CN108363952A - 诊断装置 - Google Patents

诊断装置 Download PDF

Info

Publication number
CN108363952A
CN108363952A CN201810030719.8A CN201810030719A CN108363952A CN 108363952 A CN108363952 A CN 108363952A CN 201810030719 A CN201810030719 A CN 201810030719A CN 108363952 A CN108363952 A CN 108363952A
Authority
CN
China
Prior art keywords
model
diagnostic
physical
abnormal
diagnosis
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.)
Pending
Application number
CN201810030719.8A
Other languages
English (en)
Inventor
上野浩
安藤知治
则久孝志
北乡匠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Okuma Corp
Original Assignee
Okuma Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Okuma Corp filed Critical Okuma Corp
Publication of CN108363952A publication Critical patent/CN108363952A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

提供诊断装置，始终适当地保持诊断性能，同时在使模型的性能提高的基础上适当地保持所需的信息。诊断装置(10)具备：诊断信息取得单元(11)，其从机床(1)取得诊断信息；物理模型存储单元(12)和基于物理模型的诊断单元(14)，它们使用根据物理特征预测为发生异常时产生的特征量进行诊断；数理模型存储单元(13)和基于数理模型的诊断单元(15)，它们使用根据正常时及/或异常时的信号学习到的机床学习模型进行诊断；模型更新必要性判定单元(17)，其在两个诊断单元的诊断结果不同时，判断为需要更新物理模型或数理模型中的至少一方；和显示单元(19)，其在模型更新必要性判定单元(17)判断为需要更新时通知该意思。

