CN114846315A - 异常诊断系统以及异常诊断方法 - Google Patents

Abstract

本发明提供一种能够抑制在实际上未发生设备异常时做出发生有设备异常这样的误诊断的异常诊断系统以及异常诊断方法。异常诊断系统(20)具有：采样部(21)，对表示设备的状态的时间序列数据进行采样，该时间序列数据重复与恒定的模式对应的模式；和运算部(24)，基于所采样的时间序列数据进行主成分分析来诊断设备的异常。运算部(24)对表示状态的时间序列数据中的一个模式进行第一主成分分析，基于其结果来进行第一异常有无判定，在第一异常有无判定为有异常的情况下，对表示状态的时间序列数据中的包含已进行第一主成分分析的模式在内的时间上连续的多个模式一并进行第二主成分分析，基于其结果进行第二异常有无判定，在第二异常有无判定为有异常的情况下诊断为设备异常。

Description

异常诊断系统以及异常诊断方法

技术领域

本发明涉及诊断具有设备驱动部的设备的异常的异常诊断系统以及异常诊断方法。

背景技术

以往，在具有液压装置以及电动机等设备驱动部的设备中，基于从设备驱动部得到的电流以及载荷等信号来进行设备的异常诊断。提出有在设备驱动部的动作为预先决定的恒定模式的重复动作的情况下，将主成分分析(以下也表述为PCA)用于异常诊断(例如专利文献1、2)。

例如，在定宽挤压(Sizing press)设备中，在被搬运的板坯的两侧配置侧压用的模具，从马达经由曲柄向模具传递动力来以恒定的周期对板坯进行侧压，对各材料收集此时反复出现的电流波形或者载荷波形，对各材料利用PCA对曲柄1个循环的电流波形或者载荷波形进行分析并提取异常波形。通过应用PCA，能够进行精度比单纯的上下限检查高的设备异常诊断。

专利文献1：日本专利第5991042号公报

专利文献2：日本特开2017-32567号公报

然而，在设备驱动部中存在如下情况，即、即使实际上设备未破损，也因某些原因而随机产生电流以及载荷等的波形变为极小的波形的现象。例如，在定宽挤压的操作中，有时由于由夹送辊滑移导致的材料的搬运不足等而不时地出现几乎没有载荷的波形。在发生了这种现象的情况下，即使实际上设备未破损也进行异常判定。

发明内容

因此，本发明的课题在于提供一种能够抑制在实际上未发生设备异常时做出发生有设备异常这样的误诊断的异常诊断系统以及异常诊断方法。

为了解决上述课题，本发明提供以下(1)～(10)。

(1)一种异常诊断系统，是进行设备的异常诊断的异常诊断系统，上述设备进行重复恒定的模式的动作，上述异常诊断系统的特征在于，具有：

采样部，对表示上述设备的状态的时间序列数据进行采样，上述时间序列数据重复与上述恒定的模式对应的模式；和

运算部，基于由上述采样部采样到的上述时间序列数据进行主成分分析来诊断上述设备的异常，

上述运算部构成为，

对表示上述状态的时间序列数据中的一个模式进行第一主成分分析，基于其结果进行第一异常有无判定，

在上述第一异常有无判定为有异常的情况下，对表示上述状态的时间序列数据中的包含已进行上述第一主成分分析的模式在内的在时间上连续的多个模式一并进行第二主成分分析，基于其结果进行第二异常有无判定，

在上述第二异常有无判定为有异常的情况下，诊断为设备异常。

(2)根据上述(1)所记载的异常诊断系统，其特征在于，

上述第一异常有无判定以及上述第二异常有无判定基于Q统计量而进行，上述Q统计量是根据上述第一主成分分析以及上述第二主成分分析的结果求出的。

(3)根据上述(1)或者(2)所记载的异常诊断系统，其特征在于，

在将上述运算部中的用于上述第一主成分分析的时间序列数据的采样点数设为N1点、将通过上述第一主成分分析进行的维度压缩设为k1维、将用于上述第二主成分分析的时间序列数据的采样点数设为N2点、将通过上述第二主成分分析进行的维度压缩设为k2维、将上述多个模式的数量设为M个，其中M≥2时，N2＜N1×M或者k2＜k1×M成立。

