CN110187672A - 故障诊断装置和机器学习装置 - Google Patents

故障诊断装置和机器学习装置 Download PDF

Info

Publication number
CN110187672A
CN110187672A CN201910132926.9A CN201910132926A CN110187672A CN 110187672 A CN110187672 A CN 110187672A CN 201910132926 A CN201910132926 A CN 201910132926A CN 110187672 A CN110187672 A CN 110187672A
Authority
CN
China
Prior art keywords
motor drive
data
repairing
component
trouble
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.)
Withdrawn
Application number
CN201910132926.9A
Other languages
English (en)
Inventor
福田英幸
佐佐木拓
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.)
Fanuc Corp
Original Assignee
Fanuc 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 Fanuc Corp filed Critical Fanuc Corp
Publication of CN110187672A publication Critical patent/CN110187672A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37253—Fail estimation as function of lapsed time of use
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Control Of Electric Motors In General (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种故障诊断装置和机器学习装置，故障诊断装置具有：机器学习装置，该机器学习装置观测包含成为修理对象的电动机驱动装置发生故障时的信息的故障时间点数据、表示运转环境的运转环境数据、表示运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量，此外，将表示在电动机驱动装置中已修理或更换的部件的修理或更换部件数据取得为标签数据，将这样观测到的状态变量与取得的标签数据关联起来进行学习。

