CN113383216A - 分析装置、分析方法和程序 - Google Patents
分析装置、分析方法和程序 Download PDFInfo
- Publication number
- CN113383216A CN113383216A CN202080012631.9A CN202080012631A CN113383216A CN 113383216 A CN113383216 A CN 113383216A CN 202080012631 A CN202080012631 A CN 202080012631A CN 113383216 A CN113383216 A CN 113383216A
- Authority
- CN
- China
- Prior art keywords
- discriminator
- analysis
- production facility
- processing
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种分析装置(100),设置有:图像处理单元(102),将设置到生产设施(10)的振动传感器的检测结果转换成图像;生成单元(104),通过对成像后的数据进行机器学习处理来生成鉴别器(110);以及分析单元(106),通过使用鉴别器(110)来执行生产设施(10)的状态分析处理。
Description
技术领域
本发明涉及分析装置、分析方法和程序,并且具体地,涉及用于分析监测设施的状态的传感器的数据的分析装置、分析方法和程序。
背景技术
在使用机器设施来制造生产材料的质量控制中,存在一种通过使用振动或声音传感器来执行状态监测的方法。该方法作为用于提高制造中的生产效率的技术已受到关注,例如,通过在生产材料的处理期间获取在处理器生成的振动数据,通过在检测到异常振动时停止生产材料的处理来防止生产损失,借助于振动来监测生产设施的操作状态,以找到最佳操作条件,用于实现设施的有效维护和寿命延长。
专利文献1公开了一种方法,在该方法中,将传感器附接到要监测的设施,并且基于由传感器测量的时间序列数据来监测设施。
相关文献
专利文献
[专利文献1]日本专利申请公开No.2009-270843。
发明内容
技术问题
如在上述专利文献1中所描述的系统中那样,当试图基于由传感器收集的数据来检测设施的异常等时,要分析的数据的量可能会增加。此外,还想到了通过诸如深度学习的机器学习来构建正常/异常状态模型,但是其方法仅允许提取被认为异常的状态,并且仅适用于诸如停止操作的动作。
本发明是鉴于上述境况而完成的,本发明的目的是提供一种能够有效且精确地执行生产设施的状态监测的技术。
技术方法
在本发明的每个方面中,为了解决上述问题,采用了以下配置。
第一方面涉及一种分析装置。
根据第一方面的第一分析装置包括:
图像处理单元,将设置在生产设施中的振动传感器的检测结果转换成图像;
生成单元,通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器;以及
分析单元,通过使用鉴别器针对生产设施执行状态分析处理。
根据第一方面的第二分析装置包括:
确定单元,基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对生产设施执行异常确定处理;
图像处理单元,将无法被第一鉴别器鉴别为正常或异常的检测结果转换成图像;
生成单元,通过使用转换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器;以及
分析单元,通过使用第二鉴别器针对生产设施执行状态分析处理。
第二方面涉及一种由至少一个计算机执行的分析方法。
根据第二方面的第一分析方法包括:
通过分析装置,
将设置在生产设施中的振动传感器的检测结果转换成图像;
通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器;以及
通过使用鉴别器针对生产设施执行状态分析处理。
根据第二方面的第二分析方法包括:
通过分析装置,
基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对生产设施执行异常确定处理;
将无法被第一鉴别器鉴别为正常或异常的检测结果转换成图像;
通过使用转换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器;以及
通过使用第二鉴别器针对生产设施执行状态分析处理。
注意,本发明的另一方面可以是使得至少一个计算机执行根据第二方面的上述方法的程序,或者可以是记录有这样的程序的计算机可读存储介质。存储介质包括非暂时性有形介质。
该计算机程序包括计算机程序代码,在由计算机执行时,该计算机程序代码使得计算机在分析装置上进行其分析方法。
注意,以上组件的任何组合以及本发明的表达在方法、装置、系统、存储介质、计算机程序等之间的转换也是本发明的有效模式。
此外,本发明的各种组件不一定需要单独地和独立地存在,并且多个组件可以被形成为一个构件,一个组件可以由多个构件形成,特定组件可以是另一组件的一部分,特定组件的一部分可以与另一组件的一部分重叠,等等。
此外,虽然在根据本发明的方法和计算机程序中按顺序描述多个过程,但是多个过程的执行顺序不限于所描述的顺序。因此,在执行根据本发明的方法和计算机程序时,可以改变多个过程的顺序,只要改变不减损内容即可。
此外,根据本发明的方法和计算机程序的多个过程不限于在不同的定时单独执行。因此,在执行特定过程期间可能会发生另一过程,特定过程的执行定时可能部分或全部与另一过程的执行定时重叠,等等。
技术效果
根据上述方面中的每个方面,可以提供一种用于有效且精确地执行生产设施的状态监测的技术。
附图说明
通过下面所描述的优选示例实施例和以下附图,上述目的和其它目的、特征和有益效果变得更清楚明白。
图1是示意性地示出了根据本发明的示例实施例的使用分析装置的设施监测系统的系统配置的示图。
图2是示出了根据本示例实施例的存储在存储装置中的振动数据和设施信息的数据结构的一个示例的示图。
图3是示出了根据本示例实施例的每个装置的硬件配置的框图。
图4是示出了根据本示例实施例的分析装置的逻辑配置的功能框图。
图5是示出了转换成图像之前的测量数据的时间序列数据的示图。
图6是示出了由图像处理单元转换的图像数据的示图。
图7是示出了根据本示例实施例的分析装置的操作的一个示例的流程图。
图8是示出了图7中的步骤S101中的成像处理的详细流程的一个示例的流程图。
图9是示出了根据本示例实施例的分析装置的逻辑配置的功能框图。
图10是示出了根据本示例实施例的分析装置的操作的一个示例的流程图。
图11是示出了根据本示例实施例的分析装置的异常确定处理的过程的一个示例的流程图。
图12是示出了根据本示例实施例的分析装置的图像处理单元的逻辑配置的功能框图。
图13是示出了根据本示例实施例的分析装置的图像处理单元的操作的一个示例的流程图。
图14是示出了根据本示例实施例的分析装置的逻辑配置的功能框图。
图15是示出了修正信息30的数据结构的一个示例的示图。
图16是示出了分析单元的鉴别处理的详细流程的一个示例的流程图。
图17是示出了使用图16中的步骤S406中所提取的数据的鉴别器的更新处理过程的一个示例的流程图。
图18是示出了当在图16中的状态分析处理的步骤S401中被鉴别为正常时的处理过程的一个示例的流程图。
图19是示出分析装置的故障模型构建处理的过程的一个示例的流程图。
