CN111213162B - 数据处理装置、数据处理系统、数据处理方法及存储介质 - Google Patents

Abstract

数据处理装置(2)具有算法选择部(26)和寿命预测处理部。算法选择部(26)从储存了进行构成装置的部件的寿命预测所用的算法的算法存储部(30)，选择与构成装置的部件中被作为寿命预测的对象的对象部件对应的算法。作为寿命预测处理部的预防维护处理部(25)基于通过算法选择部(26)选择出的算法，执行对象部件的寿命预测的处理。

Description

数据处理装置、数据处理系统、数据处理方法及存储介质

技术领域

本发明涉及进行装置的预防维护所用的数据处理的数据处理装置、数据处理系统、数据处理方法及存储介质。

背景技术

已知有如下的预防维护的方法，即，基于对装置的状态进行实测而得到的数据对故障的征兆进行监视，预测直至该征兆的水平超过某基准水平为止的剩余寿命，由此防范在装置中发生的故障于未然。

在专利文献1中公开了一种控制系统，该控制系统基于来自在构成发动机的多个部件设置的传感器的信息，预测每个部件的寿命，根据每个部件的寿命预测整个发动机的寿命。专利文献1的控制系统预测破碎或者涂层的磨损这样的成为故障的主要原因的现象的动向，根据由该现象的发生引起的故障的发生率的预测结果，对部件的剩余寿命进行判定。专利文献1的控制系统是以使用与发动机的运转状态相关的数据，按照寿命预测算法计算部件的剩余寿命的方式编程的。

专利文献1：日本特表2014-518974号公报

发明内容

在产品的生产现场，为了能够进行有计划且稳定的生产，要求进行在生产现场运转的生产装置的预防维护。使用基于对生产装置的状态进行实测而得到的数据进行寿命预测的算法，计算构成生产装置的每个部件的寿命，由此，能够向生产装置的用户通知应进行维护或者部件更换的时期。

通常，构成生产装置的部件是由生产装置的制造者任意选择的。在将专利文献1的技术应用于生产装置的情况下，嵌入至生产装置中的用于预防维护的应用程序的提供者针对生产装置的每个制造者，构建针对生产装置的结构定制的算法。另外，在存在生产装置处的部件的追加或者部件的更换时，算法也会再次重新构建。因此，根据专利文献1的技术，存在用于装置的预防维护的数据处理所利用的应用程序的构建所需要的负担增大的问题。

本发明是鉴于上述问题而提出的，其目的在于，得到一种数据处理装置，该数据处理装置能够减轻用于装置的预防维护的数据处理所利用的应用程序的构建所需要的负担。

为了解决上述课题而达成目的，本发明涉及的数据处理装置具有：算法选择部，其从储存了进行构成装置的部件的寿命预测所用的算法的算法存储部，选择与构成装置的部件中被作为寿命预测的对象的对象部件对应的算法；寿命预测处理部，其基于通过算法选择部选择出的算法，执行对象部件的寿命预测的处理；以及存储部，其存储第1曲线和故障阈值，该第1曲线表示在验证部件的寿命的试验中得到的实测值与时间之间的关系，该故障阈值是在试验中部件发生故障时的实测值。寿命预测处理部具有：故障模式计算部，其计算故障模式值，该故障模式值是在确定表示部件的故障原因的故障模式时使用的数值；故障模式确定部，其基于故障模式值确定对象部件的故障模式；以及寿命预测曲线生成部，其从存储部读出与对象部件相关的第1曲线和故障阈值，基于故障阈值和对象部件的额定寿命使第1曲线变形，由此生成第2曲线，基于第2曲线生成用于计算对象部件的预测寿命的寿命预测曲线。

发明的效果

本发明涉及的数据处理装置具有下述效果，即，能够减轻用于装置的预防维护的数据处理所利用的应用程序的构建所需要的负担。

附图说明

图1是本发明的实施方式1涉及的数据处理系统的框图。

图2是在图1所示的数据处理装置中安装的预防维护应用程序的结构图。

图3是表示图1所示的数据处理装置的功能结构的框图。

图4是表示图1所示的数据处理装置的硬件结构的框图。

图5是表示由图2所示的任务处理程序进行的处理的流程的流程图。

图6是表示图3所示的预防维护处理部的功能结构的框图。

图7是表示通过图6所示的代表寿命曲线选择部选择的代表寿命曲线和故障阈值的图。

图8是说明图6所示的寿命预测曲线生成部进行的寿命预测曲线的生成的第1图。

图9是说明图6所示的寿命预测曲线生成部进行的寿命预测曲线的生成的第2图。

图10是说明图6所示的寿命预测曲线生成部进行的寿命预测曲线的生成的第3图。

图11是说明图6所示的寿命预测曲线生成部进行的寿命预测曲线的生成的第4图。

图12是表示选择了图2所示的预防维护算法之后的数据处理装置进行的处理的流程的流程图。

图13是表示通过图6所示的寿命预测曲线生成部生成寿命预测曲线的处理的流程的流程图。

具体实施方式

下面，基于附图详细地说明本发明的实施方式涉及的数据处理装置、数据处理系统、数据处理方法以及存储介质。此外，本发明不受本实施方式限定。

实施方式1.

图1是本发明的实施方式1涉及的数据处理系统的框图。图1所示的数据处理系统1具有数据处理装置2、与数据处理装置2连接的设备4A、与设备4A连接的设备4B、4C。设备4A、4B、4C是取得工业数据的装置。工业数据是温度、电压、电流、距离、速度或者位置信息等数据，是与生产装置或者生产现场的状态相关的任意数据。

设备4B是生产装置，是数控(Numerical Control，NC)装置、伺服电动机、逆变器等驱动仪器。设备4A是对设备4B进行控制的控制器，是可编程逻辑控制器(ProgrammableLogic Controller，PLC)。设备4C是在作为生产装置的设备4B安装的传感器，是振动传感器、集音传声器、电流钳表、温度传感器等。数据处理系统1所具有的设备4A、4B、4C的数量是任意的。图1所示的数据处理系统1具有1个设备4A、2个设备4B和1个设备4C。设备4A、4B、4C不限定于上述具体例，只要是取得工业数据的装置即可。