Description

故障诊断装置和机器学习装置
技术领域
本发明涉及故障诊断装置和机器学习装置，特别是涉及确定电动机驱动装置的故障部件的控制装置和机器学习装置。
背景技术
当用于机床等的电动机驱动装置发生故障时，一般情况下在确定了发生故障的部件之后更换、修理成正常的部件进行再利用。此时，为了确定故常部件，以往从外观或试验结果依靠人的经验来进行修理。此外，还存在如下试验机(例如，日本特开2001-119987号公报和日本特开平10-020001号公报等)：只进行观察特定的部件是否故障的试验，从该结果确定修理部位。
但是，在人工进行的故障诊断中，存在通过作业员的经验等来确定修理部位的速度、准确性这样的问题。此外，即使是利用试验机的情况，在制品的部件点数多，或故障模式多的情况下，存在试验机的种类多，诊断时间变长或精度降低这样的问题。并且，即使想要使作业均匀化而进行了试验项目、试验条件的优化，其作业本身也花费时间。不论哪种情况，都难以确定多个部件损坏的情况、已发生故障或即将发生故障的部件。
发明内容
因此，本发明的目的在于提供一种能够迅速且高精度地诊断电动机驱动装置的哪一部位发生故障的故障诊断装置和机器学习装置。
在本发明中通过提供一种具有机器学习装置的故障诊断装置来解决上述课题，所述机器学习装置根据产生故障的电动机驱动装置(包括放大器)的状态，来试错性地学习部件更换和试验结果，以便能够迅速且准确地确定故障部件。
在本发明的故障诊断装置中，以现场(fieid)产生故障而退回的电动机驱动装置为对象，
根据制品的(1)故障产生时的信息(警报信息、电动机的负载信息、温度、时间带等)、(2)运转环境信息(散热器温度、气温、湿度、切削液状况、其他机械的故障状况等)、(3)运转履历、(4)试验机的试验结果(外观(切削液、切粉附着状况)、电流、发热、编码器波形、LSI的内部状态等)、(5)修理或更换部件的信息等，来机器学习故障与更换部件的对应关系，利用该学习结果来确定故障更换部件。
在本发明的故障诊断装置的学习阶段，将上述(1)、(2)、(3)作为固定的输入数据，此外，将(4)(试验结果)作为任意的输入数据，反复进行部件更换与试验，每次将(5)(更换部件的信息)作为训练数据(teaching data)来学习。另一方面，在本发明的故障诊断装置的推论阶段，根据(1)、(2)、(3)(和任意的(4))的数据来推论故障部件。
本发明的一方式涉及的故障诊断装置推论电动机驱动装置的成为修理或更换对象的部件，所述故障诊断装置具有：机器学习装置，其学习针对成为修理对象的所述电动机驱动装置的状态的、成为修理或更换对象的部件。并且，该机器学习装置具有：状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；标签数据取得部，其取得表示在所述电动机驱动装置中已修理或更换的部件的修理或更换部件数据作为标签数据；以及学习部，其将所述状态变量与所述标签数据关联起来进行学习。
所述状态观测部还可以观测表示所述电动机驱动装置的试验结果的试验结果数据作为状态变量。
所述标签数据取得部还取得再修理时间数据和下次修理或更换部件数据作为标签数据，其中，所述再修理时间数据表示修理所述电动机驱动装置而再次开始运转之后到下次故障为止的运转时间，所述下次修理或更换部件数据表示下一故障时的修理或更换部件的信息。
所述学习部也可以具有：误差计算部，其计算从所述状态变量推论成为所述修理或更换对象的部件的相关性模型与从预先准备的训练数据识别的相关性特性之间的误差；以及模型更新部，其以缩小所述误差的方式更新所述相关性模型。
所述学习部也可以通过多层结构来运算所述状态变量和所述标签数据。
所述机器学习装置也可以存在于云服务器。
本发明的其他方式涉及的故障诊断装置推论电动机驱动装置的成为修理或更换对象的部件，所述故障诊断装置具有：机器学习装置，其学习针对成为修理对象的所述电动机驱动装置的状态的、成为修理或更换对象的部件。并且，所述机器学习装置具有：状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；学习部，其将所述电动机驱动装置中已修理或更换的部件与所述电动机驱动装置发生故障时的信息、所述电动机驱动装置的运转环境、所述电动机驱动装置的运转履历关联起来进行学习；以及推论结果输出部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，输出推论出成为所述修理或更换对象的部件的结果。
本发明的一方式涉及的机器学习装置学习针对成为修理对象的电动机驱动装置的运转状况的、成为修理或更换对象的部件，所述机器学习装置具有：状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；标签数据取得部，其取得表示在所述电动机驱动装置中已修理或更换的部件的修理或更换部件数据作为标签数据；以及学习部，其将所述状态变量与所述标签数据关联起来进行学习。
本发明的其他方式涉及的机器学习装置学习针对成为修理对象的电动机驱动装置的运转状况的、成为修理或更换对象的部件，所述机器学习装置具有：状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；学习部，其将所述电动机驱动装置中已修理或更换的部件与所述电动机驱动装置发生故障时的信息、所述电动机驱动装置的运转环境、所述电动机驱动装置的运转履历关联起来进行学习；以及推论结果输出部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，输出推论出成为所述修理或更换对象的部件的结果。
在本发明的故障诊断装置中，由于快速且准确地进行故障部件的确定，因此可以缩短修理电动机驱动装置所需的时间。此外，还能够实现损坏部件的确定和更换，使得修理品的可靠性得以提高。
附图说明
图1是第一实施方式涉及的故障诊断装置的概要硬件结构图。
图2是图1所示的故障诊断装置的概要功能框图。
图3是表示图2所示的故障诊断装置的学习过程的示例的图。
图4是表示图2所示的故障诊断装置所取得的状态变量S和标签数据L的示例的图。
图5是表示图2所示的故障诊断装置的学习过程的示例的图。
图6是表示与图2所示的故障诊断装置不同的方式的故障诊断装置的概要功能框图。
图7A是说明神经元的图。
图7B是说明神经网络的图。
具体实施方式
图1是表示本发明的第一实施方式涉及的故障诊断装置的主要部分的概要硬件结构图。
故障诊断装置1例如可以安装为设置在电动机驱动装置(包括放大器)的修理工场等的计算机(未图示)等。本实施方式涉及的故障诊断装置1具有的CPU11是对故障诊断装置1进行整体控制的处理器，经由总线20读出存储于ROM12的系统程序，并按照该系统程序来对故障诊断装置1整体进行控制。将临时的计算数据或显示数据暂时存储于RAM13中。