图20是用于描述根据示例1的分析装置的流程图。
图21是用于描述根据示例2的分析装置的流程图。
具体实施例
在下文中,将通过使用附图来描述本发明的示例实施例。注意,贯穿所有附图,相似的组件被赋予相似的附图标记,并且将适当地省略对其的描述。
(第一示例实施例)
图1是示意性地示出了根据本发明的示例实施例的使用分析装置的设施监测系统1的系统配置的示图。
要被设施监测系统1监测的设施是生产设施10,并且在本示例实施例中,将通过使用传送带作为示例进行描述。在图1中的示例中,用于监测传送带的多个传感器12被设置在沿传送带的移动方向的多个位置处。传感器12中的每个传感器例如是振动传感器。此外,在检测单向振动的振动传感器的情况下,可以在一个位置处设置多个振动传感器,以便检测多向振动。
从振动传感器输出的测量数据是指示振动波形的时间序列数据。
振动传感器测量在要监测的生产设施10中生成的振动。振动传感器可以是测量一个轴向上的加速度的单轴加速度传感器,可以是测量三个轴向上的加速度的三轴加速度传感器,或者可以是其它的传感器。注意,多个振动传感器可以是相同类型的振动传感器,或者可以混合多种类型的振动传感器。
分析装置100经由网络3与网关(GW)5连接,接收来自设置在生产设施10中的多个传感器12的检测结果,分析装置100与存储装置20连接。存储装置20存储由分析装置100分析的振动数据。存储装置20可以是与分析装置100分离的装置,可以是包括在分析装置100中的装置,或者可以是其组合。
在示例实施例的附图中的每个附图中,省略且未示出与本发明的本质不相关的部分的配置。
图2是示出了根据本示例实施例的存储在存储装置20中的振动数据22和设施信息24的数据结构的一个示例的示图。
振动数据22包括与识别振动传感器的每个传感器ID相关联的时间信息和测量数据。设施信息24包括与识别设施的每个设施ID相关联的至少一个振动传感器的传感器ID。
图3是示出了根据本示例实施例的每个装置的硬件配置的框图。每个装置包括处理器50、存储器52、输入/输出接口(I/F)54、外围电路56和总线58。外围电路56包括各种模块。处理装置可以不包括外围电路56。
总线58是处理器50、存储器52、外围电路56和输入/输出接口54通过其相互发送数据的数据传输路径。处理器50是诸如下项的算术处理装置,例如,中央处理单元(CPU)和图形处理单元(GPU)。存储器52是诸如下项的存储器,例如,随机存取存储器(RAM)和只读存储器(ROM)。输入/输出接口54包括用于从输入装置、外部服务器、传感器等获取信息的接口,用于向输出装置、外部服务器等输出信息的接口等。输入装置例如是键盘、鼠标、麦克风等。输出装置例如是显示器、扬声器、打印机、邮件程序等。处理器50可以向每个模块发出指令,并且可以基于其算术运算结果来执行算术运算。
稍后在图4中描述的根据本示例实施例的分析装置100的每个组件由图3中所示的计算机的硬件与软件的任意组合实现。因此,本领域技术人员将理解的是,在用于实现分析装置100的方法和装置中可以做出各种修改示例。示出根据下面所描述的示例实施例中的每个示例实施例的分析装置的功能框图不是指示基于硬件的配置,而是指示基于逻辑功能的块。
图4中的分析装置100的每个单元的每个功能可以由处理器50将程序读入存储器52并执行该程序进行实现。
根据本示例实施例的计算机程序以使得用于实现分析装置100的计算机(图3中的处理器50)执行如下过程的这种方式描述:将设置在生产设施10中的振动传感器12的检测结果转换成图像的过程;通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器的过程;以及通过使用鉴别器针对生产设施10执行异常确定处理的过程。
根据本示例实施例的计算机程序可以记录在计算机可读存储介质中。存储介质没有特别限制,并且可以想到各种形式的存储介质。此外,程序可以从存储介质加载在计算机的存储器52(图3)上,或者可以通过网络下载在计算机上并加载在存储器52上。
用于记录计算机程序的存储介质包括非暂时性有形计算机可用介质,并且计算机可读程序代码被嵌入在该介质上。当在计算机上执行计算机程序时,计算机程序使得计算机执行根据本示例实施例的分析方法,用于实现分析装置100。
图4是示出了根据本示例实施例的分析装置100的逻辑配置的功能框图。分析装置100包括图像处理单元102、生成单元104和分析单元106。
图像处理单元102将设置在生产设施10中的振动传感器的检测结果转换成图像。生成单元104通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器110。分析单元106通过使用鉴别器110针对生产设施10执行状态分析处理。
振动由三个要素组成:振幅、频率和相位,并且测量数据可以由三个参数指示:位移、速度和加速度。由于振动传感器的测量数据是包括由多个参数指示的多个振动波形的时间序列数据,因此即使在对测量数据原样执行机器学习时,也难以捕获特征,并且无法生成适当的学习模型。鉴于此,根据本示例实施例,由图像处理单元102将测量数据转换成图像。图5是示出了转换成图像之前的测量数据的时间序列数据的示图。图6是示出了由图像处理单元102转换成图像的图像数据的示图。
图像处理单元102获取生产设施10中的传感器12的检测结果(在下文中,也被称为振动数据)。然后,图像处理单元102对获取到的振动数据执行FFT处理并进行频率划分,并且然后,将获取到的振动频谱数据转换成图像,以便获取图像数据。以上处理可以压缩数据容量,并且可以提高机器学习处理和鉴别处理的速度。
示例实施例中的“获取”包括以下项中的至少一项:由自身装置取出(主动获取)存储在另一装置或存储介质中的数据或信息;以及向自身装置输入(被动获取)从另一装置输出的数据或信息。主动获取的示例包括向另一装置请求或查询数据或信息以从其接收答复、访问另一装置或存储介质以从其读出数据或信息等。此外,被动获取的示例包括接收所递送(发送、推送通知等)的信息等。此外,“获取”可以是选择性地获取接收数据或信息,或者可以是选择性地接收所递送的数据或信息。
鉴别器110由生成单元104通过使用转换成图像的数据作为用于机器学习处理的对象来生成。分析单元106通过使用鉴别器110针对生产设施10执行状态分析处理。
对于机器学习,例如但不限于,可以使用深度学习。由鉴别器110鉴别的生产设施10的状态例如是正常状态或除正常状态之外的状态。在下文中,将正常状态之外的状态也称为“未知”。根据本示例实施例,鉴别器110不执行异常状态的鉴别。将在稍后描述的示例实施例中详细地描述鉴别器110的机器学习处理。
鉴别器110的鉴别结果可以以操作者可以参考鉴别结果的方式输出。输出方法例如可以是在分析装置100的显示器上显示鉴别结果,可以是从分析装置100向打印机打印出鉴别结果,或者可以是经由通信线路将鉴别结果发送到另一装置(例如,操作终端等)。
将描述如上配置的根据本示例实施例的分析装置100的操作。图7是示出了根据本示例实施例的分析装置100的操作的一个示例的流程图。
首先,图像处理单元102将设置在生产设施10中的振动传感器的检测结果转换成图像(步骤S101)。然后,生成单元104通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器110(步骤S103)。然后,分析单元106通过使用鉴别器110针对生产设施10执行状态分析处理(步骤S105)。