Description

诊断装置
技术领域
本发明涉及基于预先内置的诊断模型来诊断机床等受测体的状态是正常还是异常的诊断装置。
背景技术
在运用各种设备方面，诊断设备的状态非常重要。没有注意到设备异常而继续使用的情况下，可能导致设备严重损坏、人受伤害，必须提前检测异常。
以这样的设备的异常诊断为目的，提出了许多技术。例如在专利文献1中，提出如下的技术：对受测体的振动检测信号进行傅立叶变换，与预先设定的阈值比较，并且使用神经网络求出异常的可靠度(认为正常或异常的程度)，通过对两者进行模糊运算，进行异常判定。
现有技术文献
专利文献
专利文献1：日本特许第3340541号公报
发明内容
发明要解决的课题
如上述技术所述，提出了使用事先设定的条件或者事先学习的模型来进行异常判定的技术，但例如在机床中，按每个用户，规格、设置环境、加工对象、使用工具、加工条件等影响因素非常大，现实中不可能在出厂前假设所有的模式并预先进行上述阈值的设定、神经网络的学习。因此，必须适当更新判定方法，但此时，应该在哪个时刻进行模型的更新，以及该如何高效地构筑高精度的模型是非常重要的。若在不必要的时刻进行更新，则导致计算资源的过度消耗、学习数据的平衡恶化引起的精度下降，而且疏于更新时，则不能应对新的异常。
并且，为了更新模型而如何选择必需的数据也很重要，存储装置的容量限制方面必须高效地选择、保持提高诊断精度所必需的信息。
因此，本发明的目的在于提供一种诊断装置，通过装置本身判断更新诊断模型的适当时刻，始终适当地保持诊断性能，同时使模型的性能提高，在此基础上适当地保持必需的信息。
用于解决课题的手段
为了达到上述目的，技术方案1的发明是诊断受测体的状态的诊断装置，其特征在于具备：
基于物理模型的诊断部，其使用根据受测体的物理特征预测为受测体发生异常时产生的特征量来进行诊断；基于数理模型的诊断部，其使用根据受测体正常时及/或异常时的信号学习到的机床学习模型，进行诊断；模型更新必要性判定部，其在基于物理模型的诊断部与基于数理模型的诊断部的诊断结果不同的情况下，判断为需要更新物理模型或数理模型中的至少一方；以及更新通知部，其在模型更新必要性判定部判断为需要更新时，通知该意思。
技术方案2的发明的特征在于，在技术方案1的结构中，基于物理模型的诊断部包括：诊断信息取得单元，其从受测体取得用于诊断状态的信息；以及物理模型存储单元，其存储物理模型，所述物理模型是根据受测体的物理特征计算发生异常时通过诊断信息取得单元取得的诊断信息中产生的特征量的模型。
技术方案3的发明的特征在于，在技术方案1的结构中，基于数理模型的诊断部包括：诊断信息取得单元，其从受测体取得用于诊断状态的信息；以及数理模型存储单元，其存储根据受测体正常时及/或异常时通过诊断信息取得单元取得的诊断信息进行机床学习而得到的数理模型。
技术方案4的发明的特征在于，在技术方案1的结构中，诊断装置具备模型更新条件设定部，模型更新条件设定部能够设定在受测体的诊断结果为正常和异常中的哪一个的情况下需要更新模型，模型更新必要性判定部将受测体的状态的诊断结果与模型更新条件设定部所设定的条件一致的模型判断为需要进行更新。
技术方案5的发明的特征在于，在技术方案1的结构中，诊断装置具备诊断信息存储部，在模型更新必要性判定部中判断为需要更新时，诊断信息存储部存储用物理模型及/或数理模型的诊断所需的信息。
技术方案6的发明的特征在于，在技术方案5的结构中，使用神经网络作为机床学习模型，诊断信息存储部根据构成神经网络的各神经元的输出分布，对用物理模型的诊断所需的信息进行分类并存储。
技术方案7的发明的特征在于，在技术方案1至6中的任意一项所述的结构中，更新通知部在画面上显示需要更新模型的意思，并且也一并显示更新的必要度的程度。
发明效果
根据本发明，装置自身能够估计诊断模型的合适的更新时刻，能够在诊断装置内自动地进行再学习、对制造商通知需要更新模型的意思等，从而始终适当地保持诊断能力。
特别是根据技术方案5及6所述的发明，除了上述效果外，还能够高效地收集、保持更新诊断模型时所需的信息，能够削减存储量、通信量，并且使得诊断性能提高。
此外，根据技术方7所述的发明，除了上述效果外，由于进行推荐模型更新的显示时一并通知模型更新的必要性为多大程度，因此还能够容易得到研究实际上是否进行更新、调整更新作业的时间表所需要的信息。
附图说明
图1是诊断装置的框图。
图2是示出基于特征频率的诊断例的波形图，图2的(a)示出正常时的信号波形，图2的(b)示出物理模型异常时的信号波形，图2的(c)示出数理模型异常时的信号波形。
图3是诊断方法的流程图。
图4是模型更新推荐显示的说明图。
图5是示出神经网络结构及各层单元组的输出分布的说明图。
标号说明
1：机床；10：诊断装置；11：诊断信息取得单元(诊断信息取得部)；12：物理模型存储单元(基于物理模型的诊断部)；13：数理模型存储单元(基于数理模型的诊断部)；14：基于物理模型的诊断单元(基于物理模型的诊断部)；15：基于数理模型的诊断单元(基于数理模型的诊断部)；16：模型更新条件设定单元(模型更新条件设定部)、17：模型更新必要性判定单元(模型更新必要性判定部)；18：诊断信息存储单元(诊断信息存储部)；19：显示单元(更新通知部)
具体实施方式
以下基于附图说明本发明的实施方式。