非易失性存储器14构成为如下存储器：例如通过电池(未图示)而被备份等，即使断开故障诊断装置1的电源也可保持存储状态。在非易失性存储器14中存储有经由未图示的键盘等输入设备或外部存储器、网络等取得的数据(包含成为修理对象的电动机驱动装置产生故障时的信息、运转环境信息、运转履历信息等运转信息、试验机的试验结果、更换部件的信息等)、以及经由接口(未图示)输入的动作用的程序等。存储于非易失性存储器14的程序、各种数据可以在执行时/利用时在RAM13中展开。此外，在ROM12中预先写入各种系统程序(包含用于控制与后述的机器学习装置100的交换的系统程序)。另外，故障诊断装置1可以构成为经由接口18能够取得试验机70涉及的电动机驱动装置的试验结果。
图像控制电路15将数值数据和图形数据等数字信号变换为显示用的光栅信号，发送给显示装置60，该显示装置60显示这些数值和图形。显示装置60主要使用液晶显示装置。
接口21是用于将故障诊断装置1与机器学习装置100连接的接口。机器学习装置100具有：统一控制机器学习装置100整体的处理器101、存储系统程序等的ROM102、用于进行机器学习有关的各处理中的临时存储的RAM103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100可以经由接口21观测故障诊断装置1能够取得的各数据(包含成为修理对象的电动机驱动装置的故障发生时的信息等)。此外，故障诊断装置1将从机器学习装置100输出的、构成成为修理对象的电动机驱动装置的部件的故障诊断结果显示于显示装置(未图示)。
图2是第一实施方式涉及的故障诊断装置1与机器学习装置100的概要功能框图。图2所示的各功能块通过图1所示的故障诊断装置1具有的CPU11与机器学习装置100的处理器101执行各系统程序，对故障诊断装置1和机器学习装置100各部的动作进行控制来实现。
本实施方式的故障诊断装置1具有：显示部34，其将从机器学习装置100输出的推论结果输出给显示装置60。
本实施方式的机器学习装置100包含通过所谓的机器学习来自我学习针对成为修理对象的电动机驱动装置的状态的、构成成为该修理对象的电动机驱动装置的部件的软件(学习算法等)和硬件(处理器101等)。故障诊断装置1具有的机器学习装置100进行学习相当于表示成为修理对象的电动机驱动装置的状态与成为修理或更换对象的部件之间的相关性的模型结构。
如图2的功能块所示，故障诊断装置1具有的机器学习装置100具有：状态观测部106，其观测包含故障时间点数据S1、运转环境数据S2、运转履历数据S3在内的状态变量S，其中故障时间点数据S1包含成为修理对象的电动机驱动装置发生故障时的信息，运转环境数据S2表示电动机驱动装置的运转环境，运转履历数据S3表示电动机驱动装置的运转履历；标签数据取得部108，其取得包含表示修理或更换部件的信息的修理或更换部件数据L1在内的标签数据L；学习部110，其使用状态变量S和标签数据L，将针对成为修理对象的电动机驱动装置的状态的、成为修理或更换对象的部件关联起来进行学习；以及推论结果输出部122，其根据电动机驱动装置发生故障时的信息、电动机驱动装置的运转环境、以及电动机驱动装置的运转履历，使用当前的已学习模型来输出判定结果。
状态观测部106观测的状态变量S中的故障时间点数据S1可以取得为表示成为修理对象的电动机驱动装置发生故障的时间点的状态的数据集。在故障时间点数据S1中例如包含在电动机驱动装置发生故障的时间点组入目的地的机械中产生的警报信息、电动机驱动装置的负载信息、电动机驱动装置的温度、发生故障的时间带等。这些各数据可以在电动机驱动装置的驱动器发生故障的时间点取得在存储器上保持的信息等进行利用。该故障时间点数据S1也可以经由外部存储装置或网络等从组入了成为修理对象的电动机驱动装置的机械中取得并使用。
状态变量S中的运转环境数据S2可以取得为表示成为修理对象的电动机驱动装置发生故障前后的电动机驱动装置的动作环境的数据集(data set)。在故障时间点数据S1中例如包含散热器温度、环境温度、环境湿度、使用切削液、设置场所、组入到与电动机驱动装置相同的轴的其他装置的故障状况等。这些各数据可以取得保持于组入了电动机驱动装置的机械的存储器上的信息、进行维护的作业员输入的信息等进行利用。该运转环境数据S2可以从组入了成为修理对象的电动机驱动装置的机械经由外部存储装置或网络等取得并利用。
状态变量S中的运转履历数据S3可以取得为表示成为修理对象的电动机驱动装置目前为止的运转状态的数据集。运转履历数据S3中例如包含电动机驱动装置的运转时间或过去的修理履历等。这些各数据可以取得在电动机驱动装置的存储器上记录的信息、进行维护的作业员记录的信息等并利用。该运转履历数据S3可以从组入了成为修理对象的电动机驱动装置的机械或记录了修理履历的数据库服务器等经由外部存储装置或网络等取得并使用。
标签数据取得部108取得的标签数据L所含的修理或更换部件数据L1例如可以使用修理电动机驱动装置的作业员所申报的部件的修理或更换相关的数据。修理或更换部件数据L1例如可以包含针对成为修理对象的电动机驱动装置进行了修理或更换的部件、成为修理对象的电动机驱动装置通过该部件的更换是否改善了不良现象的信息等。标签数据取得部108取得的标签数据L是表示在状态变量S下进行了维护时的结果的指标。
学习部110按照统称为机器学习的任意学习算法，学习针对成为修理对象的电动机驱动装置的运转状况的标签数据L。学习部110可以反复执行基于数据集合的学习，该数据集合包含所述的状态变量S和标签数据L。
图3是表示学习部110使用状态变量S与标签数据L来进行机器学习的流程的图。
当在组入到机械的电动机驱动装置中发生异常时，接受修理委托的作业员从机械取出成为修理对象的电动机驱动装置，并且从机械和电动机驱动装置中取得对故障诊断有用的各种数据(故障时间点数据S1、运转环境数据S2、运转履历数据S3)(过程(1))。
作业员观察电动机驱动装置的外观并且使用试验机70等来试验电动机驱动装置，一边参照通过过程(1)取得的各数据一边推定电动机驱动装置的故障部位，根据该推定结果进行构成电动机驱动装置的部件的修理或更换(过程(2))。
然后，确认了电动机驱动装置正常动作的作业员向故障诊断装置输入通过过程(1)获得的各种数据、若修理或更换了哪个部件电动机驱动装置处于正常的信息(修理或更换部件数据L1)(过程(3))。
故障诊断装置1使用由作业员输入的状态变量S和标签数据L来进行机器学习(过程(4))。
图4表示本实施方式的故障诊断装置1取得的状态变量S和标签数据L的数据集的示例。另外，图4的状态变量S与标签数据L的示例简单地示出了上述所示的各状态数据与标签数据L的一部分。
在图4所示的示例中，当某个电动机驱动装置发生异常，在组入了该电动机驱动装置的机械中产生了警报X时，在更换了部件A时电动机驱动装置的异常没有恢复(No.1)，之后，若更换了部件B电动机驱动装置恢复正常(No.2)。该情况下，学习部110进行使用了电动机驱动装置恢复正常的数据集(图3的示例中，No.2、4、7的数据集)的机器学习。