数据处理装置2是安装有作为数据处理程序的预防维护应用程序10的计算机。数据处理装置2收集从设备4A、4B、4C发送来的工业数据，进行针对工业数据的一系列的功能处理。在通过数据处理装置2进行的功能处理中，包含对构成设备4B的部件的寿命进行预测的处理。数据处理装置2与作为外部服务器的云服务器3连接。显示装置5与数据处理装置2连接。显示装置5显示通过数据处理装置2求出的寿命预测的结果。

在设备4B中设置有传递电动机的驱动力的机构。设备4B的故障的主要原因之一是接收电动机的驱动力而旋转的旋转机构的异常。在实施方式1中，数据处理装置2通过对构成旋转机构的主要部件即轴承、滚珠丝杠、齿轮以及皮带的至少任意者进行寿命预测，从而实施设备4B的预防维护。此外，在图1中，省略了电动机、动作机构、旋转机构以及部件的图示。

图2是在图1所示的数据处理装置2中安装的预防维护应用程序10的结构图。作为数据处理程序的预防维护应用程序10包含任务处理程序11和预防维护算法12。预防维护算法12是安装有用于预防维护的算法、实现所安装的算法的程序。另外，预防维护算法12也可以是记述有用于预防维护的计算流程的信息而并非程序。在记述了计算流程的信息中，也可以包含表示计算式的信息。在该情况下，用于预防维护的算法是通过由预防维护应用程序10参照所存储的预防维护算法12实现的。在下面的说明中，预防维护算法12是程序。

预防维护算法12是针对部件的每个种类准备的。在本实施方式1中，使用用于轴承、用于滚珠丝杠、用于齿轮、以及用于皮带的至少4个预防维护算法12。也可以使用用于大型轴承、用于中型轴承、用于小型轴承这样的进一步细分的针对每个部件种类的预防维护算法12。数据处理装置2通过参照后述的规格参数15，能够预测折算了每个部件的尺寸的差异等产品规格的影响后的寿命。例如，在对尺寸不同的轴承彼此进行寿命预测时，使用与双方的轴承对应的共通的算法，改变规格参数15即可。

设备4B的用户从在网站上销售应用程序的商店等下载嵌入了预防维护算法12的预防维护应用程序10，安装于数据处理装置2。设备4B的用户能够对嵌入至预防维护应用程序10的预防维护算法12进行变更。设备4B的用户通过从在网站上销售应用程序的商店等进行下载而追加取得预防维护算法12。设备4B的用户也可以通过从存储有预防维护算法12的存储介质读出预防维护算法12，从而取得预防维护算法12。设备4B的用户也可以通过从存储有预防维护应用程序10的存储介质读出预防维护应用程序10，从而取得预防维护应用程序10。设备4B的用户能够对预防维护算法12任意地进行组合而构成预防维护应用程序10。

预防维护应用程序10的提供者向设备4B的用户提供能够对预防维护算法12进行追加以及更换的预防维护应用程序10。任务处理程序11被标配于由预防维护应用程序10的提供者提供的预防维护应用程序10。作为预防维护算法12的提供者，设想的是部件的制造者、设备4B的制造者或者预防维护应用程序10的提供者，但也可以是其他人。

任务处理程序11读入设定信息14和规格参数15。设定信息14是包含以下信息的文件，即，用于识别每个部件的预防维护算法12的识别信息、用于识别每个部件的规格参数15的识别信息、对执行寿命预测的部件进行确定的信息、以及执行寿命预测的每个部件的寿命预测执行周期的信息。关于对应的预防维护算法12对预防维护应用程序10所包含的部件中的哪个部件执行寿命预测，能够由设备4B的用户进行设定。在预防维护应用程序10所包含的多个预防维护算法12中，用户能够任意地选择使用的预防维护算法12。

规格参数15是定义了部件固有的信息的文件。在确定部件固有的故障模式时，参照规格参数15。规格参数15包含部件的尺寸等信息。如果举出具体例，则在关于轴承的规格参数15中，包含滚动体的直径、滚动体的节圆直径、滚动体的数量、接触角这些数值。设备4B的用户能够经由网络或者存储介质取得按部件的制造者以及部件的型号创建的规格参数15。规格参数15由部件的制造者创建，但是也可以由其他人创建。

预防维护算法12的识别信息是对预防维护算法12的文件赋予的文件名。规格参数15的识别信息是对规格参数15的文件赋予的文件名。预防维护算法12的识别信息只要是能够识别每个部件的预防维护算法12的信息即可，也可以是除了文件名以外的信息。规格参数15的识别信息只要是能够识别每个部件的规格参数15的信息即可，也可以是除了文件名以外的信息。

任务处理程序11对预防维护应用程序10中的预防维护的处理进行管理。由任务处理程序11进行的预防维护的处理的管理包含每个部件的寿命预测的执行周期的管理。任务处理程序11基于设定信息14所包含的执行周期的信息，识别各部件的执行周期。数据处理装置2通过任务处理程序11中的执行周期的管理，能够针对构成设备4B的每个部件在独立的定时(timing)执行寿命预测。

在存在执行周期已到来的部件时，任务处理程序11执行以该部件为对象的寿命预测。此外，在执行周期的信息中，也能够设定表示不进行寿命预测的信息。也可以是在设定了表示不进行寿命预测的信息的情况下，任务处理程序11不进行与该设定相应的部件的寿命预测。数据处理装置2也可以使对应的预防维护算法12执行与预防维护应用程序10所包含的部件中的一部分部件对应的预防维护算法12，而不执行与其他部件对应的预防维护算法12。任务处理程序11启动用于执行针对寿命预测的对象即对象部件的处理的线程13。线程13基于与对象部件相关的设定信息14所包含的识别信息，选择与该对象部件对应的预防维护算法12。