图1是示出本发明的诊断装置的一例的框图。此处，对于作为受测体的机床1，附设有诊断装置10，但诊断装置10也可以内置于机床1的控制装置(省略图示)中。
在诊断装置10中设置有取得机床1的控制信息、各种传感器(未图示)的测定信号作为诊断信息的诊断信息取得单元11。
此外，诊断装置10中具备：物理模型存储单元12，其存储物理模型，所述物理模型是根据机床结构要素的规格值或机床结构等的物理特征计算发生异常时诊断信息表现出怎样的特征的模型；以及数理模型存储单元13，其存储数理模型，所述数理模型是根据机床1在正常状态及/或异常状态下的诊断信息进行机床学习而得的。
并且，诊断装置10中具备：基于物理模型的诊断单元14，其根据物理模型存储单元12中存储的物理模型及从诊断用信息取得单元11取得的诊断信息进行状态诊断；基于数理模型的诊断单元15，其根据数理模型存储单元13中存储的数理模型及从诊断信息取得单元11取得的诊断信息进行状态诊断；模型更新必要性判定单元17，其根据两个单元的诊断结果及模型更新条件设定单元16保持的更新条件，判断物理模型及/或数理模型是否要更新。
对基于物理模型的诊断单元14及基于数理模型的诊断单元15的判定方法进行说明。
例如在以机床的进给轴为对象的异常诊断中，作为假设的异常模式之一，例举出滚珠丝杠的支承轴承损伤。知道例如轴承具有瑕疵的情况下，特定频率的振动増加，该频率(图2的“特征频率”)能够容易根据轴承规格或滚珠丝杠的旋转速度等求出。在基于物理模型的诊断单元14中，根据这样的物理特征进行有无异常的判定。在该情况下，判定逻辑明确，而且关注已知的特征量进行分析，因此能够高精度地检测，在另一方面，只能检测技术人员事先假设的异常模式。
另一方面，在基于数理模型的诊断单元15中，使用例如神经网络等机床学习技术，根据数据进行学习来构筑模型，进行异常诊断。在该方法中，由于机床自身根据异常时的事例提取特征，图2的(c)那样的特征频率无变化，即使是未事先假设的异常模式，也能够检测。
利用上述特性，通过将能够高精度地检测已知的异常模式的物理模型与即使是物理模型未对应的异常也能够检测的数理模型进行组合，不仅能够检测更大范围的异常，还能够利用彼此的互补关系，引起诊断性能高效增长。具体而言，推进数理模型的学习，使得能够高精度地遵循诊断为物理模型“异常”的事例，而且收集、积累诊断为数理模型“异常”的事例并反馈给技术人员，由此能够构筑能检测更多种类异常的物理模型。
下面对作为用于实现上述技术的单元的、模型更新必要性判定单元17、诊断信息存储单元18、显示单元19的动作进行说明。
首先，在诊断信息存储单元18中，由模型更新必要性判定单元17判断为“需要更新”的情况下，存储该时刻的诊断信息。此时，从基于数理模型的诊断单元15一并取得表示数理模型的运算过程的数理模型运算信息，可以将该数理模型运算信息作为关键信息对诊断信息进行分类并存储。
并且，在显示单元19中，显示基于物理模型的诊断单元14及基于数理模型的诊断单元15的诊断结果、或综合了两者的诊断结果，并且显示模型更新必要性判定单元17的更新必要性判定结果。
以下基于图3的流程图，对使用上述诊断装置10的状态诊断方法的详情进行说明。
首先，在S1中，利用诊断信息取得单元11从机床1取得用于诊断状态的信息(诊断信息)。
作为用于诊断的信息，具有机床的电动机扭矩、由振动传感器测定的加速度信号、机床的规格、部件的规格值等。
接下来，在S2中，从物理模型存储单元12及数理模型存储单元13中取得在物理模型及数理模型诊断中使用的模型数据。在物理模型中根据测定信号计算特征量的计算式等包含于模型数据，在数理模型中神经网络的结构、权重等包含于模型数据。
接下来，在S3中，在基于物理模型的诊断单元14中，使用取得的物理模型及上述诊断信息实施状态诊断，并且在基于数理模型的诊断单元15中，使用取得的数理模型及上述诊断信息实施状态诊断。
接着，在S4中，根据两个诊断单元中的物理模型、数理模型的诊断结果、及模型更新条件设定单元16保持的更新条件，模型更新必要性判定单元17判定诊断模型是否需要更新。后面对判定方法的详情进行记述。
在该S4中，判断为“不需要更新模型”的情况下，显示单元19显示S3中的诊断结果，结束诊断。另一方面，在判断为“需要更新模型”的情况下，对模型更新所需要的信息进行分类、存储(S5、S6)。
具体而言，在S4中判断为需要更新数理模型”的情况下，将在S3的诊断实施中输入到数理模型的数理模型诊断信息与输入到物理模型的物理模型诊断信息合并起来，存储于诊断信息存储单元18(S5)。
另一方面，在S4中判断为需要更新物理模型”的情况下，将在S3的诊断实施中输入到物理模型的物理模型诊断信息、输入到数理模型的数理模型诊断信息、以及与该输入对应的数理模型内部的运算信息合并起来，存储于诊断信息存储单元18(S6)。
并且，在S4中判断为需要更新物理模型”或需要更新数理模型”的情况下，在显示单元19中显示需要更新模型的内容(S7)。
接下来，对S4中的模型更新必要性判定的详情进行说明。
如上所述，例如旋转部件有瑕疵的情况下，机床振动的特定频率中出现峰值等，使用机床结构信息或部件的规格，能够预测异常时产生的特征量。物理模型是基于这样的想法，预先假设可能发生异常的部件、其异常模式，计算对应的特征量，并与阈值进行比较等，来检测异常发生。另一方面，由于在基于机床学习的诊断中机床自身学习表达为信号的特征，人不必事先求出特征量，但为了进行学习，需要大量机床异常时(或正常时)的数据。