通过反复进行这样的学习周期，学习部110可以自动识别暗示故常发生时的信息(故障时间点数据S1)、运转环境(运转环境数据S2)以及运转履历(运转履历数据S3)与针对该状态的成为修理或更换对象的部件(修理或更换部件数据L1)之间的相关性的特征。
在开始学习算法时，故障时间点数据S1、运转环境数据S2和运转履历数据S3与成为修理或更换对象的部件之间的相关性实际上是不知道的，但是学习部110随着学习进展而逐渐识别特征从而解析相关性。若故障时间点数据S1、运转环境数据S2和运转履历数据S3与成为修理或更换对象的部件之间的相关性解析至某种可以相信的水平，则学习部110反复输出的学习结果可以高精度地进行针对当前状态的成为修理或更换对象的部件的预测。
推论结果输出部122根据学习部110学习到的结果，进行成为修理对象的电动机驱动装置的状态、成为修理或更换对象的部件的推论，将该推论结果输出给显示部34。推论结果输出部122在学习部110进行的学习结束的状态下，若向机器学习装置100输入成为修理对象的电动机驱动装置的状态，则输出成为修理或更换对象的部件。
图5是表示使用故障诊断装置1的推论结果来修理电动机驱动装置的流程的图。
若组入到机械的电动机驱动装置发生异常，则接受修理委托的作业员从机械中取出成为修理对象的电动机驱动装置，并且从机械和电动机驱动装置中取得对故障诊断有用的各种数据(故障时间点数据S1、运转环境数据S2和运转履历数据S3)(过程(1))。
作业员将通过过程(1)取得的数据作为状态变量S输入到故障诊断装置1(过程(2))。
故障诊断装置1根据由作业员输入的状态变量S，来推论电动机驱动装置的成为修理或更换对象的部件(过程(3))，输出推论结果(过程(4))。
作业员进行从故障诊断装置1输出的成为修理或更换对象的部件的修理或更换，确认电动机驱动装置是否处于正常(过程(5))，在电动机驱动装置处于正常的情况下结束处理。另一方面，在电动机驱动装置不处于正常的情况下，作业员一边试错一边进行修理，结果，在电动机驱动装置成为正常时，重新输入通过过程(1)获得的各种数据、若修理或更换了哪个部件电动机驱动装置成为正常(修理或更换部件数据L1)(过程(6))。
然后，故障诊断装置1使用由作业员输入的状态变量S与标签数据L来进行(追加的)机器学习(过程(7))。另外，在不进行追加的学习时，过程(6)、过程(7)的处理也可以省略。
如上所述，故障诊断装置1具有的机器学习装置100使用状态观测部106观测到的状态变量S与标签数据取得部108取得的标签数据L，学习部110按照机器学习算法，来学习针对成为修理对象的电动机驱动装置的状态的成为修理或更换对象的部件。状态变量S由故障时间点数据S1、运转环境数据S2、运转履历数据S3、试验结果数据S4这样的、难以受干扰影响的数据构成。此外，标签数据L可以从作业员输入的信息中取得。因此，根据故障诊断装置1具有的机器学习装置100，通过使用学习部110的学习结果，可以自动且准确地推论与成为修理对象的电动机驱动装置的状态对应的、成为修理或更换对象的部件。
作为故障诊断装置1具有的机器学习装置100的一变形例，状态观测部106作为状态变量S还可以观测表示电动机驱动装置的观测结果或试验机70等的试验结果的试验结果数据S4，用于学习部110进行的机器学习。试验结果数据S4可以取得为表示作业员进行的电动机驱动装置的试验结果的数据集。在试验结果数据S4中例如包含外观(切削液、切粉附着状况等)、电流、发热、编码器波形、LSI的内部状态等。这些各数据可以利用作业员进行的输入、或来自试验机70的所取得的信息。
根据上述变形例，机器学习装置100除了故障时间点数据S1、运转环境数据S2、运转履历数据S3之外，还可以将试验结果数据S4用于学习和推论，因此，可以期待修理或更换对象的部件的推论制度的提升。
作为故障诊断装置1具有的机器学习装置100的其他变形例，标签数据取得部108作为标签数据L还可以取得表示修理电动机驱动装置而再次开始运转后的到下一故障为止的运转时间的再次修理时间数据L2、和表示下一故障时的修理或更换部件的信息的下次修理或更换部件数据L3，用于学习部110进行的机器学习。再次修理时间数据L2、下次修理或更换部件数据L3中，针对修理电动机驱动装置时取得的各数据，记录可以唯一识别各电动机驱动装置的识别符、各电动机驱动装置的修理作业的时序，在根据该数据对电动机驱动装置的修理进行学习时，只要确定并取得下次故障之前的运转时间、下次的修理更换部件的信息即可。
根据上述变形例，机器学习装置100针对状态变量S(故障时间点数据S1、运转环境数据S2、运转履历数据S3)，除了修理或更换部件数据L1之外，还学习再次修理时间数据L2与下次修理或更换部件数据L3，根据观测到的状态变量S，除了本次的修理或更换部件之外，还可以推定修理电动机驱动装置而再次开始运转后的到下一故障为止的运转使劲、和下一故障中的修理或更换部件。因此，作业员在修理电动机驱动装置时，进行本次故障的部件的修理或更换，并且对下次可能发生故障的部件进行试验等，可以根据需要一并进行修理或更换，或制定维护计划以便在下次发生故障的时刻之前的期间筹措可能产生故障的部件。
作为故障诊断装置1具有的机器学习装置100的其他变形例，状态观测部106作为状态变量S并不观测故障时间点数据S1、运转环境数据S2、运转履历数据S3等的全部，而可以观测这些状态变量中的至少一个。在这样的情况下，学习部将状态观测部106观测到的故障时间点数据S1、运转环境数据S2、运转履历数据S3等的至少一个与标签数据L关联起来进行学习，推论结果输出部122根据状态观测部106观测到的故障时间点数据S1、运转环境数据S2、运转履历数据S3等的至少一个，来进行推论处理。
在像这样构成机器学习装置100来观测故障时间点数据S1、运转环境数据S2、运转履历数据S3等的至少一个作为状态变量S的情况下，与观测这些全部状态变量的情况相比，虽然学习和推论的精度降低，但是可以提供一种以某种程度的准确性针对成为修理对象的电动机驱动装置的状态推论成为修理或更换对象的部件的故障诊断装置1。
在具有上述结构的机器学习装置100中，学习部110执行的学习算法没有特别限定，作为机器学习可以采用公知的学习算法。图6是图2所示的故障诊断装置1的其他方式，表示作为学习算法的其他例而具有执行监督学习的学习部110的结构。监督学习是如下方案：给予输入和与之对应的输出的已知数据集(称为训练数据)，从这些训练数据中识别暗示输入与输出之间的相关性的特征，由此学习用于推定针对新输入所要的输出的相关性模型。