线程13使用该对象部件的规格参数15，执行遵循于所选择的预防维护算法12的处理。在执行周期已到来的部件存在多个的情况下，任务处理程序11进行基于多个线程13的并行处理。线程13通过使用规格参数15执行遵循于预防维护算法12的处理，从而执行寿命预测的处理。预防维护算法12的功能中包含故障频率的计算、实测值的计算、故障模式的确定、代表寿命曲线的选择、寿命预测曲线的选择、以及预测寿命的计算这些功能。关于预防维护算法12的各功能、故障频率、故障模式，在后面叙述。

图3是表示图1所示的数据处理装置2的功能结构的框图。图3所示的各功能部是通过作为硬件的计算机中的预防维护应用程序10的执行而实现的。

数据处理装置2具有：控制部20，其是对数据处理装置2进行控制的功能部；存储部21，其存储信息；通信部22，其是进行信息的通信的功能部；以及输入部23，其是输入信息的功能部。

控制部20具有对预防维护的处理进行管理的功能部即预防维护管理部24。作为执行周期管理部的预防维护管理部24对寿命预测的执行周期进行管理。另外，控制部20具有：预防维护处理部25，其是执行寿命预测的处理的功能部；以及算法选择部26，其是从每个部件的预防维护算法12选择与构成装置的部件中被作为寿命预测的对象的对象部件对应的预防维护算法12的功能部。预防维护处理部25是基于由算法选择部26选择出的算法，执行对象部件的寿命预测的处理的寿命预测处理部。预防维护管理部24的功能和算法选择部26的功能通过任务处理程序11的处理而实现。预防维护处理部25的功能通过使用对象部件的规格参数15执行的预防维护算法12的处理而实现。

存储部21具有：算法存储部30，其对预防维护算法12进行存储；工业数据存储部31，其存储与从设备4A、4B、4C取得的全部部件相关的工业数据；以及规格参数存储部32，其对部件的规格参数15进行存储。

嵌入至预防维护应用程序10的预防维护算法12存储于算法存储部30。工业数据存储部31存储隔一秒取得的工业数据和时刻信息。工业数据存储部31也可以存储以毫秒级或者微秒级的间隔取得的工业数据，还可以存储以其他间隔取得的工业数据。如果举出具体例，则针对轴承由设备4B取得的工业数据包含电动机电流、编码器位置、电动机速度、温度这些值。预防维护处理部25基于与轴承相关的工业数据计算轴承的振动频率。关于振动频率的计算，在后面叙述。在由设置于轴承的传感器即设备4C取得的工业数据中，包含振动加速度、声压级这些值。规格参数存储部32存储与设备4B的各部件相关的规格参数15。

另外，存储部21具有：寿命数据存储部33，其对由预防维护处理部25进行的寿命预测的结果进行存储；代表寿命曲线存储部34，其对代表寿命曲线和故障阈值进行存储；以及设定信息存储部35，其对设定信息14进行存储。寿命数据存储部33具体地存储每个部件的故障模式、部件的剩余寿命以及鉴别分数。设定信息14由设备4B的制造者向数据处理装置2输入。关于代表寿命曲线、故障阈值、故障模式以及鉴别分数，在后面叙述。

通信部22进行数据处理装置2与除了数据处理装置2以外的装置即设备4A、4B、4C、显示装置5以及云服务器3之间的通信。输入部23向数据处理装置2输入设定信息14。

图4是表示图1所示的数据处理装置2的硬件结构的框图。数据处理装置2具有执行各种处理的中央处理装置(Central Processing Unit，CPU)40、包含程序储存区域和数据储存区域的随机存取存储器(Random Access Memory，RAM)41、以及作为外部存储装置的硬盘驱动器(Hard Disk Drive，HDD)42。另外，数据处理装置2具有：通信电路43，其是与数据处理装置2外部的装置的连接接口；以及输入设备44，其接收向数据处理装置2的输入操作。图4所示的数据处理装置2的各部分经由总线45相互连接。此外，外部存储装置也可以是半导体存储器。

HDD 42存储有预防维护应用程序10、工业数据、部件的规格参数15、作为寿命预测的结果的寿命数据、代表寿命曲线、以及设定信息14。使用HDD 42实现图3所示的存储部21的功能。

预防维护应用程序10被加载至RAM 41。CPU 40在RAM 41内的程序储存区域中将预防维护应用程序10展开而执行各种处理。RAM41内的数据储存区域被作为执行各种处理的作业区域。图3所示的控制部20的功能是使用CPU 40实现的。通信部22的功能是使用通信电路43实现的。输入设备44包含键盘或者指示设备。图3所示的输入部23的功能是使用输入设备44实现的。

此外，预防维护应用程序10也可以存储于能够通过计算机读取的存储介质。数据处理装置2也可以将存储介质中存储的预防维护应用程序10向HDD 42储存。存储介质也可以是作为软盘的可移动型存储介质、或者作为半导体存储器的闪存。预防维护应用程序10也可以从其他计算机或者服务器装置经由通信网络向数据处理装置2安装。

图5是表示图2所示的任务处理程序11进行的处理的流程的流程图。任务处理程序11与作为数据处理装置2的计算机的启动一起启动，维持启动状态直至计算机关机为止。

在步骤S1中，任务处理程序11基于从设定信息存储部35读出的设定信息14中包含的执行周期的信息，判断是否存在寿命预测的执行周期已到来的部件。在不存在执行周期已到来的部件的情况下(步骤S1，No)，在步骤S2中，任务处理程序11待机至下一次进行有无执行周期已到来的部件的判断为止。在步骤S2中的待机之后，任务处理程序11使处理返回至步骤S1。

在存在执行周期已到来的部件的情况下(步骤S1，Yes)，在步骤S3中，任务处理程序11启动针对执行周期已到来的部件即对象部件的线程13。在步骤S4中，线程13基于与对象部件相关的设定信息14所包含的识别信息，选择对象部件的预防维护算法12。由此，任务处理程序11从存储于算法存储部30的预防维护算法12中选择对象部件的预防维护算法12。此外，任务处理程序11不限于在步骤S1中存在寿命预测的执行周期已到来的部件的情况下执行步骤S3的处理。任务处理程序11也可以在用户从输入部23输入了预防维护处理的执行指示的情况下，执行步骤S3的处理。