图8是示出了图7中的步骤S101中的成像处理的详细流程的一个示例的流程图。首先,图像处理单元102对传感器12的测量数据执行FFT处理,接着进行频率划分(步骤S113),并且将获取到的振动频谱数据转换成图像,以便输出图像数据(步骤S115)。通过在步骤S115中获取的图像数据,由分析单元106使用在图7中的步骤S103中的鉴别器110针对生产设施10执行状态分析处理。
如上所述,根据本示例实施例,图像处理单元102将传感器12的测量数据转换成图像,随后生成单元104通过使用被转换成图像的图像数据作为用于机器学习处理的对象来生成鉴别器110,然后分析单元106通过使用鉴别器110针对生产设施10执行状态分析处理。以这种方式,根据本示例实施例,当执行了对振动传感器的检测结果的机器学习时,将作为机器学习处理的对象的振动波形数据转换成图像。这可以压缩数据量,因此,降低了处理负荷,并且可以提高处理速度。
(第二示例实施例)
图9是示出了根据本示例实施例的分析装置100的逻辑配置的功能框图。分析装置100包括与图4中的分析装置100相似的图像处理单元102、生成单元104、分析单元106,并且还包括异常确定单元120。
异常确定单元120基于设置在生产设施10中的振动传感器的检测结果,通过使用第一鉴别器124针对生产设施10执行异常确定处理。异常确定单元120使用第一鉴别器124来输出异常确定处理的结果。输出结果可以用于在设施监测系统1中监测生产设施10的处理。
此外,根据本示例实施例的图像处理单元102与根据上述示例实施例的图像处理单元102的不同之处在于:要转换成图像的检测结果是不能被第一鉴别器124鉴别为正常或异常的检测结果。生成单元104生成用于针对通过如上阈值分析无法被鉴别为正常或异常的测量数据执行机器学习处理的第二鉴别器126。
由振动传感器测量的振动包括由多个因素形成的多个振动波形。通常,通过执行快速傅立叶变换(FFT)处理来对从振动传感器检测到的测量数据执行频率分析。通过对测量数据执行FFT处理,检测了关键点状频率(峰值),并且可以通过使用阈值将检测到的峰值水平鉴别为正常或异常来执行异常诊断。
然而,在一些情况下,通过阈值分析无法执行被鉴别为正常或异常。生成单元104通过使用通过如上阈值分析无法被鉴别为正常或异常的测量数据来生成第二鉴别器126,作为用于机器学习处理的对象。第二鉴别器126等同于图4中的鉴别器110。
“通过第一鉴别器124无法执行鉴别”的情况例如包括:登记在第一鉴别模型128中的振动波形模式与检测结果不匹配的情况,无法获取匹配结果的可能性的预定值或更大值且无法获取设施诊断所需的可靠性的参考水平或更大值(例如,90%或更大的检测率)的情况等。
分析单元106通过使用第二鉴别器126针对生产设施10执行状态分析处理。分析单元106通过使用第二鉴别器126,关于无法被第一鉴别器124鉴别为正常或异常的检测结果的数据,针对生产设施10执行状态分析处理,并且将其转换成图像。
第一鉴别器124通过使用第一鉴别模型128鉴别为正常或异常。第一鉴别模型128是使用例如振动频谱的模式匹配和阈值确定的模型。
作为一个示例,第一鉴别器124根据通过对振动传感器的测量数据执行FFT处理而获取的频率分布,计算特定频率的峰值水平、最大峰值水平与平均峰值水平的比率、信噪比(S/N)、以及特定频率的范围内的峰值水平的积分值中的至少任意一项,针对计算值设置阈值,并且基于该值是否在阈值的范围内,执行异常确定处理。然后,当该值在阈值范围内时,将其鉴别为正常,当该值在阈值范围外时,将其鉴别为异常。
第一鉴别器124可以通过使用多个特定频率来执行上述确定处理。在这种情况下,第一鉴别器124可以输出针对每个特定频率的确定结果。此外,第一鉴别器124可以在多个特定频率的计算值中甚至只有一个计算值偏离阈值时确定为异常,可以在多个特定频率之中存在预定数量的或更多的特定频率的计算值偏离阈值时确定为异常,可以在多个特定频率的所有计算值偏离阈值时确定为异常,或者可以在多个特定频率的所有计算值在阈值范围内时确定为正常。此外,多个特定频率的值可以被组合成针对每个故障事件的模型并被登记在第一鉴别模型128中,并且第一鉴别器124可以通过执行与第一鉴别模型128的模式匹配来鉴别故障事件。异常确定单元120可以将与鉴别出的故障事件相关的故障事件项目通知给操作者。
阈值可以自动设置,或者可以由操作者手动设置。在自动设置的情况下,生成单元104可以针对登记在第一鉴别模型128中的振动特性模式(频率分布)计算特定频率的峰值水平、最大峰值水平与平均峰值水平的比率、信噪比(S/N)、以及特定频率范围内的峰值水平的积分值中的至少任意一项,并且可以通过检测正常时间与异常时间之间的边界范围来设置阈值。
在手动设置的情况下,生成单元104可以向操作者提供针对登记在第一鉴别模型128中的振动特性模式(频率分布)计算特定频率的峰值水平、最大峰值水平与平均峰值水平的比率、信噪比(S/N)、以及特定频率范围内的峰值水平的积分值中的至少任意一项的结果,并且可以通过操作者操作来接受对第一鉴别器124的阈值的设置。虽然想到了向操作者提供结果的各种方法,但是作为示例,结果可以显示在分析装置100的显示器上,可以从分析装置100向打印机打印出,或者可以经由通信线路发送到另一装置(例如,操作终端等)。
第二鉴别器126由生成单元104生成,并且等同于根据上述示例实施例的由生成单元104生成的鉴别器110。生成单元104仅使得由第二鉴别器126鉴别为正常的数据用于机器学习,并且通过对正常状态进行归一化来更新第二鉴别模型130。在本文中,归一化是指对通过将振动传感器在正常时间的测量数据转换成图像而获取的数据的模式进行建模。第二鉴别器126提取偏离第二鉴别模型130的范围的数据,例如,“未知”。换言之,使用第二鉴别器126,分析单元106针对通过第一鉴别器124无法鉴别的检测结果,基于第二鉴别模型130,进一步鉴别生产设施10的状态是正常还是“未知”。第二鉴别器126不鉴别生产设施10的异常状态,而将除正常之外的状态鉴别为“未知”。
被鉴别器110鉴别为“未知”的数据可以由操作者参考和分析。操作者的分析结果可以反映在针对检测结果的异常确定处理中的阈值上。利用鉴别为“未知”的数据的方法将在稍后描述的示例实施例中详细地描述。
将描述如上配置的根据本示例实施例的分析装置100的操作。图10是示出了根据本示例实施例的分析装置100的操作的一个示例的流程图。
首先,异常确定单元120基于设置在生产设施10中的振动传感器的检测结果,通过使用第一鉴别器124针对生产设施10执行异常确定处理(步骤S121)。然后,图像处理单元102将无法被第一鉴别器124鉴别为正常或异常(步骤S123中的否)的检测结果转换成图像(步骤S125)。当可以鉴别检测结果时(步骤S123中的是),本处理结束。
然后,生成单元104通过使用转换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器126(步骤S127)。然后,分析单元106通过使用第二鉴别器126针对生产设施10执行状态分析处理(步骤S129)。
此外,根据本示例实施例的计算机程序以使得用于实现分析装置100的计算机(图3中的处理器50)执行如下过程的这种方式描述:基于设置在生产设施10中的振动传感器12的检测结果,通过使用第一鉴别器124针对生产设施10执行异常确定处理的过程;将无法被第一鉴别器124鉴别为正常或异常的检测结果转换成图像的过程;通过使用被换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器126的过程;以及使用第二鉴别器126针对生产设施10执行状态分析处理的过程。