在图6所示的故障诊断装置1具有的机器学习装置100中，学习部110具有：误差计算部112，其计算从状态变量S推论修理或更换对象的部件的相关性模型M与从预先准备的训练数据T识别的相关性特征之间的误差E；和模型更新部114，其更新相关性模型M以便缩小误差E。学习部110通过模型更新部114反复更新相关性模型M，学习针对成为修理对象的电动机驱动装置的状态的修理或更换对象的部件。
相关性模型M的初始值例如简化地(例如通过一次函数)表现了状态变量S与修理或更换对象的部件之间的相关性，在开始监督学习之前提供给学习部110。训练数据T例如可以由通过记录过去的成为修理对象的电动机驱动装置的状态与作业员进行的修理的履历而积攒的经验值构成，在开始监督学习之前提供给学习部110。误差计算部112从提供给学习部110的大量的训练数据T中识别暗示成为修理对象的电动机驱动装置的状态与修理或更换对象的部件之间的相关性的相关性特征，求出该相关性特征与当前状态下的状态变量S和标签数据L所对应的相关性模型M之间的误差E。模型更新部114例如按照预先设定的更新规则，向误差E变小的方向更新相关性模型M。
在下一学习周期中，误差计算部112按照更新后的相关性模型M使用状态变量S来预测修理或更换对象的部件，求出该预测的结果与实际取得的标签数据L之间的误差E，模型更新部114再次更新相关性模型M。这样，逐渐明了未知环境的当前状态和与之对应的预测之间的相关性。
在进行所述监督学习时，可以使用神经网络。图7A示意性地表示神经元的模型。图7B示意性地表示将图7A所示的神经元组合而构成的三层神经网络的模型。例如可以由实现模拟了神经元模型的运算装置或存储装置等来构成神经网络。
图7A所示的神经元输出针对多个输入x(这里作为一个示例，输入x1～输入x3)的结果y。对各输入x1～x3乘以与该输入x对应的权值w(w1～w3)。由此，神经元输出由如下数学式(1)表现的结果y。另外，在数学式(1)中，输入x、输出y以及权值w都是向量。此外，θ是偏置(bias)，fk是激活函数。
图7B所示的三层神经网络从左侧输入多个输入x(这里作为一例，输入x1～输入x3)，从右侧输出结果y(这里作为一例，结果y1～y3)。在图示的示例中，输入x1、x2、x3分别乘以对应的权值(统一通过w1来表示)，各输入x1、x2、x3输入到三个神经元N11、N12、N13。
将神经元N11～N13的各自输出统一通过z1来表示。z1可以看作是提取出输入向量的特征量而得的特征向量。在图示的示例中，特征向量z1分别乘以对应的权值(统一通过w2来表示)，各特征向量z1均被输入到两个神经元N21、N22。特征向量z1表示权值W1与权值W2之间的特征。
将神经元N21～N22的各自输出统一通过z2来表示。z2可以看作是提取出特征向量z1的特征量而得的特征向量。在图示的示例中，特征向量z2分别乘以对应的权值(统一通过w3来表示)，各特征向量z2均被输入到三个神经元N31、N32、N33。特征向量z2表示权值W2与权值W3之间的特征。最后，神经元N31～N33分别输出结果y1～y3。
另外，还能够使用所谓的深层学习的方法，该深层学习使用了构成三层以上的层的神经网络。
在故障诊断装置1具有的机器学习装置100中，将状态变量S设为输入x，学习部110进行按照上述神经网络的多层构造的运算，由此，可以输出应该修理或更换构成成为修理对象的电动机驱动装置的部件内的哪一个(结果y)。另外，在神经网络的动作模式中有学习模式和价值预测模式，例如可以在学习模式中使用学习数据集来学习权值w，在价值预测模式中使用学习到的权值w来进行行为的价值判断。另外，在价值预测模式中也可以进行检测、分类、推论等。
上述的故障诊断装置1的结构可以记述为处理器101执行的机器学习方法(或者软件)。该机器学习方法是学习成为修理或更换对象的部件的机器学习方法，具有由处理器101执行的如下步骤：观测故障时间点数据S1、运转环境数据S2、运转履历数据S3等数据作为表示当前状态的状态变量S；取得表示进行了电动机驱动装置的部件的修理或更换的结果的标签数据L；使用状态变量S与标签数据L将故障时间点数据S1、运转环境数据S2、运转履历数据S3与成为修理或更换对象的部件关联起来进行学习。
由机器学习装置100的学习部110学习而获得的已学习模型能够用作机器学习有关的软件的一部分即程序模型。本发明的已学习模型可以通过具有CPU或GPU等处理器和存储器的计算机使用。更具体来说，计算机的处理器按照存储于存储器的来自已学习模型的指令进行动作，将电动机驱动装置的状态设为输入来进行运算，根据运算结果输出成为修理或更换对象的部件。
本发明的已学习模型能够经由外部存储介质或网络等复制到其他计算机来进行使用。
此外，在将本发明的已学习模型复制到其他计算机而在新环境下使用时，可以根据该环境下获得的新的状态变量和判定数据针对已学习模型进行进一步的学习。此时，可以获得从该环境有关的已学习模型派生出的已学习模型(以下，设为派生模型)。本发明的派生模型在输出针对预定的电动机驱动装置的状态的成为修理或更换对象的部件的推论的结果这方面与原来的已学习模型相同，但是在输出适合于比原来的已学习模型新的环境(例如，新的种类的电动机驱动部件)的结果这方面不同。该派生模型也能够经由外部存储介质或网络等复制到其他计算机来进行利用。
并且，使用针对组入了本发明的已学习模型的机器学习装置的输入而获得的输出，在其他机器学习装置中制作从1起进行学习而获得的已学习模型(以下，设为蒸馏模型)，还能够对其进行利用(将这样的学习工序称为蒸馏)。在蒸馏中，将原来的已学习模型称为训练模型，将重新制作的蒸馏模型称为学生模型。一般情况下，蒸馏模型的尺寸比原来的已学习模型小，尽管如此还能输出与原来的已学习模型相同的准确度，因此更适合于针对经由外部存储介质或网络等的其他计算机的分配。
以上，对本发明的实施方式进行了说明，但是本发明不仅限定于上述实施方式的示例，还可以通过增加适当的变更以各种方式来实施。
例如，机器学习装置100执行的学习算法、运算算法并不局限于上述，可以采用各种算法。
此外，在上述实施方式中，故障诊断装置1与机器学习装置100作为具有不同CPU的装置进行了说明，但是机器学习装置100也可以通过故障诊断装置1具有的CPU11和存储于ROM12的系统程序来实现。
此外，在上述的实施方式中示出了机器学习装置100处于故障诊断装置1上的示例，但是机器学习装置100也能够构成为存在于在网络准备的云服务器等。
并且，在上述的实施方式中，机器学习装置100进行机器学习以便针对电动机驱动装置的状态推论成为修理或更换对象的部件而将其输出，但是例如通过周知的CNN(Convolutional Neural Network：卷积神经网络)等来构成学习部110，将作为标签的成为修理或更换对象的部件视为等级，通过使输出侧进行机器学习而输出属于各等级的概率，由此，能够以概率的升序来显示成为修理或更换对象的部件。若像这样构成，则作业员根据来自故障诊断装置1的输出，可以更灵活地辅助电动机驱动装置的修理作业，以便修理或更换概率最高的部件，如果电动机驱动装置不正常则修理或更换概率第二高的部件。