线程13基于规格参数15的识别信息，从由规格参数存储部32读出的规格参数15中选择与作为寿命预测的对象的部件相关的规格参数15。在步骤S5中，线程13将该部件的规格参数15输入至预防维护算法12。在步骤S6中，在线程13中，预防维护算法12执行作为预防维护处理的寿命预测处理。通过步骤S6中的处理的结束，任务处理程序11结束图5所示的处理。

图6是表示图3所示的预防维护处理部25的功能结构的框图。预防维护处理部25具有：实测值计算部51，其是计算实测值的功能部；故障模式计算部52，其是计算每个故障模式的故障模式值的功能部；代表寿命曲线选择部53，其是对代表寿命曲线进行选择的功能部；故障模式确定部54，其是对故障模式进行确定的功能部；以及寿命预测曲线生成部55，其是生成寿命预测曲线的功能部。另外，预防维护处理部25具有寿命预测部56，该寿命预测部56是基于由算法选择部26选择出的预防维护算法12而计算对象部件的预测寿命的功能部。

故障模式表示部件的故障原因。故障模式值为用于确定故障模式的数值。存储于算法存储部30的预防维护算法12包含与部件的各故障模式相关的故障模式值的计算式即故障模型。在实施方式1中，故障模式为能够通过观测在部件中产生的振动的频率而监视故障的征兆的故障原因。故障模式计算部52计算作为故障模式值的故障频率。故障频率是作为故障的征兆的振动的频率，为每个故障模式固有的频率。故障模式计算部52计算每个故障模式的故障频率。

这里，以作为部件之一的轴承为例，说明由故障模式计算部52进行的故障频率的计算。轴承的故障可能由于内圈、外圈、保持器及滚动体的异常而发生。轴承的故障模式有下面描述的第1至第5故障模式。

此外，在下面所示的式(1)～式(5)中，“d”为滚动体的直径，“D”为滚动体的节圆直径，“Z”为滚动体的数量，“α”为接触角。“d”以及“D”的单位为毫米，“α”的单位为弧度。故障模式计算部52根据从规格参数存储部32读出的规格参数15取得“d”、“D”、“Z”以及“α”各值。“f₀”为内圈的旋转频率。“f₀”的单位为赫兹。故障模式计算部52基于从工业数据存储部31读出的工业数据16计算“f₀”的值。

第1故障模式是保持器的缺陷，能够通过观测保持器的旋转频率f_m而监视故障的征兆。故障模式计算部52通过下面的式(1)，计算第1故障模式的故障频率即旋转频率f_m。

【公式1】

第2故障模式是保持器的缺陷，能够通过观测保持器相对于内圈的相对旋转频率f_m-i而监视故障的征兆。故障模式计算部52通过下面的式(2)，计算第2故障模式的故障频率即相对旋转频率f_m-i。

【公式2】

第3故障模式是内圈的滚道面的损伤或者剥离，能够通过观测滚动体相对于内圈的通过频率f_i而监视故障的征兆。故障模式计算部52通过下面的式(3)，计算第3故障模式的故障频率即通过频率f_i。

【公式3】

第4故障模式是外圈的滚道面的损伤或者剥落，能够通过观测滚动体相对于外圈的通过频率f_o而监视故障的征兆。故障模式计算部52通过下面的式(4)计算第4故障模式的故障频率即通过频率f_o。

【公式4】

第5故障模式是滚动体的损伤或者剥离，能够通过观测滚动体的自转频率f_b而监视故障的征兆。故障模式计算部52通过下面的式(5)，计算第5故障模式的故障频率即自转频率f_b。

【公式5】

在对象部件是伺服电动机的轴承的情况下，故障模式计算部52也可以基于从伺服电动机取得的工业数据即速度监视值而计算内圈的旋转频率f₀。或者，故障模式计算部52也可以基于从在外部脉冲编码器设置的传感器即设备4C取得的工业数据即脉冲数，计算内圈的旋转频率f₀。该旋转频率f₀是在特定的周期内变动的值。故障模式计算部52在周期中的固定的定时取得旋转频率f₀。

通过在固定的定时取得旋转频率f₀，从而在各定时由故障模式计算部52得到的旋转频率f₀的值是固定的。因此，旋转频率f₀的值也可以取代基于工业数据计算的值，而设为在规格参数15中预先设定的值。此外，即使在固定的定时取得旋转频率f₀的情况下，由于有时旋转频率f₀根据设备4B的状况而稍微变动，所以通过基于工业数据计算旋转频率f₀，能够得到与预先设定的值相比更反映了设备4B的状况的变化的值。因此，通过基于工业数据的计算而取得旋转频率f₀，故障模式计算部52能够高精度地计算故障频率。

此外，故障模式也可以是能够通过观测除了振动以外的现象而监视故障的征兆的故障原因。故障模式计算部52也可以计算除了故障频率以外的故障模式值。在故障模式是能够通过观测齿轮箱的温度而监视故障的征兆的故障原因的情况下，故障模式值为齿轮箱的温度即故障温度。故障模式计算部52取得故障温度。

实测值计算部51读出在工业数据存储部31存储的工业数据16，基于读出的工业数据16，计算与故障模式值对应的实测值。在故障模式值是故障频率的情况下，实测值计算部51计算作为实测值的实测频率。实测频率是在部件产生的振动的频率，是基于通过设备4B、4C取得的工业数据16计算的。在对象部件是轴承的情况下，实测值计算部51基于通过设备4B取得的电动机电流值计算实测频率。实测值计算部51通过电动机电流值的基于高速傅里叶变换(Fast Fourier Transform，FFT)实现的频率成分的提取而计算实测频率。此外，工业数据存储部31将通过FFT得到的数据作为工业数据16进行存储。

在设备4B没有观测到振动现象的情况下，实测值计算部51也可以基于通过设备4C取得的工业数据16计算实测频率。在实测频率的计算中，也可以使用通过在轴承安装的设备4C即振动传感器取得的振动加速度。在实测频率的计算中，也可以使用通过在轴承安装的设备4C即声压传感器取得的声压级。实测值计算部51也可以通过振动加速度或者声压级的基于FFT实现的频率成分的提取而计算实测频率。