由于这样的关系，在仅有基于物理模型的诊断判断为“异常”的情况下，有可能在数理模型中与符合的异常模式对应的学习不充分。在另一方面，在仅有基于数理模型的诊断判断为“异常”的情况下，数理模型学习对于人来说未知的特征量，可能检测到人难以注意到的程度的模式异常。
因此，在S4中，在物理模型判定为“异常”、数理模型判定为“正常”的情况下，进行需要更新数理模型的意思的判断，在相反的情况下，进行需要更新物理模型的意思的判断。在两者的诊断一致的情况下不必更新模型。
在上述的例子中，以提取、检测“异常”时的特征的系统进行了说明，但在提取、检测“正常”时的特征的情况下，动作与上述例子相反。在模型更新条件设定单元16中设定“异常检测模型”或“正常检测模型”中的任意一个，能够切换S4中的动作。
接下来，基于图4，对S7中的模型更新推荐通知的详情进行说明。如上所述，在S4中，物理模型、数理模型的诊断结果不一致的情况下，显示需要更新模型的意思，但可能存在因更新的工夫、机床的时间表等而不能立即进行更新作业的情况。此时，一并显示更新的必要性的大小，由此能够作为制定作业计划的参考。例如如图4所示，可以利用图标，设法与必要度的高度相应地使填充的区域变化等。例如正常时为蓝色、异常时为红色、模型要更新时为黄色等，通过使图标的颜色变化，能够更清楚地进行通知。
更新的必要度能够使用物理模型及数理模型的可靠度，通过例如以下数学式(1)那样的形式来表示。
更新必要度＝min(数理模型可靠度、物理模型可靠度)…数学式(1)
或者，可以在物理模型判定为“异常”的情况下，使用数理模型的可靠度，数理模型判定为“异常”的情况下，使用物理模型的可靠度。作为求出可靠度的方法，如果是物理模型，则可以使用相对于阈值的偏离度，如果是数理模型，则可以使用神经网络输出层的单元输出值等。这些数学式的意思指的是，越是“有把握却错误诊断”的情况，更新模型的必要性越高。如果是同样的运算意思，则本发明并不限于上述的数学式。
接下来，对S6中的物理模型更新所需要的信息的存储详细地进行说明。
如上所述，在仅有数理模型诊断为“异常”的情况下，可能能够提取人难以注意到异常的特征。因此，通过收集这样的事例进行分析，能够构筑与新的特征量、异常形式对应的物理模型。但是过度收集大量的数据，分析不及时可能就不能有效运用，但通过按每个模式分类地收集，能更高效地开发模型。
以下，以利用神经网络的机床学习为例进行说明。在判断神经网络“异常”(或者“正常”)的过程中，构成网络的各神经元的激发传播，生成最终的输出值。因此，通过与图5所示的各神经元的激发模式关联地积存诊断信息，得到与相同的异常模式对应的数据分类。按每个该分类分析数据，由此能够更高效地推进新的物理模型的构筑。
为了实现以上内容，在S6中，通过与诊断信息一并存储数理模型的运算信息(例如上述神经网络的激发模式)，能够有利于高效地开发物理模型。作为基于激发模式的分类方法，例如在捕捉各单元的输出分布作为波形时，相关度高的模式之间设为同一分类等，能够适当选择。
由此，根据上述方式的诊断装置10，设置有：基于物理模型的诊断单元14，其使用从诊断信息取得单元11取得的诊断信息及从物理模型存储单元12得到的物理模型数据，计算被预测为在机床1发生异常时产生的特征量，使用该特征量进行诊断；基于数理模型的诊断单元15，其根据从诊断信息取得单元11取得的机床1正常时及/或异常时的信号，使用基于从数理模型存储单元13得到的数理模型数据学习到的机床学习模型，进行诊断；模型更新必要性判定单元17，其在基于物理模型的诊断单元14与基于数理模型的诊断单元15的诊断结果不同的情况下，判断为需要更新物理模型或数理模型中的至少一方；以及显示单元19，其在模型更新必要性判定单元17中判断为需要更新时通知该意思，由此装置自身能够估计诊断模型的适当的更新时刻，能够在诊断装置10内自动地进行再学习，向制造商通知需要更新模型的意思等，并能够始终适当保持诊断能力。
特别是在此处，具备诊断信息存储单元18，在模型更新必要性判定单元17中判定为需要更新时，诊断信息存储单元18存储物理模型及/或数理模型中的诊断所需要的信息，由此能够高效地收集、保持更新诊断模型时所需的信息，能够削减存储量、通信量，并且使得诊断性能提高。
此外，显示单元19在画面上显示需要更新模型的意思，并且还一并显示更新的必要度的程度，因此容易得到研究实际上是否进行更新、调整更新作业的时间表所需要的信息。
另外，本诊断装置的结构不限于上述方式，在例如数据存储装置的容量具有足够的余量的情况下等，可以使S5、S6通用化，存储系统保持的所有信息。
此外诊断对象不限于机床状态诊断，也能够适用于加工状态的诊断等。
并且，在本诊断装置的运用中，在未使最终用户意识到“模型更新”的情况下，也可以显示表示“模型不适合”等模型的缺陷的信息，而非更新通知。
并且，在上述实施例中，技术人员研究、构筑物理模型，但企图高精度地检测特定的异常模式，关注物理的因果关系并按每个异常模式限定输入信号，或按每个异常模式附加详细的标签来使其学习，或者使用关注与作为对象的异常模式对应的测定数据组的教师数据来学习等，利用得到的数理模型作为相当于物理模型的识别器，也能得到同样的效果。在该情况下，以高精度地检测特定的异常模式为目的的相当于物理模型的数理模型与以检测广泛的异常为目的的数理模型彼此互补，由此本发明能够发挥想要的效果。