Claims (9)

1.一种故障诊断装置，其推论电动机驱动装置的成为修理或更换对象的部件，其特征在于，
所述故障诊断装置具有：机器学习装置，其学习针对成为修理对象的所述电动机驱动装置的状态的、成为修理或更换对象的部件，
所述机器学习装置具有：
状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；
标签数据取得部，其取得表示在所述电动机驱动装置中已修理或更换的部件的修理或更换部件数据作为标签数据；以及
学习部，其将所述状态变量与所述标签数据关联起来进行学习。
2.根据权利要求1所述的故障诊断装置，其特征在于，
所述状态观测部还观测表示所述电动机驱动装置的试验结果的试验结果数据作为状态变量。
3.根据权利要求1或2所述的故障诊断装置，其特征在于，
所述标签数据取得部还取得再修理时间数据和下次修理或更换部件数据作为标签数据，其中，所述再修理时间数据表示修理所述电动机驱动装置而再次开始运转之后到下次故障为止的运转时间，所述下次修理或更换部件数据表示下一故障时的修理或更换部件的信息。
4.根据权利要求1～3中任一项所述的故障诊断装置，其特征在于，
所述学习部具有：
误差计算部，其计算从所述状态变量推论成为所述修理或更换对象的部件的相关性模型与从预先准备的训练数据识别的相关性特性之间的误差；以及
模型更新部，其以缩小所述误差的方式更新所述相关性模型。
5.根据权利要求1～4中任一项所述的故障诊断装置，其特征在于，
所述学习部通过多层结构来运算所述状态变量和所述标签数据。
6.根据权利要求1～5中任一项所述的故障诊断装置，其特征在于，
所述机器学习装置存在于云服务器。
7.一种故障诊断装置，其推论电动机驱动装置的成为修理或更换对象的部件，其特征在于，
所述故障诊断装置具有：机器学习装置，其学习针对成为修理对象的所述电动机驱动装置的状态的、成为修理或更换对象的部件，
所述机器学习装置具有：
状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；
学习部，其将所述电动机驱动装置中已修理或更换的部件与所述电动机驱动装置发生故障时的信息、所述电动机驱动装置的运转环境、所述电动机驱动装置的运转履历关联起来进行学习；以及
推论结果输出部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，输出推论出成为所述修理或更换对象的部件的结果。
8.一种机器学习装置，其学习针对成为修理对象的电动机驱动装置的运转状况的、成为修理或更换对象的部件，其特征在于，
所述机器学习装置具有：
状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；
标签数据取得部，其取得表示在所述电动机驱动装置中已修理或更换的部件的修理或更换部件数据作为标签数据；以及
学习部，其将所述状态变量与所述标签数据关联起来进行学习。
9.一种机器学习装置，其学习针对成为修理对象的所述电动机驱动装置的状态的、成为修理或更换对象的部件，其特征在于，
所述机器学习装置具有：
状态观测部，其观测包含所述电动机驱动装置发生故障时的信息的故障时间点数据、表示所述电动机驱动装置的运转环境的运转环境数据、表示所述电动机驱动装置的运转履历的运转履历数据中的至少一个作为表示环境的当前状态的状态变量；
学习部，其将所述电动机驱动装置中已修理或更换的部件与所述电动机驱动装置发生故障时的信息、所述电动机驱动装置的运转环境、所述电动机驱动装置的运转履历关联起来进行学习；以及
推论结果输出部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，输出推论出成为所述修理或更换对象的部件的结果。
CN201910132926.9A 2018-02-22 2019-02-22 故障诊断装置和机器学习装置 Withdrawn CN110187672A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018030138A JP6956028B2 (ja) 2018-02-22 2018-02-22 故障診断装置及び機械学習装置
JP2018-030138 2018-02-22