故障模式确定部54将通过故障模式计算部52计算出的故障模式值与通过实测值计算部51计算出的实测值进行比较，确定对象部件的故障模式。在对象部件是轴承的情况下，故障模式确定部54判定第1至第5故障模式的故障频率中的与实测频率一致的故障频率。在实测频率与上述旋转频率f_m一致的情况下，故障模式确定部54将作为对象部件的轴承的故障模式确定为第1故障模式。

故障模式确定部54能够将各种方法应用于对故障模式值与实测值一致或者不一致进行判定的方法。故障模式确定部54也可以基于预先决定的误差范围而对故障模式值与实测值是否一致进行判定。在故障模式值与实测值之差落在误差范围内的情况下，故障模式确定部54判定为故障模式值与实测值一致。故障模式确定部54将表示所确定的故障模式的信息向代表寿命曲线选择部53和寿命预测曲线生成部55发送。

故障模式确定部54也可以计算鉴别分数，该鉴别分数表示作为与故障模式值对应的实测值而观测到的现象是由所确定的故障模式的故障引起的现象的准确度。故障模式确定部54基于故障模式值与实测值之差，计算鉴别分数。鉴别分数通过寿命预测曲线生成部55向寿命预测部56发送。设备4B的使用者通过参照鉴别分数，能够对对象部件的故障判定的可靠性进行判断。

代表寿命曲线选择部53基于通过故障模式确定部54确定的故障模式，选择代表寿命曲线和故障阈值。作为第1曲线的代表寿命曲线是对通过部件的寿命加速试验得到的数据进行近似后的曲线，表示与关于在试验中产生的现象的故障模式值对应的实测值和时间之间的关系。寿命加速试验是有意地推进作为试验对象的部件的劣化，对部件的寿命进行验证的试验。故障阈值是在试验中部件发生故障时的实测值。

图7是表示通过图6所示的代表寿命曲线选择部53选择的代表寿命曲线C1和故障阈值T的图。在故障模式值是故障频率的情况下，代表寿命曲线C1表示在试验中产生的振动的振幅与时间之间的关系。故障阈值T是在试验中部件发生故障时的振动振幅。即，在故障模式值是故障频率的情况下，与故障频率对应的振动振幅按时序被标绘出来。在图7中，纵轴表示振动振幅，横轴表示时间。在下面的说明中，有时将表示振动振幅的纵轴称为Y轴，将表示时间的横轴称为X轴。此外，即使是通过相同制造源制造且相同类型的部件，通过寿命加速试验得到的数据有时也会产生偏差。代表寿命曲线C1代表的是通过由相同的制造源制造且相同类型的部件得到的寿命曲线。

作为曲线存储部的代表寿命曲线存储部34针对设备4B的各部件，存储每个故障模式的代表寿命曲线和故障阈值。代表寿命曲线选择部53从在代表寿命曲线存储部34存储的代表寿命曲线和故障阈值选择与对象部件和确定出的故障模式对应的代表寿命曲线C1和故障阈值T。时间L1为在代表寿命曲线C1中振动振幅达到故障阈值T时的时间。

代表寿命曲线选择部53将代表寿命曲线C1和故障阈值T的选择结果向寿命预测曲线生成部55发送。此外，表现出代表寿命曲线C1时的纵轴除了振动振幅以外，还可以表示与故障模式值对应的参数即温度或者摩擦力等。另外，横轴除了时间以外，还可以表示作为表示部件的劣化的进程的参数的累计温度等。

寿命预测曲线生成部55基于通过代表寿命曲线选择部53选择出的代表寿命曲线C1而生成寿命预测曲线。寿命预测曲线表示执行寿命预测之后的实测值的时序变化的预测。在故障模式值是故障频率的情况下，寿命预测曲线表示在执行寿命预测之后的振动振幅与时间之间的关系。

图8是说明图6所示的寿命预测曲线生成部55进行的寿命预测曲线的生成的第1图。图9是说明图6所示的寿命预测曲线生成部55进行的寿命预测曲线的生成的第2图。寿命预测曲线生成部55按照代表寿命曲线选择部53的选择结果，从代表寿命曲线存储部34读出代表寿命曲线C1和故障阈值T。

在通过寿命加速试验得到的代表寿命曲线C1和实测值的标绘中，时间轴的长度不同。寿命预测曲线生成部55使代表寿命曲线C1的至时间L1为止的时间轴与至时间L2为止的时间轴对齐，使代表寿命曲线C1向横轴方向伸长，其中，该时间L2是与对象部件的实际使用状况相匹配的额定寿命。额定寿命是标准的产品使用中的寿命。

如果叙述具体例，则作为对象部件的滚珠轴承为球轴承的情况下的额定寿命表示为(C/P)³×16667/n。作为对象部件的滚珠轴承为滚柱轴承的情况下的额定寿命表示为(C/P)^10/3×16667/n。这里，“C”为基本额定动载荷，“P”为当量动载荷，“n”为转速。“C”以及“P”的单位为牛顿，“n”的单位为转每分(revolution per minute，rpm)。额定寿命的单位是小时(hour)。

关于当量动载荷即“P”，P＝X_r×Fr+Y_a×Fa成立。这里，“X_r”为径向系数，“Fr”为径向载荷，“Y_a”为轴向系数，“Fa”为轴向载荷。“Fr”以及“Fa”的单位为牛顿。寿命预测曲线生成部55根据从规格参数存储部32读出的规格参数15取得“C”、“n”、“X_r”以及“Y_a”各值。寿命预测曲线生成部55从设定配置文件取得“Fr”以及“Fa”各值。设定配置文件是定义了设备4B固有的信息和设备4B的使用环境的文件。另外，寿命预测曲线生成部55基于设定配置文件对滚珠轴承是球轴承和滚柱轴承中的哪个进行判断。寿命预测曲线生成部55也可以基于规格参数15和设定配置文件而计算作为额定寿命的时间L2。