(4)根据上述(1)～(3)中的任一项所记载的异常诊断系统，其特征在于，

上述设备是由驱动马达驱动模具来对板坯进行减宽的定宽挤压设备，表示上述设备的状态的时间序列数据是驱动马达的电流波形或者上述模具的载荷波形。

(5)根据上述(4)所记载的异常诊断系统，其特征在于，

还具有数据预处理部，上述数据预处理部对由上述采样部采样到的上述时间序列数据进行包括使波形的高度归一化的处理以及根据减宽量进行分类的处理在内的预处理。

(6)一种异常诊断方法，是进行设备的异常诊断的异常诊断方法，上述设备进行重复恒定的模式的动作，上述异常诊断方法的特征在于，具有：

对表示上述设备的状态的时间序列数据进行采样的步骤，上述时间序列数据重复与上述恒定的模式对应的模式；

对表示上述状态的时间序列数据中的一个模式进行第一主成分分析的步骤；

根据上述第一主成分分析的结果进行第一异常有无判定的步骤；

在上述第一异常有无判定为有异常的情况下，对表示上述状态的时间序列数据中的包含已进行上述第一主成分分析的模式在内的在时间上连续的多个模式一并进行第二主成分分析的步骤；以及

根据上述第二主成分分析的结果进行第二异常有无判定的步骤，

在上述第二异常有无判定为有异常的情况下，诊断为设备异常。

(7)根据上述(6)所记载的异常诊断方法，其特征在于，

上述第一异常有无判定以及上述第二异常有无判定基于Q统计量而进行，上述Q统计量是根据上述第一主成分分析以及上述第二主成分分析的结果求出的。

(8)根据上述(6)或者(7)所记载的异常诊断方法，其特征在于，

在将用于上述第一主成分分析的时间序列数据的采样点数设为N1点、将基于上述第一主成分分析的维度压缩设为k1维、将用于上述第二主成分分析的时间序列数据的采样点数设为N2点、将基于上述第二主成分分析的维度压缩设为k2维、将上述多个模式的数量设为M个，其中M≥2时，N2＜N1×M或者k2＜k1×M成立。

(9)根据上述(6)～(8)中的任一项所记载的异常诊断方法，其特征在于，

上述设备是由驱动马达驱动模具来对板坯进行减宽的定宽挤压设备，表示上述设备的状态的时间序列数据是驱动马达的电流波形或者上述模具的载荷波形。

(10)根据上述(9)所记载的异常诊断方法，其特征在于，

还具有如下步骤，即、对在上述中采样到的上述时间序列数据进行包括使波形的高度归一化的处理以及根据减宽量进行分类的处理在内的预处理。

根据本发明，可以提供一种能够抑制在实际上未发生设备异常时做出发生有设备异常这样的误诊断的异常诊断系统以及异常诊断方法。

附图说明

图1是表示将一个实施方式所涉及的异常诊断系统用于定宽挤压设备的例子的示意图以及框图。

图2是表示提取异常波形时的样本波形的例子的图。

图3是用于对使用图2的样本波形进行的PCA进行说明的图。

图4是表示在一个实施方式所涉及的异常诊断系统中执行的异常诊断方法的流程图。

图5是对作为表示负荷的时间序列数据的载荷波形为正常波形的情况和为设备异常波形的情况进行比较表示的图。

图6是对作为表示负荷的时间序列数据的载荷波形全部为正常波形的情况和存在滑移发生波形的情况进行比较表示的图。

图7是表示包含1个循环(1波形)的滑移发生波形的情况下的循环数与Q统计量(均方误差)的关系的图。

具体实施方式

以下，参照附图对本发明的实施方式进行说明。

在本实施方式中，对将本发明应用于定宽挤压设备的异常诊断的情况进行说明。

图1是表示将一个实施方式所涉及的异常诊断系统用于定宽挤压设备的例子的示意图以及框图。

定宽挤压设备10是在连续铸造后的热轧生产线上对板坯11进行减宽(widthreduction)的设备。

定宽挤压设备10具有：一对模具2；入口侧夹送辊3以及出口侧夹送辊4；一对驱动马达5，与一对模具2的每一个对应设置，并驱动模具2；以及一对曲柄6，将模具2和驱动马达5分别相连。