如上所述,根据本示例实施例,当异常确定单元120无法通过使用第一鉴别器124基于振动传感器的检测结果在异常确定处理中获取鉴别结果时,图像处理单元102将此时振动传感器的检测结果转换成图像,并且第二鉴别器126执行被鉴别为正常或“未知”。以这种方式,根据本示例实施例,使得第二鉴别器126仅执行与正常状态相关的振动传感器的检测结果的机器学习,并且正常状态被归一化。因此,即使当制造条件总是流动的且关于故障事件的信息由于低容量和高混合生产、各种和波动的生产等而几乎不能累积时,也可以提高鉴别精度。
此外,与上述示例实施例相似,当执行了振动传感器的检测结果的机器学习时,将作为用于机器学习处理的对象的振动波形数据转换成图像。这可以压缩数据量,因此,降低了处理负荷,并且可以提高处理速度。
(第三示例实施例)
图11是示出了根据本示例实施例的分析装置100的异常确定处理的过程的一个示例的流程图。除了包括了使用第一鉴别器124来输出针对生产设施10的异常确定处理的结果的配置这一点以外,本示例实施例与图9中的分析装置100相似。
首先,异常确定单元120从设置在生产设施10中的振动传感器获取振动数据(步骤S301)。然后,异常确定单元120通过使用第一鉴别器124针对获取到的振动数据执行异常确定处理(步骤S303)。在此,振动数据经过FFT处理,并且随后由异常确定单元120的第一鉴别模型128鉴别为正常或异常(步骤S305)。
异常确定单元120根据通过执行FFT处理而获取的频率分布,计算特定频率的峰值水平、最大峰值水平与平均峰值水平的比率、信噪比(S/N)、以及特定频率范围内的峰值水平的积分值中的至少任意一项,并且通过使用阈值来鉴别计算值是正常还是异常(步骤S305)。当该值在阈值的范围内时(步骤S305中为否),第一鉴别器124确定生产设施10正常(步骤S307),并且异常确定单元120输出指示生产设施10正常的确定结果(步骤S311)。
当该值在阈值的范围之外时(步骤S305中为是),第一鉴别器124确定生产设施10处于异常状态(步骤S309),并且输出了指示生产设施10处于异常状态的确定结果(步骤S311)。
此外,当无法通过第一鉴别器124被鉴别为正常或异常(在步骤S305中不能进行鉴别)时,异常确定单元120将振动数据输出到图像处理单元102(步骤S313),并且处理进行到图10中的步骤S125。
根据本示例实施例,第一鉴别器124用在生产设施10的异常确定处理中,而第二鉴别器126不用在异常确定处理中。此外,尽管第二鉴别器126的鉴别结果用于更新第一鉴别器124的第二鉴别模型130,但是其配置将在稍后描述的示例实施例中描述。
如上所述,根据本示例实施例,异常确定单元120通过使用第一鉴别器124针对生产设施10执行异常确定处理,并且异常确定单元120在针对生产设施10的异常确定处理中不使用第二鉴别器126,第一鉴别器124可以通过使用由生成单元104更新的第二鉴别器126的鉴别结果进行更新。通过该配置,可以通过使用反映第二鉴别器126的鉴别结果的第一鉴别器124来执行异常确定处理,并且因此,可以提高确定结果的精度。
(第四示例实施例)
图12是示出了根据本示例实施例的分析装置100的图像处理单元102的逻辑配置的功能框图。除了在图像处理单元102中包括执行从测量数据中去除噪声的处理之后的执行成像处理的配置这一点之外,根据本示例实施例的分析装置100与上述示例实施例相似。本示例实施例的配置可以与任何其它的示例实施例的配置组合。
图像处理单元102包括噪声去除单元112和成像处理单元114。噪声去除单元112对检测结果执行噪声去除处理。成像处理单元114将执行了噪声去除单元112的噪声去除处理之后的检测结果转换成图像。由于噪声去除,测量数据的振动波形变得清晰。
噪声去除处理例如包括:从多个布置的振动传感器预先测量环境噪声并存储测量到的环境噪声;以及基于噪声数据来执行减法处理。然而,可以通过使用另一方法来执行噪声去除处理。
图13是示出了根据本示例实施例的分析装置100的图像处理单元102的操作的一个示例的流程图。除了上述示例实施例中所描述的图8的流程图中的步骤S113和S115以外,图13中的流程图还包括步骤S111。
在步骤S111中,噪声去除单元112对测量数据执行噪声去除处理。然后,成像处理单元114对在步骤S111中进行了噪声去除处理的数据执行FFT处理,随后执行频率划分处理(步骤S113),并且将获取到的振动谱数据转换成图像,以便输出图像数据(步骤S115)。通过在步骤S115中获取的图像数据,由分析单元106使用图7中的步骤S103中的鉴别器110针对生产设施10执行状态分析处理。
如上所述,根据本示例实施例,经过噪声去除单元112的噪声去除处理的传感器12的测量数据被成像处理单元114转换成图像。通过该配置,根据本示例实施例,可以与上述示例实施例相似地提高机器学习处理或鉴别处理的速度,并且此外,由于噪声去除,测量数据的振动波形变得清楚,FFT处理和成像处理中的精度提高,并且测量数据的分析结果的精度和可靠性提高。
(第五示例实施例)
图14是示出了根据本示例实施例的分析装置100的逻辑配置的功能框图。与上述示例实施例相比,根据本示例实施例的分析装置100,除了包括了提取在生产设施10的状态分析处理中被鉴别为异常的数据并基于该数据来更新第一鉴别器124的第一第一鉴别模型128的配置这一点之外,与上述示例实施例相似。
分析装置100包括与图9的分析装置100相似的图像处理单元102、生成单元104、分析单元106、异常确定单元120,并且还包括提取单元140。
提取单元140使用第二鉴别器126来提取在状态分析处理中被确定为异常(“未知”)的数据。生成单元104接受基于提取到的数据的修正信息,并且更新第一鉴别器124的第一鉴别模型128。在本文中,修正信息包括包含彼此相关联的故障事件和振动特性的信息。
提取到的数据包括在由图像处理单元102执行成像处理之前从振动传感器接收的、并且与被转换成图像并被鉴别为“未知”的数据相关的原始振动波形数据,以及与原始振动波形数据有关的时间信息。由其被鉴别为“未知”的振动数据指示的振动可能是由生产设施10的尚未确定的故障事件引起的。
综上所述,操作者通过使用包括在设施监测系统1中的生产设施10的操作信息、状态信息、工件信息等,对提取到的振动数据连同时间信息一起进行手动分析,并且确定作为振动的原因的故障事件。
因此,分析装置100输出由提取单元140提取的数据,并且向操作者提供该数据。虽然想到了各种向操作者提供数据的方法,但是作为示例,数据可以显示在分析装置100的显示器上,可以从分析装置100向打印机打印出,或者可以经由通信线路发送到另一装置(例如,操作终端等)。
操作者通过使用操作屏幕等向分析装置100输入图15中的修正信息30,该修正信息包括操作者所确定的故障信息和彼此相关联的与相关振动有关的振动特性信息。生成单元104接受所输入的修正信息30,并且更新第一鉴别器124的第一鉴别模型128。
图16是示出了分析单元106的鉴别处理的详细流程的一个示例的流程图。分析单元106将图13中的步骤S115中输出的图像数据放入第二鉴别器126,并且针对生产设施10执行状态分析处理(步骤S401)。被第二鉴别器126鉴别为正常(步骤S401中的“正常”)的数据被传递到生成单元104,并且作为正常数据经过机器学习处理(步骤S403)。另一方面,分析单元106提取偏离第二鉴别器126的归一化的范围的数据(步骤S401中的“未知”)(步骤S405)。