寿命预测曲线生成部55基于故障阈值T和作为额定寿命的时间L2，使代表寿命曲线C1变形，由此生成作为第2曲线的额定曲线C2。由额定曲线C2表示的指数函数Y＝a×b^x+C的常数“a”、“b”、“c”是通过向X轴方向拉长代表寿命曲线C1直至时间L2时的振动振幅与故障阈值T一致为止而求出的。寿命预测曲线生成部55通过进行针对X轴和Y轴中的X轴的缩放而拉长代表寿命曲线C1。

图10是说明图6所示的寿命预测曲线生成部55进行的寿命预测曲线的生成的第3图。寿命预测曲线生成部55从工业数据存储部31读出工业数据16中至当前为止的振动振幅的实测值，在至当前为止的时间轴上标绘所读出的实测值。在对象部件是轴承的情况下，振动振幅能够从通过实测值计算部51对由设备4B取得的电动机电流值进行FFT而得到的数据提取。寿命预测曲线生成部55通过实测值的近似，生成表示指数函数Y＝a’×b^x+c’的实测曲线C3。寿命预测曲线生成部55生成实测曲线C3，该实测曲线C3是表示与故障模式值对应的实测值即振动振幅的实测值与时间之间的关系的第3曲线。实测曲线C3的常数“b”与额定曲线C2的常数“b”一致。时间L3是在实测曲线C3中振动振幅达到故障阈值T时的时间。

在距当前最近的实测值小于最近以前的实测值的情况下，常数“a’”有时为负值。在该情况下，寿命预测曲线生成部55也可以将在上次的寿命预测中计算出的常数“a’”用于生成实测曲线C3。或者，在不存在上次的常数“a’”的情况下，寿命预测曲线生成部55也可以将代表寿命曲线C1的常数“a”用于生成实测曲线C3。

图11是说明图6所示的寿命预测曲线生成部55进行的寿命预测曲线C4的生成的第4图。寿命预测曲线生成部55通过额定曲线C2与实测曲线C3的混合，生成寿命预测曲线C4。由此，预防维护处理部25得到基于额定曲线C2和实测曲线C3生成的寿命预测曲线C4。寿命预测曲线生成部55通过对实测曲线C3实施表示寿命预测曲线C4中的实测曲线C3的支配程度的加权，从而生成寿命预测曲线C4。由此，寿命预测曲线生成部55使寿命预测曲线C4所包含的实测曲线C3的比例变化。

寿命预测曲线生成部55以0％为下限且以100％为上限，使在生成寿命预测曲线C4时使用的加权比率p变化。在加权比率p是0％时，寿命预测曲线C4与额定曲线C2一致。在加权比率p是100％时，寿命预测曲线C4与实测曲线C3一致。时间L4是在寿命预测曲线C4中振动振幅达到故障阈值T时的时间。

这里，说明加权比率p的设定例。加权比率p是基于图11所示的纵轴即振动振幅的条件和横轴即时间的条件而决定的。将振动振幅的条件设为Y轴条件，将时间的条件设为X轴条件。

在使设备4B的运转开始后首次的寿命预测中，基于是首次这一X轴条件，将加权比率p设为0％。另外，在从开始设备4B的运转至当前为止的时间超过对象部件的额定寿命即时间L2的情况下，基于超过时间L2这一X轴条件，将加权比率p设为100％。

在当前的振动振幅的实测值不变，维持为上次的寿命预测时的实测值的情况下，基于振动振幅维持固定这一Y轴条件，使加权比率p与上次的寿命预测中决定的加权比率p相同。此外，2个实测值维持固定是指2个实测值之差落在预先设定的百分比范围内。

在当前的振动振幅的实测值没有维持为上次的寿命预测时的实测值、且当前的实测值相对于上次的实测值增加的情况下，基于振动振幅增加这一Y轴条件，使加权比率p比上次增加。在该条件的基础上，在从设备4B的运转开始至当前为止的时间小于时间L2的70％这一X轴条件成立的情况下，加权比率p与上次相比增加10％。另外，在从设备4B的运转开始至当前为止的时间大于或等于时间L2的70％且小于80％这一X轴条件成立的情况下，加权比率p比上次增加20％。另外，在从设备4B的运转开始至当前为止的时间大于或等于时间L2的80％且小于90％这一X轴条件成立的情况下，加权比率p比上次增加30％。另外，在从设备4B的运转开始至当前为止的时间大于或等于时间L2的90％且小于100％这一X轴条件成立的情况下，加权比率p比上次增加40％。

在当前的振动振幅的实测值没有维持为上次的寿命预测时的实测值、且当前的实测值相对于上次的实测值减少的情况下，基于振动振幅减少这一Y轴条件，使加权比率p比上次减少或与上次相同。在该条件的基础上，在从设备4B的运转开始至当前为止的时间小于时间L2的70％这一X轴条件成立的情况下，加权比率p比上次减少10％。另外，在从设备4B的运转开始至当前为止的时间大于或等于时间L2的70％且小于100％这一X轴条件成立的情况下，加权比率p与上次相同。

这样，基于X轴条件设定加权比率p，由此，寿命预测曲线生成部55在从开始设备4B的运转起的初始阶段即实测值的累积少的时期，生成以与实测曲线C3相比额定曲线C2处于支配性地位的方式进行了加权的寿命预测曲线C4。由此，预防维护处理部25能够在实测值的累积少的时期进行对额定寿命加权后的寿命预测。另外，寿命预测曲线生成部55实施随着时间经过而使实测曲线C3的支配程度变高的加权。寿命预测曲线生成部55随着由于时间的经过而实测值的累积变多，使寿命预测曲线C4以向实测曲线C3接近的方式变化。由此，预防维护处理部25能够随着实测值的累积变多，进行对累积下来的实测值加权后的寿命预测。另外，通过基于Y轴条件设定加权比率p，由此，寿命预测曲线生成部55实施随着振动振幅的实测值增加而实测曲线C3的支配程度变高的加权。寿命预测曲线生成部55使寿命预测曲线C4以随着振动振幅增加而向实测曲线C3接近的方式变化。由此，预防维护处理部25能够进行与实测值不断增加这一状况相符的寿命预测。

