 基于神经网络计算技术的数控车床的控制系统及其方法 |
CN107942929B (zh) * | 2017-12-13 | 2020-08-28 | 深圳普菲特信息科技股份有限公司 | 基于神经网络计算技术的数控车床的控制方法 |
CN111587408A (zh) * | 2018-01-12 | 2020-08-25 | 华为技术有限公司 | 机器人导航和对象跟踪 |
CN111587408B (zh) * | 2018-01-12 | 2022-07-12 | 华为技术有限公司 | 机器人导航和对象跟踪 |
CN110091084A (zh) * | 2018-01-30 | 2019-08-06 | 发那科株式会社 | 学习激光装置的故障发生机制的机器学习装置 |
CN110116371A (zh) * | 2018-02-06 | 2019-08-13 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
CN110116371B (zh) * | 2018-02-06 | 2023-10-24 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
CN112384867B (zh) * | 2018-07-11 | 2021-10-29 | 三菱电机株式会社 | 机器学习装置、数控加工程序生成装置及机器学习方法 |
CN112384867A (zh) * | 2018-07-11 | 2021-02-19 | 三菱电机株式会社 | 机器学习装置、数控加工程序生成装置及机器学习方法 |
CN112655030A (zh) * | 2018-08-20 | 2021-04-13 | 斯凯孚人工智能有限公司 | 为工业机器故障提供矫正解决方案推荐 |
US11822323B2 (en) | 2018-08-20 | 2023-11-21 | Aktiebolaget Skf | Providing corrective solution recommendations for an industrial machine failure |
CN112714895A (zh) * | 2018-10-01 | 2021-04-27 | 株式会社椿本链条 | 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型 |
CN113168587A (zh) * | 2019-02-28 | 2021-07-23 | 小松产机株式会社 | 用于收集学习数据的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102017004823A1 (de) | 2017-11-30 |
US20170344909A1 (en) | 2017-11-30 |
JP6496274B2 (ja) | 2019-04-03 |
CN107436595B (zh) | 2020-01-21 |
JP2017211930A (ja) | 2017-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436595A (zh) | 机械学习装置、故障预测装置、机械系统及机械学习方法 | |
CN109144025A (zh) | 故障预测装置以及机器学习装置 | |
Lee et al. | Analysis of machine degradation using a neural network based pattern discrimination model | |
US20070192078A1 (en) | Systems and methods for real-time system monitoring and predictive analysis | |
KR102480354B1 (ko) | 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법 | |
CN111796953A (zh) | 故障预测装置及方法、存储介质、模型的学习及生成方法 | |
CN101523316A (zh) | 用于检测加工厂中的故障的方法和系统 | |
CN105527942A (zh) | I/o模块、设定装置以及过程控制系统的构建方法 | |
Wöstmann et al. | A retrofit approach for predictive maintenance | |
CN107944563A (zh) | 机械学习装置以及机械学习方法 | |
WO2021043465A1 (de) | Verfahren zur zustandsüberwachung eines elektrischen geräts und anordnung zur durchführung eines solchen verfahrens | |
WO2009068879A1 (en) | Electrical circuit with physical layer diagnostics system | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
Ucar et al. | E-maintenance in support of e-automated manufacturing systems | |
US20190251296A1 (en) | Method for tamper-proof evaluation of component properties of a field device | |
Liao et al. | Machine tool feed axis health monitoring using plug-and-prognose technology | |
CN110072670A (zh) | 监测拧紧工具中能量流的方法、监测节点及计算机程序 | |
CN114175065A (zh) | 信息处理系统 | |
Tawiah et al. | Marine engine room alarm monitoring system | |
Hong et al. | Intelligent anomaly detection of robot manipulator based on energy consumption auditing | |
Kohl et al. | Intelligent energy profiling for decentralized fault diagnosis of automated production systems | |
US11454960B2 (en) | Method and control system for a technical installation with trend curve diagram | |
CN118051412B (zh) | 一种利用ai和ar的虚拟现实展示系统 | |
EP3819831A2 (en) | Context specific training for process operators | |
US20220187820A1 (en) | Predicting failures and monitoring an industrial machine using a machine learning process and reference information |
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 |