注意,还可以通过使用图16中的流程来相似地处理在图8中的步骤S115中输出的图像数据。
图17是示出了使用在图16中的步骤S405中提取的数据的鉴别器的更新处理过程的一个示例的流程图。
首先,提取单元140输出在步骤S405中提取的数据(振动数据和时间信息)(步骤S411)。在此,例如,在分析装置100的显示器上显示数据。然后,操作者通过使用包括在设施监测系统1中的生产设施10的操作信息、状态信息、工件信息等,对在步骤S411中显示的振动数据和时间信息进行分析,并且确定成为振动的原因的故障事件。操作者准备包括所确定的彼此相关联的故障事件和相关的振动特性信息的信息,并且根据分析装置100的操作屏幕输入所准备的信息作为用于第一鉴别器124的阈值的修正信息。
生成单元104接受所输入的修正信息(步骤S413),并且通过使用所接受的修正信息来更新第一鉴别器124(步骤S415)。
具体地,将包括在所接受的修正信息中的振动特性信息和故障事件登记在第一鉴别模型128中,计算特定频率的峰值水平、最大峰值水平与平均峰值水平的比率、信噪比(S/N)、以及特定频率范围内的峰值水平的积分值中的至少任意一项,并且通过检测正常时间与异常时间之间的边界范围来设置阈值。备选地,操作者可以基于根据与所确定的故障事件相关的振动特性信息而计算的每个值来设置阈值,并且可以通过使用操作屏幕来输入阈值。
如上所述,根据本示例实施例,提取单元140提取第二鉴别器126的“未知”数据并向操作者提供该数据,并且生成单元104接受包括彼此相关联的由操作者分析的故障事件以及振动特性信息的修正信息,并且基于该修正信息来更新第一鉴别器124。以这种方式,根据本示例实施例,无法被第一鉴别器124鉴别的测量数据进一步经过第二鉴别器126的鉴别处理,被鉴别为“未知”的数据被提取并由操作者分析,并且其结果被反映在第一鉴别器124上。因此,可以提高异常确定处理的精度。
此外,使得第二鉴别器126仅在正常时间内执行信息的机器学习,并且因此,即使当制造条件总是流动的且关于故障事件的信息由于低产量和高混合生产、各种和波动的生产等而几乎不能累积时,也可以更新第一鉴别模型128。因此,可以提高生产设施10的异常状态的确定的精度。
(第五示例实施例的修改模式)
图14的分析装置100具有在图9中的分析装置100的配置中设置提取单元140的配置。其修改模式可以具有在图4中的分析装置100中设置提取单元140的配置。
分析装置100还包括异常确定单元120和提取单元140。异常确定单元120针对检测结果所指示的振动传感器的振动执行特性分析处理,并且通过使用阈值针对生产设施10执行异常确定处理。提取单元140提取在状态分析处理中被确定为不处于正常状态的生产设施10的数据。生成单元104接受基于提取到的数据的修正信息,并且更新阈值。修正信息包括包含彼此相关联的故障事件和振动特性的信息。
虽然已参考附图描述了本发明的示例实施例,但是示例实施例是对本发明的说明,并且可以采用除了上述之外的各种配置。
例如,图18是示出了当在图16中的状态分析处理的步骤S401中被鉴别为正常时的处理过程的一个示例的流程图,除了包括了使用被第二鉴别器126鉴别为正常的检测结果作为用于第二鉴别器126的训练数据的配置这一点以外,该示例实施例与上述示例实施例相似。
生成单元104通过使用在使用第二鉴别器126的状态分析处理中被确定为正常(在图16的步骤S401中为正常)的检测结果作为生产设施10的正常状态的训练数据(步骤S501),更新第二鉴别器126的第二鉴别模型130。
通过该配置,由生成单元104通过使用在使用第二鉴别器126的状态分析处理中被确定为正常的检测结果作为生产设施10的正常状态的训练数据来更新第二鉴别模型130。以这种方式,可以根据在第一鉴别器124的异常确定处理中无法鉴别的测量数据来生成正常状态的训练数据,可以更新第二鉴别模型130,可以提高第二鉴别器126的鉴别精度。
此外,除了根据上述示例实施例的第一鉴别器124和第二鉴别器126以外,分析装置100可以包括第三鉴别器(未示出)。图19是示出了分析装置100通过使用第三鉴别器来构建故障模型并识别故障事件的处理过程的一个示例的流程图。第三鉴别器获取被第一鉴别器124鉴别为正常的测量数据(步骤S601)。此外,第三鉴别器获取被第二鉴别器126鉴别为未知的测量数据(步骤S603)。然后,第三鉴别器执行数据的机器学习,并且构建故障事件被分类的模型(步骤S605)。注意,还可以对经过第三鉴别器的机器学习的每个测量数据执行上述示例实施例中描述的噪声去除处理和成像处理。
此外,第三鉴别器用于确定生产设施10中的传感器12的测量数据是正常还是异常,并且进一步识别异常情况下的故障事件(步骤S607)。
此外,多个传感器12的每个位置信息可以存储在设施信息24中,并且振动数据与位置信息之间的关系可以进一步经过机器学习并反映在分类模型202、第一鉴别模型128和第二鉴别模型130中的至少任意一个模型上。
此外,与多个传感器12的测量数据的测量条件(设施类型、环境(温度、湿度等)等有关的信息也可以存储在设施信息24中。将来自测量条件的具有关闭条件的测量数据、包括在生产设施10的操作信息中的操作状态和操作条件等分组,并且针对每个组对测量数据进行机器学习,并且被反映在分类模型202、第一鉴别模型128、第二鉴别模型130中的至少任意一个模型上。
[示例]
(示例1)
图20是用于描述根据示例1的分析装置的流程图。
首先,在从生产设施10中的传感器12输入振动数据时,异常确定单元120在第一鉴别器124中执行FFT处理(步骤S11)。此时,通过使用第一鉴别模型128来执行模式匹配处理,以确定振动特性。然后,第一鉴别器124在振动特性在阈值的范围内时确定为正常,并且在振动特性偏离阈值210的范围时确定为异常。异常确定单元120将其结果作为生产设施10(未图示)的异常确定结果输出到设施监测系统1。
此外,异常确定单元120提取在步骤S11中无法被第一鉴别器124鉴别为正常或无法被鉴别的数据(步骤S13),并且将该数据传递到分析单元106作为用于第二鉴别器126的机器学习处理的对象。
分析单元106对无法被第一鉴别器124鉴别的传感器12的测量数据执行噪声去除处理(步骤S15),频率分析测量数据,并将测量数据转换成图像(步骤S17)。分析单元106通过使用第二鉴别器126来鉴别转换成图像的数据(步骤S19),并且鉴别生产设施10的状态是否正常(步骤S21)。当状态被鉴别为正常时(步骤S21中为是),生成单元104对确定为正常的测量数据执行机器学习,并且更新第二鉴别器126的第二鉴别模型130(步骤S23)。
另一方面,当状态没有被鉴别为正常时(步骤S21中为否),提取单元140提取并输出鉴别为未知的测量数据(步骤S31)。操作者参考提取到的未知数据,对未知数据连同生产设施10的操作信息等一起进行分析,并且确定故障事件。然后,将包括彼此相关联的故障事件和振动特性的修正信息输入到分析装置100(步骤S33)。
生成单元104接受所输入的修正信息,并且基于所接受的修正信息来更新第一鉴别模型128和阈值(步骤S35)。
以这种方式,根据分析装置100,通过由第二鉴别器126对无法被第一鉴别器124确定为异常的测量数据执行机器学习来提取不正常的未知数据,通过由操作者对未知数据连同生产设施10的操作信息一起进行分析来确定故障事件,并且将包括彼此相关联的振动特性和故障事件的修正信息输入到分析装置100,并且由此,可以基于修正信息来更新第一鉴别模型128和第一鉴别器124的阈值。