Claims (7)

1.一种诊断装置，该诊断装置诊断受测体的状态，
其特征在于，具备：
基于物理模型的诊断部，其使用根据所述受测体的物理特征预测为在所述受测体发生异常时产生的特征量来进行诊断；
基于数理模型的诊断部，其使用根据所述受测体正常时及/或异常时的信号学习到的机床学习模型，进行诊断；
模型更新必要性判定部，其在所述基于物理模型的诊断部与所述基于数理模型的诊断部的诊断结果不同的情况下，判断为需要更新所述物理模型和数理模型中的至少一方；以及
更新通知部，其在所述模型更新必要性判定部判断为需要更新时进行通知。
2.根据权利要求1所述的诊断装置，其特征在于，
所述基于物理模型的诊断部包括：
诊断信息取得单元，其从所述受测体取得用于诊断状态的信息；以及
物理模型存储单元，其存储物理模型，该物理模型是根据所述受测体的物理特征计算发生异常时由所述诊断信息取得单元取得的诊断信息中产生的特征量的模型。
3.根据权利要求1所述的诊断装置，其特征在于，
所述基于数理模型的诊断部包括：
诊断信息取得单元，其从所述受测体取得用于诊断状态的信息；以及
数理模型存储单元，其存储根据所述受测体正常时及/或异常时由所述诊断信息取得单元取得的诊断信息进行机床学习而得到的数理模型。
4.根据权利要求1所述的诊断装置，其特征在于，
所述诊断装置具备模型更新条件设定部，该模型更新条件设定部能够设定在所述受测体的诊断结果为正常和异常中的哪一个的情况下需要更新模型，
所述模型更新必要性判定部将所述受测体的状态的诊断结果与所述模型更新条件设定部所设定的条件一致的模型判断为需要进行更新。
5.根据权利要求1所述的诊断装置，其特征在于，
所述诊断装置具备诊断信息存储部，在所述模型更新必要性判定部中判断为需要更新时，所述诊断信息存储部存储所述物理模型及/或数理模型的诊断所需的信息。
6.根据权利要求5所述的诊断装置，其特征在于，
使用神经网络作为所述机床学习模型，
所述诊断信息存储部根据构成所述神经网络的各神经元的输出分布，对所述物理模型的诊断所需的信息进行分类并存储。
7.根据权利要求1至6中的任意一项所述的诊断装置，其特征在于，
所述更新通知部在画面上显示需要更新所述模型的意思，并且也一并显示更新的必要度的程度。
CN201810030719.8A 2017-01-27 2018-01-12 诊断装置 Pending CN108363952A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017013485A JP6837848B2 (ja) 2017-01-27 2017-01-27 診断装置
JP2017-013485 2017-01-27