Publications (1)

Publication Number Publication Date
CN110187672A true CN110187672A (zh) 2019-08-30

Family

ID=67482231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910132926.9A Withdrawn CN110187672A (zh) 2018-02-22 2019-02-22 故障诊断装置和机器学习装置

Country Status (4)

Country Link
US (1) US20190258945A1 (zh)
JP (1) JP6956028B2 (zh)
CN (1) CN110187672A (zh)
DE (1) DE102019103825A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统
CN114077237A (zh) * 2020-08-20 2022-02-22 丰田自动车株式会社 机器学习装置
CN114077193A (zh) * 2020-08-20 2022-02-22 丰田自动车株式会社 机器学习装置及机器学习系统
CN115335785A (zh) * 2020-10-14 2022-11-11 三菱电机株式会社 外部信号输入输出单元、控制系统、机器学习装置及推断装置
CN116466689A (zh) * 2023-06-19 2023-07-21 广汽埃安新能源汽车股份有限公司 故障诊断方法及装置

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6897701B2 (ja) * 2019-03-19 2021-07-07 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
JP7404046B2 (ja) * 2019-12-04 2023-12-25 東京瓦斯株式会社 修理支援システム
CN111142503B (zh) * 2019-12-30 2023-03-21 山东科技大学 一种基于迭代学习观测器的故障诊断方法及诊断系统
CN111314113B (zh) * 2020-01-19 2023-04-07 赣江新区智慧物联研究院有限公司 物联网节点故障检测方法、装置、存储介质及计算机设备
US20230038415A1 (en) * 2020-02-07 2023-02-09 Fanuc Corporation Diagnosis device
CN111562105B (zh) * 2020-03-25 2021-11-23 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111488925B (zh) * 2020-04-07 2023-10-20 北京百度网讯科技有限公司 一种数据标注方法、装置、电子设备及存储介质
JP7477365B2 (ja) 2020-05-22 2024-05-01 コンピュートロン株式会社 監視システム
JP2022033094A (ja) * 2020-10-29 2022-02-28 東京瓦斯株式会社 修理支援システム、プログラム
CN112465052B (zh) * 2020-12-07 2023-04-07 重庆忽米网络科技有限公司 基于卷积神经网络的设备故障诊断报告生成方法与系统
CN112463641B (zh) * 2020-12-16 2021-08-31 北京京航计算通讯研究所 一种用于软件缺陷核查的故障模式集构建方法及系统
CN113258678A (zh) * 2021-06-03 2021-08-13 长沙理工大学 一种智能配电柜故障抢修系统、方法及装置
CN113771631A (zh) * 2021-09-28 2021-12-10 南京禄协信息科技有限公司 一种基于人工智能算法的电驱动故障诊断系统
CN113955149B (zh) * 2021-11-25 2023-06-16 北京润科通用技术有限公司 一种电机系统的健康诊断方法和装置
CN115587737A (zh) * 2022-11-01 2023-01-10 北京思维实创科技有限公司 一种以可靠性为中心的成本优化运维调度方法及系统
CN116167749B (zh) * 2023-04-23 2023-07-18 合肥荣叙科技有限公司 一种基于深度学习的永磁同步电机故障诊断方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990010926A (ko) * 1997-07-19 1999-02-18 이종수 분산구조를 갖는 지능형 엘리베이터 원격감시 방법 및 장치
US20080059120A1 (en) * 2006-08-30 2008-03-06 Fei Xiao Using fault history to predict replacement parts
CN101540009A (zh) * 2008-03-17 2009-09-23 大叶大学 预测设施与设备故障的方法
JP2009217770A (ja) * 2008-03-13 2009-09-24 Nec Corp 故障予測通知システム、故障予測通知方法、故障予測通知プログラムおよびプログラム記録媒体
CN102509187A (zh) * 2011-10-28 2012-06-20 合肥工业大学 一种基于数据挖掘的大型装备mro知识获取方法
CN103835882A (zh) * 2014-03-18 2014-06-04 上海电机学院 大型风力发电机组状态监测与故障诊断系统
CN104200288A (zh) * 2014-09-18 2014-12-10 山东大学 一种基于因素与事件间相关关系识别的设备故障预测方法
CN104484732A (zh) * 2014-11-07 2015-04-01 湘潭大学 一种计及机组发电量的风电场维修部件选取方法
CN104850904A (zh) * 2015-05-12 2015-08-19 上海能策燃气轮机有限公司 一种优化燃气轮机维检修方案的分析方法
CN106612094A (zh) * 2015-10-26 2017-05-03 发那科株式会社 机器学习装置及方法以及寿命预测装置及电动机驱动装置
CN106768000A (zh) * 2017-01-06 2017-05-31 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3810482B2 (ja) 1996-06-27 2006-08-16 株式会社ホンダエレシス モータ駆動回路の故障診断方法及び装置
JP2000162277A (ja) * 1998-11-25 2000-06-16 Mitsubishi Electric Corp 半導体集積回路
JP2001119987A (ja) 1999-10-18 2001-04-27 Meidensha Corp モータ駆動回路の故障診断装置
US8725008B2 (en) * 2010-03-16 2014-05-13 Xerox Corporation Using images to diagnose defects in an image forming apparatus
US20140188405A1 (en) * 2012-12-28 2014-07-03 International Business Machines Corporation Predicting a time of failure of a device
CN107408272A (zh) * 2015-04-28 2017-11-28 株式会社小松制作所 部件信息管理系统
DE112016006266T5 (de) * 2016-01-22 2018-10-11 Jian Feng Schneideflüssigkeitskühlmittel-Wiederverwertungsvorrichtung
US20190252970A1 (en) * 2017-03-09 2019-08-15 Mitsubishi Electric Corporation Power conversion apparatus and logic circuit