(示例2)
图21是用于描述根据示例2的分析装置的流程图。
根据该示例的分析装置100除第一鉴别器124和第二鉴别器126之外还包括第三鉴别器200。
第三鉴别器200通过使用被第一鉴别器124鉴别为正常的测量数据且被第二鉴别器126鉴别为未知的测量数据来执行机器学习(步骤S41)。第二鉴别器126通过机器学习来构建正常和异常的分类模型202。分类模型202对故障事件进行分类。
第三鉴别器200可以通过使用分类模型202来鉴别测量数据是正常还是异常,并且还可以识别和确定故障事件。
虽然已参考示例实施例和示例描述了本发明,但是本发明不限于上述示例实施例和示例。在本发明的范围内,可以对本发明的配置和细节进行本领域技术人员可以理解的各种修改。
注意,在本发明中,在获取和使用与用户相关的信息时,应当依法进行。
上述示例实施例的全部或部分可以被描述为但不限于以下补充说明。
1、一种分析装置,包括:
图像处理单元,将设置在生产设施中的振动传感器的检测结果转换成图像;
生成单元,通过使用被转换成图像的数据作为用于机器学习处理的对象来生成鉴别器;以及
分析单元,通过使用鉴别器针对生产设施执行状态分析处理。
2、根据补充说明1所述的分析装置,还包括:
确定单元,针对检测结果所指示的振动传感器的振动执行特性分析处理,并且使用阈值针对生产设施执行异常确定处理;以及
提取单元,提取在状态分析处理中确定生产设施不处于正常状态的数据,其中,
生成单元接受基于提取到的数据的修正信息并更新阈值,以及
修正信息包括包含彼此相关联的故障事件和振动特性的信息。
3、一种分析装置,包括:
确定单元,基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对生产设施执行异常确定处理;
图像处理单元,将无法被第一鉴别器鉴别为正常或异常的检测结果转换成图像;
生成单元,通过使用转换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器;以及
分析单元,通过使用第二鉴别器针对生产设施执行状态分析处理。
4、根据补充说明3所述的分析装置,还包括:
提取单元,提取在状态分析处理中确定生产设施不处于正常状态的数据,其中,
生成单元接受基于提取到的数据的修正信息并更新第一鉴别器,以及
修正信息包括包含彼此相关联的故障事件和振动特性的信息。
5、根据补充说明1至4中的任一项所述的分析装置,其中,
生成单元使用在状态分析处理中被确定为正常的数据作为用于机器学习处理的训练数据。
6、根据补充说明1至5中的任一项所述的分析装置,还包括:
处理单元,对检测结果执行噪声去除处理,其中,
图像处理单元将处理单元执行噪声去除处理之后的检测结果转换成图像。
7、根据补充说明1至6中的任一项所述的分析装置,其中,
生产设施是传送带,以及
振动传感器是设置在传送带上的多个振动传感器。
8、一种由分析装置执行的分析方法,该方法包括:
将设置在生产设施中的振动传感器的检测结果转换成图像;
通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器;以及
通过使用鉴别器针对生产设施执行状态分析处理。
9、根据补充说明8所述的由分析装置执行的分析方法,该方法还包括:
针对检测结果所指示的振动传感器的振动执行特性分析处理,并且使用阈值针对生产设施执行异常确定处理;
提取在状态分析处理中确定生产设施不处于正常状态的数据;以及
接受基于提取到的数据的修正信息并更新阈值,其中,
修正信息包括包含彼此相关联的故障事件和振动特性的信息。
10、一种由分析装置执行的分析方法,该方法包括:
基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对生产设施执行异常确定处理;
将无法被第一鉴别器鉴别为正常或异常的检测结果转换成图像;
通过使用转换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器;以及
通过使用第二鉴别器针对生产设施执行状态分析处理。
11、根据补充说明10所述的由分析装置执行的分析方法,该方法还包括:
提取在状态分析处理中确定生产设施不处于正常状态的数据;以及
接受基于提取到的数据的修正信息并更新第一鉴别器,其中,
修正信息包括包含彼此相关联的故障事件和振动特性的信息。
12、根据补充说明8至11中的任一项所述的由分析装置执行的分析方法,该方法还包括:
使用在状态分析处理中被确定为正常的数据作为用于机器学习处理的训练数据。
13、根据补充说明8至12中的任一项所述的由分析装置执行的分析方法,该方法还包括:
对检测结果执行噪声去除处理;以及
将执行了噪声去除处理之后的检测结果转换成图像。
14、根据补充说明8至13中的任一项所述的分析方法,其中,
生产设施是传送带,以及
振动传感器是设置在传送带上的多个振动传感器。
15、一种程序,使得计算机执行:
将设置在生产设施中的振动传感器的检测结果转换成图像的过程;
通过使用转换成图像的数据作为用于机器学习处理的对象来生成鉴别器的过程;以及
通过使用鉴别器针对生产设施执行异常确定处理的过程。
16、根据补充说明15所述的程序,还使得计算机执行:
针对检测结果所指示的振动传感器的振动执行特性分析处理,并且使用阈值针对生产设施执行异常确定处理的过程;
提取在状态分析处理中确定生产设施不处于正常状态的数据的过程;以及
在生成的过程中,接受基于提取到的数据的修正信息并更新阈值的过程,其中,
修正信息包括包含彼此相关联的故障事件和振动特性的信息。
17、一种程序,使得计算机执行:
基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对生产设施执行异常确定处理的过程;
将无法被第一鉴别器鉴别为正常或异常的检测结果转换成图像的过程;
通过使用转换成图像的数据作为用于机器学习处理的对象来生成第二鉴别器的过程;以及
通过使用第二鉴别器针对生产设施执行状态分析处理的过程。
18、根据补充说明17所述的程序,还使得计算机执行:
提取在状态分析处理中确定生产设施不处于正常状态的数据的过程;以及
在生成的过程中,接受基于所提取的数据的修正信息并更新第一鉴别器的过程,其中,
修正信息包括包含彼此相关联的故障事件和振动特性的信息。
19、根据补充说明15至18中的任一项所述的程序,还使得计算机执行:
在生成的过程中,使用在状态分析处理中被确定为正常的数据作为用于机器学习处理的训练数据的过程。
20、根据补充说明15至19中的任一项所述的程序,还使得计算机执行:
对检测结果执行噪声去除处理的过程;以及
在转换成图像的过程中,将执行了噪声去除处理之后的检测结果转换成图像的过程。
21、根据补充说明15至20中的任一项所述的程序,其中,
生产设施是传送带,以及
振动传感器是设置在传送带上的多个振动传感器。
本申请基于并要求于2019年2月5日递交的日本专利申请No.2019-019068的优先权的权益,其公开内容通过引用整体并入本文中。
Claims (21)
1.一种分析装置,包括:
图像处理单元,将设置在生产设施中的振动传感器的检测结果转换成图像;
生成单元,通过使用转换成所述图像的数据作为用于机器学习处理的对象来生成鉴别器;以及
分析单元,通过使用所述鉴别器针对所述生产设施执行状态分析处理。
2.根据权利要求1所述的分析装置,还包括:
确定单元,针对由检测结果指示的所述振动传感器的振动执行特性分析处理,并且通过使用阈值针对所述生产设施执行异常确定处理;以及
提取单元,提取在所述状态分析处理中确定所述生产设施不处于正常状态的数据,其中,
所述生成单元接受基于提取到的数据的修正信息并更新所述阈值,以及
所述修正信息包括包含彼此相关联的故障事件和振动特性的信息。
3.一种分析装置,包括:
确定单元,基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对所述生产设施执行异常确定处理;
图像处理单元,将无法被所述第一鉴别器鉴别为正常或异常的检测结果转换成图像;
生成单元,通过使用转换成所述图像的数据作为用于机器学习处理的对象来生成第二鉴别器;以及
分析单元,通过使用所述第二鉴别器针对所述生产设施执行状态分析处理。
4.根据权利要求3所述的分析装置,还包括:
提取单元,提取在所述状态分析处理中确定所述生产设施不处于正常状态的数据,其中,
所述生成单元接受基于提取到的数据的修正信息并更新所述第一鉴别器,以及
所述修正信息包括包含彼此相关联的故障事件和振动特性的信息。
5.根据权利要求1至4中的任一项所述的分析装置,其中,
所述生成单元使用在所述状态分析处理中被确定为正常的数据作为用于机器学习处理的训练数据。
6.根据权利要求1至5中的任一项所述的分析装置,还包括:
处理单元,对所述检测结果执行噪声去除处理,其中,
所述图像处理单元将执行了所述处理单元的所述噪声去除处理之后的检测结果转换成图像。
7.根据权利要求1至6中的任一项所述的分析装置,其中,
所述生产设施是传送带,以及
所述振动传感器是设置在所述传送带上的多个振动传感器。
8.一种由分析装置执行的分析方法,所述方法包括:
将设置在生产设施中的振动传感器的检测结果转换成图像;
通过使用转换成所述图像的数据作为用于机器学习处理的对象来生成鉴别器;以及
通过使用所述鉴别器针对所述生产设施执行状态分析处理。
9.根据权利要求8所述的由分析装置执行的分析方法,所述方法还包括:
针对所述检测结果所指示的振动传感器的振动执行特性分析处理,并且通过使用阈值针对所述生产设施执行异常确定处理;
提取在所述状态分析处理中确定所述生产设施不处于正常状态的数据;以及
接受基于提取到的数据的修正信息并更新所述阈值,其中,
所述修正信息包括包含彼此相关联的故障事件和振动特性的信息。
10.一种由分析装置执行的分析方法,所述方法包括:
基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对所述生产设施执行异常确定处理;
将无法被所述第一鉴别器鉴别为正常或异常的检测结果转换成图像;
通过使用转换成所述图像的数据作为用于机器学习处理的对象来生成第二鉴别器;以及
通过使用所述第二鉴别器针对所述生产设施执行状态分析处理。
11.根据权利要求10所述的由分析装置执行的分析方法,所述方法还包括:
提取在所述状态分析处理中确定所述生产设施不处于正常状态的数据;以及
接受基于提取到的数据修正信息并更新所述第一鉴别器,其中,
所述修正信息包括包含彼此相关联的故障事件和振动特性的信息。
12.根据权利要求8至11中的任一项所述的由分析装置执行的分析方法,所述方法还包括:
使用在所述状态分析处理中被确定为正常的数据作为用于所述机器学习处理的训练数据。
13.根据权利要求8至12中的任一项所述的由所述分析装置执行的分析方法,所述方法还包括:
对所述检测结果执行噪声去除处理;以及
将执行了所述噪声去除处理之后的检测结果转换成图像。
14.根据权利要求8至13中的任一项所述的分析方法,其中,
所述生产设施是传送带,以及
所述振动传感器是设置在所述传送带上的多个振动传感器。
15.一种程序,使得计算机执行:
将设置在生产设施中的振动传感器的检测结果转换成图像的过程;
通过使用转换成所述图像的数据作为用于机器学习处理的对象来生成鉴别器的过程;以及
通过使用所述鉴别器针对所述生产设施执行异常确定处理的过程。
16.根据权利要求15所述的程序,还使得计算机执行:
针对所述检测结果所指示的所述振动传感器的振动执行特性分析处理,并且通过使用阈值针对所述生产设施执行异常确定处理的过程;
提取在状态分析处理中确定生产设施不处于正常状态的数据的过程;以及
在生成的过程中,接收基于提取到的数据的修正信息并更新阈值的过程,其中
所述修正信息包括包含彼此相关联的故障事件和振动特性的信息。
17.一种程序,使得计算机执行:
基于设置在生产设施中的振动传感器的检测结果,通过使用第一鉴别器针对所述生产设施执行异常确定处理的过程;
将无法被所述第一鉴别器鉴别为正常或异常的检测结果转换成图像的过程;
通过使用转换成所述图像的数据作为用于机器学习处理的对象来生成第二鉴别器的过程;以及
通过使用所述第二鉴别器针对所述生产设施执行状态分析处理的过程。
18.根据权利要求17所述的程序,还使得计算机执行:
提取在所述状态分析处理中确定所述生产设施不处于正常状态的数据的过程;以及
在生成的过程中,接受基于提取到的数据的修正信息并更新所述第一鉴别器的过程,其中,
所述修正信息包括包含彼此相关联的故障事件和振动特性的信息。
19.根据权利要求15至18中的任一项所述的程序,还使得计算机执行:
在生成的过程中,使用在所述状态分析处理中被确定为正常的数据作为用于机器学习处理的训练数据的过程。
20.根据权利要求15至19中的任一项所述的程序,还使得计算机执行:
对所述检测结果执行噪声去除处理的过程;以及
在转换成图像的过程中,将执行了所述噪声去除处理之后的检测结果转换成图像的过程。
21.根据权利要求15至20中的任一项所述的程序,其中,
所述生产设施是传送带,以及
所述振动传感器是设置在所述传送带上的多个振动传感器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019019068 | 2019-02-05 | ||
JP2019-019068 | 2019-02-05 | ||
PCT/JP2020/004042 WO2020162425A1 (ja) | 2019-02-05 | 2020-02-04 | 解析装置、解析方法、およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113383216A true CN113383216A (zh) | 2021-09-10 |
Family
ID=71947695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080012631.9A Pending CN113383216A (zh) | 2019-02-05 | 2020-02-04 | 分析装置、分析方法和程序 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP7188463B2 (zh) |
KR (1) | KR20210107844A (zh) |
CN (1) | CN113383216A (zh) |
TW (1) | TW202045898A (zh) |
WO (1) | WO2020162425A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022053036A (ja) * | 2020-09-24 | 2022-04-05 | 国立大学法人大阪大学 | 劣化状況予測システム、および劣化状況予測方法 |