寿命预测部56通过将故障阈值T代入由寿命预测曲线生成部55生成的寿命预测曲线C4所表示的指数函数，求出时间L4。寿命预测部56计算从当前至时间L4为止的时间即剩余寿命。寿命预测部56将通过故障模式确定部54确定出的故障模式、通过寿命预测部56计算出的寿命预测的结果17即剩余寿命、以及通过故障模式确定部54计算出的鉴别分数向寿命数据存储部33发送。寿命数据存储部33存储故障模式、剩余寿命以及鉴别分数。显示装置5显示从寿命数据存储部33读出的故障模式、剩余寿命以及鉴别分数。

图12是表示选择了图2所示的预防维护算法12之后的数据处理装置2进行的处理的流程的流程图。在步骤S11中，故障模式计算部52计算对象部件的各故障模式的故障频率。在步骤S12中，实测值计算部51计算在部件中产生的振动的频率的实测值。

在步骤S13中，故障模式确定部54将作为实测值的实测频率与故障频率进行比较，确定对象部件的故障模式。在步骤S14中，故障模式确定部54计算所确定的故障模式的鉴别分数。代表寿命曲线选择部53基于所确定的故障模式，选择代表寿命曲线和故障阈值。

在步骤S15中，寿命预测曲线生成部55从代表寿命曲线存储部34读出通过代表寿命曲线选择部53选择出的代表寿命曲线C1和故障阈值T。在步骤S16中，寿命预测曲线生成部55基于读出的代表寿命曲线C1，生成寿命预测曲线C4。

图13是表示通过图6所示的寿命预测曲线生成部55生成寿命预测曲线C4的处理的流程的流程图。在步骤S21中，寿命预测曲线生成部55基于额定寿命和故障阈值T，使代表寿命曲线C1的时间轴伸长，由此，求出额定曲线C2。

在步骤S22中，寿命预测曲线生成部55基于至当前为止的振动振幅的实测值，求出实测曲线C3。在步骤S23中，寿命预测曲线生成部55通过对额定曲线C2实施向实测曲线C3接近的加权，从而求出与加权相应的寿命预测曲线C4。由此，结束通过寿命预测曲线生成部55生成寿命预测曲线C4的处理。

在图12所示的步骤S17中，寿命预测部56基于通过寿命预测曲线生成部55生成的寿命预测曲线C4，计算对象部件的剩余寿命。在步骤S18中，寿命数据存储部33存储在步骤S13中确定出的故障模式、在步骤S17中计算出的剩余寿命、在步骤S14中计算出的鉴别分数。在步骤S19中，显示装置5显示从寿命数据存储部33读出的故障模式、剩余寿命、以及鉴别分数。由此，数据处理装置2结束图12所示的处理。

实施方式1的数据处理装置2的功能进行的处理的一部分或者整体也可以在云服务器3中进行。云服务器3也可以保存故障模式值的计算式即故障模型，进行故障模式值的计算和故障模式的确定。

根据实施方式1，数据处理装置2具有选择与对象部件对应的预防维护算法12的算法选择部26。与针对生产装置的结构定制地构建的算法被搭载于预防维护应用程序10的情况相比，能够减轻预防维护应用程序10的构建所需要的负担。由此，起到如下效果，即，能够减轻用于装置的预防维护的数据处理所利用的应用程序的构建所需要的负担。

实施方式2.

本发明的实施方式2涉及的数据处理装置2对于构成设备4B的各部件，与部件被开始使用后的经过时间相应地变更每个部件的寿命预测的执行周期。实施方式2涉及的数据处理装置2具有与实施方式1涉及的数据处理装置2相同的结构。作为执行周期管理部的预防维护管理部24与部件被开始使用后的经过时间相应地对执行周期进行变更。

越是接近部件的寿命的时期，振动振幅的实测值的上升越快。在实施方式2中，预防维护管理部24随着部件被开始使用后的经过时间变长，缩短寿命预测的执行周期，提高寿命预测处理的执行频率。预防维护管理部24也可以基于实施方式1中的加权比率p，对寿命预测的执行周期进行变更。由此，振动振幅的实测值越高，另外，所经过的时间越长，则预防维护管理部24使寿命预测处理的执行频率越高。

根据实施方式2，数据处理装置2与部件被开始使用后的经过时间相应地变更每个部件的寿命预测的执行周期，由此，能够与实测值的上升程度相应地对寿命预测处理的执行频率进行变更。由此，数据处理装置2能够提高剩余寿命的预测精度。

以上的实施方式所示的结构表示的是本发明的内容的一个例子，也能够与其他公知的技术组合，还能够在不脱离本发明的主旨的范围对结构的一部分进行省略、变更。

标号的说明

1数据处理系统，2数据处理装置，3云服务器，4A、4B、4C设备，5显示装置，10预防维护应用程序，11任务处理程序，12预防维护算法，13线程，14设定信息，15规格参数，16工业数据，20控制部，21存储部，22通信部，23输入部，24预防维护管理部，25预防维护处理部，26算法选择部，30算法存储部，31工业数据存储部，32规格参数存储部，33寿命数据存储部，34代表寿命曲线存储部，35设定信息存储部，40CPU，41RAM，42HDD，43通信电路，44输入设备，45总线，51实测值计算部，52故障模式计算部，53代表寿命曲线选择部，54故障模式确定部，55寿命预测曲线生成部，56寿命预测部。

Claims (15)

1.一种数据处理装置，其特征在于，具有：

算法选择部，其从储存了进行构成装置的部件的寿命预测所用的算法的算法存储部，选择与构成所述装置的所述部件中被作为寿命预测的对象的对象部件对应的算法；

寿命预测处理部，其基于通过所述算法选择部选择出的算法，执行所述对象部件的寿命预测的处理；以及

存储部，其存储第1曲线和故障阈值，该第1曲线表示在验证所述部件的寿命的试验中得到的实测值与时间之间的关系，该故障阈值是在所述试验中所述部件发生故障时的所述实测值，

所述寿命预测处理部具有：

故障模式计算部，其计算故障模式值，该故障模式值是在确定表示所述部件的故障原因的故障模式时使用的数值；

故障模式确定部，其基于所述故障模式值确定所述对象部件的故障模式；以及

寿命预测曲线生成部，其从所述存储部读出与所述对象部件相关的所述第1曲线和所述故障阈值，基于所述故障阈值和所述对象部件的额定寿命使所述第1曲线变形，由此生成第2曲线，基于所述第2曲线生成用于计算所述对象部件的预测寿命的寿命预测曲线。