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990010926A (ko) * 1997-07-19 1999-02-18 이종수 분산구조를 갖는 지능형 엘리베이터 원격감시 방법 및 장치
US20080059120A1 (en) * 2006-08-30 2008-03-06 Fei Xiao Using fault history to predict replacement parts
JP2009217770A (ja) * 2008-03-13 2009-09-24 Nec Corp 故障予測通知システム、故障予測通知方法、故障予測通知プログラムおよびプログラム記録媒体
CN101540009A (zh) * 2008-03-17 2009-09-23 大叶大学 预测设施与设备故障的方法
CN102509187A (zh) * 2011-10-28 2012-06-20 合肥工业大学 一种基于数据挖掘的大型装备mro知识获取方法
CN103835882A (zh) * 2014-03-18 2014-06-04 上海电机学院 大型风力发电机组状态监测与故障诊断系统
CN104200288A (zh) * 2014-09-18 2014-12-10 山东大学 一种基于因素与事件间相关关系识别的设备故障预测方法
CN104484732A (zh) * 2014-11-07 2015-04-01 湘潭大学 一种计及机组发电量的风电场维修部件选取方法
CN104850904A (zh) * 2015-05-12 2015-08-19 上海能策燃气轮机有限公司 一种优化燃气轮机维检修方案的分析方法
CN106612094A (zh) * 2015-10-26 2017-05-03 发那科株式会社 机器学习装置及方法以及寿命预测装置及电动机驱动装置
CN106768000A (zh) * 2017-01-06 2017-05-31 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗立硕;: "关于大型旋转设备故障诊断系统的探讨", 机电信息, no. 36, pages 57 - 58 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统
CN114077237A (zh) * 2020-08-20 2022-02-22 丰田自动车株式会社 机器学习装置
CN114077193A (zh) * 2020-08-20 2022-02-22 丰田自动车株式会社 机器学习装置及机器学习系统
CN114077237B (zh) * 2020-08-20 2024-04-26 丰田自动车株式会社 机器学习装置
CN115335785A (zh) * 2020-10-14 2022-11-11 三菱电机株式会社 外部信号输入输出单元、控制系统、机器学习装置及推断装置
CN116466689A (zh) * 2023-06-19 2023-07-21 广汽埃安新能源汽车股份有限公司 故障诊断方法及装置
CN116466689B (zh) * 2023-06-19 2023-09-05 广汽埃安新能源汽车股份有限公司 故障诊断方法及装置

Also Published As

Publication number Publication date
JP2019144174A (ja) 2019-08-29
DE102019103825A1 (de) 2019-08-22
JP6956028B2 (ja) 2021-10-27
US20190258945A1 (en) 2019-08-22

Similar Documents

Publication Publication Date Title
CN110187672A (zh) 故障诊断装置和机器学习装置
JP7504163B2 (ja) 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム
US20180373233A1 (en) Failure predicting apparatus and machine learning device
CN109816624B (zh) 外观检查装置
JP6571741B2 (ja) 作業者管理装置
JP7320368B2 (ja) 故障予測装置、故障予測方法およびコンピュータプログラム
CN107085415A (zh) 过程控制网络中的规则构建器
Zeldam Automated failure diagnosis in aviation maintenance using explainable artificial intelligence (XAI)
US20170193372A1 (en) Health Management Using Distances for Segmented Time Series
US11300069B2 (en) Self-generating engine-specific health monitoring model from generic model base
JP2009053938A (ja) 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
JP5487060B2 (ja) 故障原因診断方法及び故障原因診断装置
CN103324155A (zh) 系统监控
JP7156975B2 (ja) 運営評価装置、運営評価方法、およびプログラム
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
JP2019082882A (ja) 試験装置及び機械学習装置
Henry et al. An equivalent age model for condition-based maintenance
Pinto End-effector tools wear prediction: a multimodel approach
Cecere End-effector tools SoH prediction: parameter identification and reliability estimation.
EP3828652A1 (de) Verfahren und testanordnung zum testen einer autonomen verhaltenssteuerung für ein technisches system
Callan et al. The development and demonstration of a probabilistic diagnostic and prognostic system (ProDAPS) for gas turbines
Zanon End-effector tools State of Health estimation: a data driven approach
EP3945375B1 (en) Machine controller and methods for configuring and using the machine controller
US20230065835A1 (en) Information processing device, evaluation method, and computer-readable recording medium
CN110275490A (zh) 部件供给量推定装置以及机器学习装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190830