CN108572006B - 状态诊断装置 - Google Patents
状态诊断装置 Download PDFInfo
- Publication number
- CN108572006B CN108572006B CN201810182482.5A CN201810182482A CN108572006B CN 108572006 B CN108572006 B CN 108572006B CN 201810182482 A CN201810182482 A CN 201810182482A CN 108572006 B CN108572006 B CN 108572006B
- Authority
- CN
- China
- Prior art keywords
- data
- diagnostic
- diagnostic model
- model
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- 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]
- G05B19/4184—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 fault tolerance, reliability of production system
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
提供一种状态诊断装置,其能够容易且正确地进行在更新前后不产生缺陷的诊断模型的更新,能够实现应用了机器学习的诊断精度的提高等。状态诊断装置收集结构要素的使用状态和诊断用数据,以该诊断用数据中的、结构要素的使用状态为真正正常的状态的状况下得到的诊断用数据、以及/或为真正异常的状态的状况下得到的诊断用数据为对象,选择主数据,并且对用当前的诊断模型诊断该主数据而得到的诊断结果与用新的诊断模型诊断主数据而得到的诊断结果进行比较,判定当前的诊断模型与新的诊断模型是否具有匹配性,若具有匹配性,则将诊断模型从当前的诊断模型更新为新的诊断模型。
Description
技术领域
本发明涉及一种状态诊断装置,该状态诊断装置例如诊断机床等工业机器,监视该工业机器中的异常的恶化程度,判定异常的原因。
背景技术
在制造业中,生产效率的提高是最重要的课题。并且,设计出如下的状态诊断装置:工业机器的故障引起的生产线的停止成为生产效率显著下降的原因,因此日常的工业机器的预防性维护,特别是状态基准维护最重要,为了将其实现而诊断工业机器的状态。例如在专利文献1所记载的状态诊断装置中,进行使用回归分析的状态基准维护,在作为诊断对象的装置中,根据正常时取得的多个状态数据使用回归分析进行数据的分类和诊断模型的创建,使用创建的诊断模型,以偏离度计算装置的状态,与阈值进行比较,进行异常的检测等诊断。此外,在专利文献2所记载的状态诊断装置中,假设进行使用神经网络的状态基准维护,根据多数的正常数据和极少数的异常数据按异常种类创建神经网络(诊断模型),对于从作为诊断对象的装置得到的时间序列数据,进行按异常种类设定的预处理,用各诊断模型单独地判定该数据,进行异常的检测等诊断。
现有技术文献
专利文献
专利文献1:日本专利第5108116号公报
专利文献2:日本特开2002-90267号公报
发明内容
发明要解决的课题
例如欲将机器学习应用于工业机器的状态时,为了提高诊断精度、扩展能够诊断的异常种类、修正诊断的缺陷等,必须更新诊断模型。然而,在以往的状态诊断装置中,不想定诊断模型的更新,存在不能实现应用了机器学习的诊断精度的提高等的问题。此外,更新诊断模型时,可能产生更新前后诊断结果不匹配的问题。即,更新前被诊断为正常的诊断用数据在更新后可能被诊断为异常。
此处,本发明是鉴于上述问题而被完成的,欲提供一种状态诊断装置,该状态诊断装置能够容易且正确地进行在更新前后不产生缺陷的诊断模型的更新,能够实现应用了机器学习的诊断精度的提高等。
用于解决课题的手段
为了达到上述目的,本发明的技术方案1的发明是一种状态诊断装置,该状态诊断装置通过用规定的诊断模型对在工业机器中从至少一个关注的结构要素取得的诊断用数据进行诊断,来诊断所述工业机器的状态,其特征在于,其具备:数据收集部,其收集所述结构要素的使用状态和所述诊断用数据;主选择部,其以所述数据收集部所收集的所述诊断用数据中的、所述结构要素的使用状态为真正正常的状态的状况下得到的所述诊断用数据及/或为真正异常的状态的状况下得到的所述诊断用数据作为对象,来选择主数据;存储部,其存储所选择的所述主数据;以及匹配性判定部,其对用当前的诊断模型诊断所述主数据而得到的诊断结果与用新的诊断模型诊断所述主数据而得到的诊断结果进行比较,判定所述当前的诊断模型与所述新的诊断模型是否具有匹配性,当具有匹配性时,将所述诊断模型从所述当前的诊断模型更新为所述新的诊断模型。
技术方案2的发明的特征在于,在技术方案1的发明中,所述使用状态是所述结构要素的从开始使用起至更换或者修理为止的累计工作量,该累计工作量从开始使用起超过了规定的规定量的时刻的状态为所述真正正常的状态,所述累计工作量在更换或修理的时刻的状态为所述真正异常的状态。
技术方案3的发明是如下状态诊断装置:在技术方案1或2的发明中,用所述诊断模型诊断的结果是所述结构要素被判定为正常/异常,该状态诊断装置的特征在于,如果在所述当前的诊断模型与所述新的诊断模型中,所有的所述结构要素的正常/异常的判定结果一致,且所述新的诊断模型中的正常/异常的判定结果的置信度相比于所述当前的诊断模型中的正常/异常的判定的置信度并未下降,则所述匹配性判定部判定为具有匹配性。