JP2022113523A (ja) * | 2021-01-25 | 2022-08-04 | 株式会社日本製鋼所 | コンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
JP2000321176A (ja) * | 1999-05-17 | 2000-11-24 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
JP2008232708A (ja) * | 2007-03-19 | 2008-10-02 | Jfe Steel Kk | 劣化度診断方法、劣化度診断装置、および劣化診断プログラム |
CN102494882A (zh) * | 2011-11-30 | 2012-06-13 | 中国神华能源股份有限公司 | 矿用振动筛弹簧在线监测与故障诊断装置及其方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
JP2018178810A (ja) * | 2017-04-10 | 2018-11-15 | 株式会社デンソーテン | ノック制御装置、ノック適合方法およびノック適合プログラム |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011107093A (ja) | 2009-11-20 | 2011-06-02 | Jx Nippon Oil & Energy Corp | 振動体の異常診断装置及び異常診断方法 |
JP6877978B2 (ja) | 2016-12-06 | 2021-05-26 | 日本電気通信システム株式会社 | 学習装置、学習方法およびプログラム |
JP6988890B2 (ja) * | 2017-05-25 | 2022-01-05 | 日本電気株式会社 | 処理装置、処理方法及びプログラム |
-
2020
- 2020-02-04 JP JP2020571198A patent/JP7188463B2/ja active Active
- 2020-02-04 CN CN202080012631.9A patent/CN113383216A/zh active Pending
- 2020-02-04 KR KR1020217024139A patent/KR20210107844A/ko not_active Application Discontinuation
- 2020-02-04 WO PCT/JP2020/004042 patent/WO2020162425A1/ja active Application Filing
- 2020-02-05 TW TW109103484A patent/TW202045898A/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
JP2000321176A (ja) * | 1999-05-17 | 2000-11-24 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
JP2008232708A (ja) * | 2007-03-19 | 2008-10-02 | Jfe Steel Kk | 劣化度診断方法、劣化度診断装置、および劣化診断プログラム |
CN102494882A (zh) * | 2011-11-30 | 2012-06-13 | 中国神华能源股份有限公司 | 矿用振动筛弹簧在线监测与故障诊断装置及其方法 |
JP2018178810A (ja) * | 2017-04-10 | 2018-11-15 | 株式会社デンソーテン | ノック制御装置、ノック適合方法およびノック適合プログラム |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20210107844A (ko) | 2021-09-01 |
JPWO2020162425A1 (ja) | 2021-12-09 |
JP7188463B2 (ja) | 2022-12-13 |
WO2020162425A1 (ja) | 2020-08-13 |
TW202045898A (zh) | 2020-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2704073C2 (ru) | Способ и система для стадии обучения акустического или вибрационного анализа машины | |
EP2950177A1 (en) | Asset condition monitoring | |
EP3206003B1 (en) | System and method for detecting abnormality of rotating machines | |
JP7204626B2 (ja) | 異常検知装置、異常検知方法および異常検知プログラム | |
JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
US20160282224A1 (en) | Method and system for inspecting rotary machine component by using portable terminal | |
CN113383216A (zh) | 分析装置、分析方法和程序 | |
JP2019067197A (ja) | 故障予兆検知手法 | |
CN109992969B (zh) | 一种恶意文件检测方法、装置及检测平台 | |
CN113838480B (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
US20210224383A1 (en) | Abnormality detection device | |
US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
JP2008310623A (ja) | 状況解析システムおよび状況解析方法 | |
JPH11241945A (ja) | 異音検査装置 | |
WO2015011791A1 (ja) | 異常検知評価システム | |
CN113544486A (zh) | 故障诊断系统、预测规则生成方法及预测规则生成程序 | |
CN115525499A (zh) | 硬盘的数据分析方法、装置、电子设备及存储介质 | |
CN112532481B (zh) | 一种网络质量的监测分析方法、系统和存储介质 | |
CN115087853A (zh) | 振动处理装置、振动处理方法和程序 | |
CN112241792A (zh) | 信息处理方法以及信息处理系统 | |
KR20210014452A (ko) | 제조 공정 비정상 데이터 탐지 시스템 | |
JP4668092B2 (ja) | 学習能力評価装置、学習能力評価方法及び学習能力評価プログラム | |
JP2021089202A (ja) | 振動機械の異常診断装置、および、異常診断方法 |
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 |