2.根据权利要求1所述的数据处理装置，其特征在于，

所述算法选择部从储存了能够针对所述部件的每个种类进行选择的算法的所述算法存储部，选择与所述对象部件对应的算法。

3.根据权利要求1或2所述的数据处理装置，其特征在于，

所述算法选择部基于用于识别与每个所述部件对应的算法的识别信息而选择算法。

4.根据权利要求1或2所述的数据处理装置，其特征在于，

所述算法选择部基于每个所述部件的所述寿命预测的执行周期的信息，选择与所述执行周期已到来的所述对象部件对应的算法。

5.根据权利要求4所述的数据处理装置，其特征在于，

具有对每个所述部件的所述执行周期进行管理的执行周期管理部，

所述执行周期管理部与所述部件被开始使用后的经过时间相应地变更所述执行周期。

6.根据权利要求1或2所述的数据处理装置，其特征在于，

所述寿命预测处理部在不使用没有由所述算法选择部选择出的算法的状态下执行所述寿命预测的处理。

7.根据权利要求1或2所述的数据处理装置，其特征在于，

所述算法选择部将与所述对象部件对应的规格参数输入至所述寿命预测处理部，所述规格参数是每个所述部件固有的信息，

所述寿命预测处理部基于通过所述算法选择部选择出的算法和输入进来的所述规格参数，执行所述寿命预测的处理。

8.根据权利要求1或2所述的数据处理装置，其特征在于，

所述寿命预测曲线生成部生成表示与所述故障模式值对应的实测值和时间之间的关系的第3曲线，通过所述第2曲线与所述第3曲线的混合而生成所述寿命预测曲线。

9.根据权利要求8所述的数据处理装置，其特征在于，

所述寿命预测曲线生成部通过对所述第3曲线实施表示所述寿命预测曲线中的所述第3曲线的支配程度的加权，从而生成所述寿命预测曲线。

10.根据权利要求9所述的数据处理装置，其特征在于，

所述寿命预测曲线生成部实施随着时间经过而所述第3曲线的支配程度变高的所述加权。

11.根据权利要求9所述的数据处理装置，其特征在于，

所述寿命预测曲线生成部实施随着所述实测值增加而所述第3曲线的支配程度变高的所述加权。

12.根据权利要求1或2所述的数据处理装置，其特征在于，

所述故障模式确定部对鉴别分数进行计算，该鉴别分数表示作为与所述故障模式值对应的实测值而观测到的现象是由所确定的所述故障模式的故障引起的现象的准确度。

13.一种数据处理系统，其特征在于，具有：

算法选择部，其从储存了用于进行构成装置的部件的寿命预测且能够针对所述部件的每个种类进行选择的算法的算法存储部，选择与构成所述装置的所述部件中被作为寿命预测的对象的对象部件对应的算法；以及

寿命预测处理部，其基于通过所述算法选择部选择出的算法和每个所述部件固有的信息即规格参数，执行所述对象部件的寿命预测的处理，

所述寿命预测处理部具有：

故障模式计算部，其计算故障模式值，该故障模式值是在确定表示所述部件的故障原因的故障模式时使用的数值；

故障模式确定部，其基于所述故障模式值确定所述对象部件的故障模式；以及

寿命预测曲线生成部，其针对所述对象部件，取得表示在验证所述部件的寿命的试验中得到的实测值与时间之间的关系的第1曲线和作为在所述试验中所述部件发生故障时的所述实测值的故障阈值，基于所述故障阈值和所述对象部件的额定寿命使所述第1曲线变形，由此生成第2曲线，基于所述第2曲线生成用于计算所述对象部件的预测寿命的寿命预测曲线。

14.一种数据处理方法，其特征在于，包含以下步骤：

数据处理装置从用于进行构成装置的部件的寿命预测且能够针对所述部件的每个种类进行选择的算法，选择与构成所述装置的所述部件中被作为寿命预测的对象的对象部件对应的算法；以及

所述数据处理装置基于选择出的所述算法和每个所述部件固有的信息即规格参数执行所述对象部件的寿命预测的处理，

执行所述寿命预测的处理的步骤包含以下步骤：

计算故障模式值，该故障模式值是在确定表示所述部件的故障原因的故障模式时使用的数值；

基于所述故障模式值确定所述对象部件的故障模式；以及

针对所述对象部件，取得表示在验证所述部件的寿命的试验中得到的实测值与时间之间的关系的第1曲线和作为在所述试验中所述部件发生故障时的所述实测值的故障阈值，基于所述故障阈值和所述对象部件的额定寿命使所述第1曲线变形，由此生成第2曲线，基于所述第2曲线生成用于计算所述对象部件的预测寿命的寿命预测曲线。

15.一种存储介质，其能够通过计算机读取并且存储有数据处理程序，该数据处理程序使计算机作为进行构成装置的部件的寿命预测的处理的数据处理装置起作用，

该存储介质的特征在于，

所述数据处理程序使所述计算机执行以下步骤：

从用于进行所述部件的寿命预测且能够针对所述部件的每个种类进行选择的算法，选择与构成所述装置的所述部件中被作为寿命预测的对象的对象部件对应的算法；以及

基于选择出的所述算法和每个所述部件固有的信息即规格参数执行所述对象部件的寿命预测的处理，

执行所述寿命预测的处理的步骤包含以下步骤：

计算故障模式值，该故障模式值是在确定表示所述部件的故障原因的故障模式时使用的数值；

基于所述故障模式值确定所述对象部件的故障模式；以及

针对所述对象部件，取得表示在验证所述部件的寿命的试验中得到的实测值与时间之间的关系的第1曲线和作为在所述试验中所述部件发生故障时的所述实测值的故障阈值，基于所述故障阈值和所述对象部件的额定寿命使所述第1曲线变形，由此生成第2曲线，基于所述第2曲线生成用于计算所述对象部件的预测寿命的寿命预测曲线。