发明效果
根据本发明,收集结构要素的使用状态和诊断用数据,以该诊断用数据中的、结构要素的使用状态为真正正常的状态的状况下得到的诊断用数据、以及/或为真正异常的状态的状况下得到的诊断用数据为对象,来选择主数据,并且对用当前的诊断模型诊断该主数据而得到的诊断结果与用新的诊断模型诊断主数据而得到的诊断结果进行比较,判定当前的诊断模型与新的诊断模型是否具有匹配性,若具有匹配性,则将诊断模型从当前的诊断模型更新为新的诊断模型,因此,能够高效地取得主数据,进而能够容易且正确地进行在更新前后不产生缺陷的诊断模型的更新。因此,能够构成一种状态诊断装置,该状态诊断装置能够通过机器学习的应用等而以更高精度检测多种异常及其原因。
附图说明
图1是状态诊断装置的结构框图。
图2是基于使用状态确定真正正常的状态及真正异常的状态时的说明图。
图3是验证诊断模型的匹配性的流程图。
图4是示出输出的匹配性判定结果的说明图。
标号说明
1:模型验证部;2:数据收集部;3:主选择部;4:存储部;6:诊断部;7:匹配性判定部;10:状态诊断装置
具体实施方式
以下,基于附图对本发明的一个实施方式的状态诊断装置详细地进行说明。
图1是状态诊断装置10的结构框图。
状态诊断装置10用于诊断例如机床等工业机器的状态,具备:模型验证部1,其用于验证当前的诊断模型与新的诊断模型是否匹配;诊断部6,其使用从工业机器取得的诊断用数据(例如从加速度传感器、温度传感器等各种传感器取得的检测值)等,诊断工业机器的状态,如后述根据新旧的诊断模型进行主数据的诊断;以及模型创建部(未图示),其根据诊断用数据或实验中得到的试验数据等创建诊断模型。另外,诊断模型例如是使用通过神经网络等的机器学习而从工业机器取得的数据来创建的。
模型验证部1具备:数据收集部2,其始终收集工业机器的运行数据(使用状态)、诊断用数据;主选择部3,其从由数据收集部2收集到的诊断用数据中选择主数据;存储部4,其存储所选择的主数据;模型验证指令部5,其在更新诊断模型时指示对新旧的诊断模型的验证,匹配性判定部7,其验证新旧的诊断模型,判定是否具有匹配性,并输出其判定结果。
此处,首先对主数据的选择进行说明。在本实施方式中,按累计工作量定义运行数据,数据收集部2按每个结构要素收集工业机器的轴承、电机等关注的结构要素的累计工作量。此外,按各个结构要素,将该结构要素在试用运转后开始使用的状态、即累计工作量刚超过规定的规定量A后的状态设为真正正常的状态,另一方面,将结构要素发生故障等而即将被更换、修理时的状态、即累计工作量成为即将复位至0时的极大值的状态设为真正异常的状态。并且,主选择部3在着眼于这两种状态下得到的诊断用数据的基础上,在当前的诊断模型中的该诊断用数据的诊断结果中,结构要素的正常/异常的判定是以与实际的正常/异常一致的诊断用数据为主数据。此外,主选择部3对关注的所有结构要素分别进行那样的主数据的选择,并存储于存储部4。另外,累计工作量只要是表示转速、移动距离、工作时间等结构要素的消耗的量即可。此外,与真正异常的状态对应的主数据只要是通过在即将更换、修理结构要素时执行诊断工作来取得即可。并且,在因突然发生机器碰撞等严重的异常而不能进行诊断工作这样的情况下,也可以不取得与异常的状态对应的主数据。此外,以累计工作量并非为0的状态而是超过了规定量A时得到的诊断用数据作为主数据的对象的理由是,因为最好考虑到结构要素的初始磨损。此外,关于该规定量A,如菊池贤晴(1998)的《繰り返し摩耗におけるなじみ機構について》(《素材物性学雑誌》,11(2),pp12~20)所记载,只要预先通过实验调查磨损粉末量稳定的移动距离或转速等来决定即可。并且,在以规定的结构要素的累计工作量作为总移动距离时,在图2所示的时机取得的诊断用数据成为主数据的对象。
接下来,根据图3,对更新诊断模型时的新旧诊断模型的匹配性的验证进行说明,创建新的诊断模型,在开始该诊断模型的验证(S1)时,在工业机器中从作为诊断对象的N个结构要素中选择关注的一个结构要素k(1≦k≦N),从模型验证指令部5向诊断部6及匹配性判定部7传达指令。因此,诊断部6从存储部4读取关于结构要素k的主数据,用新旧两个诊断模型诊断该主数据(S2)。用各诊断模型得到的诊断结果被送到匹配性判定部7,在匹配性判定部7中,判定关于结构要素k的诊断结果(正常/异常的判定结果等)在新旧的诊断模型中是否匹配(S3),并暂时存储该匹配性判定结果(S4)。并且,对N个结构要素全部进行该匹配性的判定,若确认匹配性的验证已完成(S5中为“是”),则将针对所有的结构要素的匹配性判定结果向外部输出(S6)。
此处,对匹配性的判定方法进行说明,在该判定中使用关于结构要素k的正常/异常的标号Lk和判定正常/异常时算出的置信度Xk这样的值。所谓置信度,是涉及正常/异常的判定精度的值,即表示若其越高则正常/异常的判别正确的可能性越高的值,任意采用相关系数、神经网络的单元输出值等即可。并且,在将主数据在当前诊断模型(旧诊断模型)下的诊断的标号设为Lk1,置信度设为Xk1,并且主数据在新的诊断模型(新诊断模型)下的诊断的标号设为Lk2,置信度设为Xk2时,若关于结构要素的k的正常/异常的判定一致(即Lk1=Lk2),且置信度未下降(即Xk2-Xk1≧0),则判定为:对于结构要素k,新旧的诊断模型具有匹配性。另外,图4所示的是最终向外部输出的匹配性判定结果的一例。此外,对于匹配性的判定中使用的标号(Lk1、Lk2)、置信度(Xk1、Xk2),也可以输出。