Publications (1)

Publication Number Publication Date
CN108363952A true CN108363952A (zh) 2018-08-03

Family

ID=62843522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810030719.8A Pending CN108363952A (zh) 2017-01-27 2018-01-12 诊断装置

Country Status (4)

Country Link
US (1) US11195081B2 (zh)
JP (1) JP6837848B2 (zh)
CN (1) CN108363952A (zh)
DE (1) DE102018200887A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111272454A (zh) * 2018-12-04 2020-06-12 日立环球生活方案株式会社 异常诊断装置及异常诊断方法
CN112241144A (zh) * 2019-07-18 2021-01-19 大隈株式会社 机床的诊断模型的再学习与否判定方法及装置、可读存储介质
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7021053B2 (ja) 2018-11-07 2022-02-16 株式会社東芝 監視システム、プログラム、及び記憶媒体
JP7309366B2 (ja) 2019-01-15 2023-07-18 株式会社東芝 監視システム、監視方法およびプログラム
JP7216566B2 (ja) * 2019-02-19 2023-02-01 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
EP3734384B1 (de) * 2019-05-02 2023-12-20 ETM professional control GmbH Verfahren und vorrichtung zur überwachung des betriebszustands einer anlage
KR102200408B1 (ko) * 2019-05-20 2021-01-08 두산중공업 주식회사 자가 학습 모델을 이용한 석탄 가스화플랜트의 운전 이상 예지를 위한 장치 및 이를 위한 방법
EP3742244A1 (en) 2019-05-21 2020-11-25 GF Machining Solutions AG A method for predicting chatter of a machine tool
JP7303436B2 (ja) * 2019-08-30 2023-07-05 シンフォニアテクノロジー株式会社 異常検知装置及び機械学習用入力データの作成方法
JP7363407B2 (ja) 2019-11-21 2023-10-18 オムロン株式会社 追加学習装置、方法、及びプログラム
JP7412158B2 (ja) * 2019-12-18 2024-01-12 オークマ株式会社 工作機械の送り軸診断装置及び送り軸診断方法
CN115053195A (zh) * 2020-02-07 2022-09-13 发那科株式会社 诊断装置
JP2022094728A (ja) * 2020-12-15 2022-06-27 オークマ株式会社 工作機械の加工異常診断装置及び加工異常診断方法
JP7244120B2 (ja) * 2021-02-25 2023-03-22 株式会社ミヤワキ 測定データ送信システム及びサーバ