并且,若上述验证的结果是所有的结构要素具有匹配性,则将当前的诊断模型更新为新的诊断模型。另一方面,若一部分的结构要素不具有匹配性,则不进行模型的更新,或者,仅对具有匹配性的结构要素应用新的诊断模型等。
根据具有以上那样的结构的状态诊断装置10,收集结构要素的使用状态和诊断用数据,以该诊断用数据中的、在结构要素的使用状态为真正正常的状态的状况下得到的诊断用数据、以及为真正异常的状态的状况下得到的诊断用数据为对象,选择主数据,并且对用当前的诊断模型诊断该主数据而得到的诊断结果与用新的诊断模型诊断主数据而得到的诊断结果进行比较,判定当前的诊断模型与新的诊断模型是否具有匹配性,若具有匹配性,则将诊断模型从当前的诊断模型更新为新的诊断模型。因此,能够构成如下的状态诊断装置10:能够高效地取得主数据,并且能够容易且正确地进行在更新前后不产生缺陷的诊断模型的更新,而且能够通过机器学习的应用等而以更高精度检测多种异常及其原因。
另外,本发明的状态诊断装置的结构不限于任何上述实施方式,装置整体的结构当然如此,对于涉及诊断模型的验证、更新等的结构,也能够在不脱离本发明的主旨的范围内根据需要适当进行变更。
例如,在上述实施方式中,将使用状态设为转速、移动距离、工作时间等运转数据,但也能够采用这样的数据以外的使用状态,例如在还希望考虑运转期间以外的时间的情况下,还能够采用从设置起的时间等作为使用状态。
此外,由于考虑到使用状态按各个工业机器而不同,例如即使是同种的工业机器,也可以按每个机器分别保留主数据。
并且,作为修理,考虑例如再次拧紧松动的零件等。并且此外,模型创建部也可以在状态诊断装置的外部。
Claims (2)
1.一种状态诊断装置,该状态诊断装置通过用规定的诊断模型对在工业机器中从至少一个关注的结构要素取得的诊断用数据进行诊断,来诊断所述工业机器的状态,
其特征在于,该状态诊断装置具备:
数据收集部,其收集所述结构要素的从开始使用起到更换或者修理为止的累计工作量和所述诊断用数据;
主选择部,其将在所述结构要素的累计工作量刚超过规定的规定量后得到的所述诊断用数据设为真正正常数据,将在所述结构要素的累计工作量即将成为更换或者修理之前得到的所述诊断用数据设为真正异常数据,将所述真正正常数据及/或所述真正异常数据作为对象,来选择主数据;
存储部,其存储所选择的所述主数据;以及
匹配性判定部,其对用当前的诊断模型诊断所述主数据而得到的诊断结果与用新的诊断模型诊断所述主数据而得到的诊断结果进行比较,判定所述当前的诊断模型与所述新的诊断模型是否具有匹配性,
若具有匹配性,则将所述诊断模型从所述当前的诊断模型更新为所述新的诊断模型。
2.根据权利要求1所述的状态诊断装置,其特征在于,
用所述诊断模型诊断的结果是所述结构要素被判定为正常/异常,
如果在所述当前的诊断模型与所述新的诊断模型中,所有的所述结构要素的正常/异常的判定结果一致,且所述新的诊断模型中的正常/异常的判定的置信度相比于所述当前的诊断模型中的正常/异常的判定结果的置信度并未下降,则所述匹配性判定部判定为具有匹配性。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017043108A JP6869755B2 (ja) | 2017-03-07 | 2017-03-07 | 状態診断装置 |
JP2017-043108 | 2017-03-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108572006A CN108572006A (zh) | 2018-09-25 |
CN108572006B true CN108572006B (zh) | 2021-08-06 |
Family
ID=63259226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810182482.5A Active CN108572006B (zh) | 2017-03-07 | 2018-03-06 | 状态诊断装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10725465B2 (zh) |
JP (1) | JP6869755B2 (zh) |
CN (1) | CN108572006B (zh) |
DE (1) | DE102018203280A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11126465B2 (en) * | 2017-03-23 | 2021-09-21 | Microsoft Technology Licensing, Llc | Anticipatory collection of metrics and logs |
CN113826128B (zh) * | 2019-05-20 | 2023-08-08 | 三菱电机株式会社 | 状态推定装置及状态推定方法 |
JP7187397B2 (ja) * | 2019-07-18 | 2022-12-12 | オークマ株式会社 | 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム |
DE102020205895A1 (de) | 2020-05-11 | 2021-11-11 | Iba Ag | Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses |
DE102020112848A1 (de) | 2020-05-12 | 2021-11-18 | fos4X GmbH | Verfahren zur Erfassung von Daten |
DE102020208642A1 (de) | 2020-07-09 | 2022-01-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen |
JP7498613B2 (ja) | 2020-07-17 | 2024-06-12 | ミネベアミツミ株式会社 | モータ駆動制御装置、モータ駆動制御システム、ファンシステム、及びモータ駆動制御方法 |
DE102020210530A1 (de) | 2020-08-19 | 2022-02-24 | Kuka Deutschland Gmbh | Überwachung bei einem robotergestützten Prozess |
JP7093031B2 (ja) | 2020-09-23 | 2022-06-29 | ダイキン工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP2022188345A (ja) * | 2021-06-09 | 2022-12-21 | 富士電機株式会社 | 診断装置、診断方法、診断プログラム |
DE102022210710A1 (de) | 2022-10-11 | 2024-04-11 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Ausgeben einer Zustandsinformation bezüglich eines Arbeitsbereitschaftszustands von Subsystemen einer landwirtschaftlichen Arbeitsmaschine |
CN117707050B (zh) * | 2023-12-25 | 2024-05-07 | 上海滨捷机电有限公司 | 基于云计算的数控机床实时监控与数据分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048714A (zh) * | 2004-08-27 | 2007-10-03 | 西门子共同研究公司 | 用于更新系统监控模型的系统、设备以及方法 |
CN101542518A (zh) * | 2007-01-16 | 2009-09-23 | 株式会社东芝 | 远程监视·诊断系统 |
JP2009289154A (ja) * | 2008-05-30 | 2009-12-10 | Toshiba Corp | モニタリング条件決定装置、モニタリング条件の決定方法および監視診断装置 |
JP2015203936A (ja) * | 2014-04-14 | 2015-11-16 | 株式会社日立製作所 | 状態監視装置 |
WO2016157278A1 (ja) * | 2015-03-27 | 2016-10-06 | 株式会社日立製作所 | 故障予兆診断システム、及びその方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS518116B1 (zh) | 1969-04-01 | 1976-03-13 | ||
JPH07124889A (ja) * | 1993-10-29 | 1995-05-16 | Yaskawa Electric Corp | 産業用ロボットの制御装置 |
JP2002090267A (ja) | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
GB0127552D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
JP2003271233A (ja) * | 2002-03-19 | 2003-09-26 | Hitachi Ltd | 電源設備及びその管理方法 |
US8762106B2 (en) * | 2006-09-28 | 2014-06-24 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
JP2008102005A (ja) * | 2006-10-18 | 2008-05-01 | Nsk Ltd | 異常診断装置 |
WO2010082322A1 (ja) | 2009-01-14 | 2010-07-22 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
US10534361B2 (en) * | 2013-06-10 | 2020-01-14 | Abb Schweiz Ag | Industrial asset health model update |
US11366455B2 (en) * | 2016-05-09 | 2022-06-21 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
-
2017
- 2017-03-07 JP JP2017043108A patent/JP6869755B2/ja active Active
-
2018
- 2018-02-21 US US15/900,965 patent/US10725465B2/en active Active