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009053938A (ja) * 2007-08-27 2009-03-12 Toshiba Corp 複数モデルに基づく設備診断システム及びその設備診断方法
CN101634605A (zh) * 2009-04-10 2010-01-27 北京工业大学 基于混合推理和神经网络的齿轮箱故障智能诊断方法
CN102054179A (zh) * 2010-12-14 2011-05-11 广州大学 一种旋转机械在线状态监测与故障诊断装置及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3340541B2 (ja) 1993-12-17 2002-11-05 株式会社小野測器 検査装置
JPH08202444A (ja) * 1995-01-25 1996-08-09 Hitachi Ltd 機械設備の異常診断方法および装置
CA2414707C (en) * 2000-06-29 2011-08-16 Aspen Technology, Inc. Computer method and apparatus for constraining a non-linear approximator of an empirical process
JP2005121639A (ja) * 2003-09-22 2005-05-12 Omron Corp 検査方法および検査装置ならびに設備診断装置
US8065022B2 (en) * 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
JP2011253275A (ja) * 2010-06-01 2011-12-15 Yokogawa Electric Corp プラントシミュレータ
US9366451B2 (en) * 2010-12-24 2016-06-14 Commonwealth Scientific And Industrial Research Organisation System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation
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
US11334831B2 (en) * 2014-05-21 2022-05-17 X-Act Science, Inc. Predictive risk assessment in system modeling
US10031510B2 (en) * 2015-05-01 2018-07-24 Aspen Technology, Inc. Computer system and method for causality analysis using hybrid first-principles and inferential model
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009053938A (ja) * 2007-08-27 2009-03-12 Toshiba Corp 複数モデルに基づく設備診断システム及びその設備診断方法
CN101634605A (zh) * 2009-04-10 2010-01-27 北京工业大学 基于混合推理和神经网络的齿轮箱故障智能诊断方法
CN102054179A (zh) * 2010-12-14 2011-05-11 广州大学 一种旋转机械在线状态监测与故障诊断装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜兴旺等: "综合飞行器故障预测与健康管理系统研究", 《航空维修与工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111272454A (zh) * 2018-12-04 2020-06-12 日立环球生活方案株式会社 异常诊断装置及异常诊断方法
CN112241144A (zh) * 2019-07-18 2021-01-19 大隈株式会社 机床的诊断模型的再学习与否判定方法及装置、可读存储介质
CN112241144B (zh) * 2019-07-18 2024-05-07 大隈株式会社 机床的诊断模型的再学习与否判定方法及装置、可读存储介质
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统

Also Published As

Publication number Publication date
JP6837848B2 (ja) 2021-03-03
JP2018119924A (ja) 2018-08-02
US20180218255A1 (en) 2018-08-02
US11195081B2 (en) 2021-12-07
DE102018200887A1 (de) 2018-08-02

Similar Documents

Publication Publication Date Title
CN108363952A (zh) 诊断装置
KR102427205B1 (ko) 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법
US20130297256A1 (en) Method and System for Predictive and Conditional Fault Detection
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
CN103324155B (zh) 系统监控
JP2013073414A (ja) プラントのセンサ診断装置およびセンサ診断方法
Lim et al. Vibration-based fault diagnostic platform for rotary machines
KR20160094383A (ko) 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템
ITCO20090068A1 (it) Metodo e sistema per diagnosticare compressori
Kannan et al. Nominal features-based class specific learning model for fault diagnosis in industrial applications
GB2277151A (en) Machine monitoring using neural network
JP6430263B2 (ja) 異常診断分析装置
CN106932162B (zh) 轨道动刚度测试方法及系统
KR20210006832A (ko) 기계고장 진단 방법 및 장치
Lybeck et al. Validating prognostic algorithms: a case study using comprehensive bearing fault data
WO2020162425A1 (ja) 解析装置、解析方法、およびプログラム
CN109990803A (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
CN110598680A (zh) 一种机械设备健康状态评估方法、系统和可读存储介质
CN114838932A (zh) 一种rv减速器缓慢时变微弱故障诊断方法
CN103868747B (zh) 一种基于时间序列符号化的结构损伤识别系统与识别方法
KR102385534B1 (ko) 데이터 간 상호 유사도에 기반한 가상수명데이터 생성장치 및 방법
Chhabria et al. Predictive Maintenance using Machine Learning on Industrial Water Pumps
CN111259494A (zh) 重机设备健康监测分析方法
CN117077505B (zh) 一种基于测试性评价的装备机内故障诊断器设计方法

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