- 2018-03-06 CN CN201810182482.5A patent/CN108572006B/zh active Active
- 2018-03-06 DE DE102018203280.7A patent/DE102018203280A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048714A (zh) * | 2004-08-27 | 2007-10-03 | 西门子共同研究公司 | 用于更新系统监控模型的系统、设备以及方法 |
CN101542518A (zh) * | 2007-01-16 | 2009-09-23 | 株式会社东芝 | 远程监视·诊断系统 |
JP2009289154A (ja) * | 2008-05-30 | 2009-12-10 | Toshiba Corp | モニタリング条件決定装置、モニタリング条件の決定方法および監視診断装置 |
JP2015203936A (ja) * | 2014-04-14 | 2015-11-16 | 株式会社日立製作所 | 状態監視装置 |
WO2016157278A1 (ja) * | 2015-03-27 | 2016-10-06 | 株式会社日立製作所 | 故障予兆診断システム、及びその方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2018146448A (ja) | 2018-09-20 |
CN108572006A (zh) | 2018-09-25 |
US20180259951A1 (en) | 2018-09-13 |
JP6869755B2 (ja) | 2021-05-12 |
DE102018203280A1 (de) | 2018-09-13 |
US10725465B2 (en) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108572006B (zh) | 状态诊断装置 | |
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
US10527520B2 (en) | Operating wind motors and determining their remaining useful life | |
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
JP6787971B2 (ja) | 状態判定装置及び状態判定方法 | |
JP6616375B2 (ja) | 状態判定装置 | |
JP2008097363A (ja) | 異常診断方法及びその装置 | |
CN111352388A (zh) | 学习用数据确认辅助装置、机器学习装置、故障预测装置 | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 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 | |
CN111618656A (zh) | 机床的加工不良发生预测系统 | |
WO2018044507A1 (en) | Machine learning-aided model-based method for estimating gas turbine component life | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
CN111531830A (zh) | 状态判定装置以及状态判定方法 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
ITCO20090068A1 (it) | Metodo e sistema per diagnosticare compressori | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
JP7361573B2 (ja) | 送り軸装置の異常診断方法及び異常診断装置 | |
JP7184997B2 (ja) | 状態判定装置及び状態判定方法 | |
Enge-Rosenblatt et al. | Complex analysis of monitoring and process data for effective manufacturing | |
US20220403690A1 (en) | Method for determining and/or verifying a status of a door system, status determination device, system, computer program product | |
KR102385534B1 (ko) | 데이터 간 상호 유사도에 기반한 가상수명데이터 생성장치 및 방법 | |
CN114008549A (zh) | 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 | |
Egorov et al. | SENSOR FUSION FOR MACHINE CONDITION MONITORING |
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 |