在定宽挤压设备10中，板坯11由入口侧夹送辊3搬入至对置的一对模具2之间，由以从驱动马达5经由曲柄6传递的动力摆动的一对模具2进行减宽，由出口侧夹送辊4搬出。板坯11在被间歇地搬运的期间，由模具2以恒定的周期反复进行减宽，成为规定宽度的板坯。

异常诊断系统20是诊断定宽挤压设备10的设备异常的系统，具有采样部21、数据预处理部22、存储部23、运算部24以及输出部25。

采样部21是对表示设备的状态的时间序列数据进行采样的部件。在本实施方式中，时间序列数据表示由模具2对板坯11进行减宽时的驱动马达5的电流值以及模具2的载荷等负荷。作为用于得到时间序列数据的时间信息，能够使用曲柄角度信息。此时表示电流值以及载荷等负荷的时间序列数据是曲柄6的1个循环成为具有波峰的一个波形(模式)、且这种波形重复出现的数据。具体而言，是电流波形以及载荷波形。

数据预处理部22是对由采样部21采样到的数据进行预处理的部件。作为预处理，实施使与曲柄6的1个循环对应的波形的高度归一化的处理、根据减宽时的宽度缩小量(减宽量)对数据进行分类的处理。

存储部23存储预处理后的数据。在存储部23中存储有作为基准波形的表示预先求出的正常时的负荷的时间序列数据(正常波形)。

运算部24对存储于存储部23的预处理后的负荷的时间序列数据(电流值以及载荷)的波形使用主成分分析(PCA)来进行异常诊断。诊断结果输出至输出部25。

使用PCA的解析手法是从数个图形波形中提取形状与正常时的图形波形不同的图形波形(异常)的手法，在异常波形提取中，利用PCA和多变量统计过程管理手法。

图2是表示使用PCA提取异常波形时的样本波形的例子的图。图2的横轴为时间，纵轴为电力值以及载荷等负荷。在图2中，样本波形是作为正常状态的基准波形的波形P[1]、和作为异常状态的波形的波形P[2]这2个(波形数：P＝2)。对于这些波形P[1]、P[2]，在波形采集时间段以规定间隔采集N个样本(样本数：N)。例如，若在5秒钟的采集时间以100ms为周期进行采集，则样本数N为50。

在图3中示出对其用PCA进行解析的情况下的概念图，为了简单而示出数据的点数为2点的二维空间情况的图，相对于用数据的第一要素轴(X轴)和第二要素轴(Y轴)表示的空间上的点，将分散最大的轴设为第一主成分。另外，将与第一主成分正交的轴设为第二主成分并如图那样示出。在数据拥有3个以上的要素的多维的情况下，决定分散成为最大的第二主成分轴。在数据的要素有N点的情况下，能够计算最多到N个的主成分，对于第k主成分(k＜N)而言，将与第一～(k-1)主成分的正交轴中的分散成为最大的轴设为第k主成分。

在多变量统计过程管理中，评价Q统计量。Q统计量是各样本与主成分轴的距离的平方和(平方误差的和)，但在本实施方式中，优选为将该值除以样本数并进行标准化而得到的均方误差用作Q统计量。此时，若主成分数R为1，则仅用距第一主成分的距离评价Q统计量。由于异常的样本与主成分轴的距离较大，所以若存在异常的样本，则Q统计量增加，能够判定为Q统计量异常，能够掌握设备异常的可能性。例如，设定Q统计量的阈值，在Q统计量为其阈值以上的情况下，能够判定为存在设备异常的可能性。在图2的例子中，波形P[2]是包含异常样本的异常状态，所以Q统计量变大，判定为在Q统计量中有异常。

运算部24首先从存储于存储部23的预处理后的负荷的时间序列数据中提取曲柄1个循环的一个波形，对该波形进行PCA来求出Q统计量。并且，判定Q统计值有无异常。例如，在Q统计量比阈值大的情况下，判定为Q统计量异常。若在Q统计量中无异常，则向输出部25发送无异常的信号。另一方面，当在Q统计量中有异常的情况下，存在设备异常的可能性，但也可能存在后述的载荷消失的情况。因此，当在Q统计量中有异常的情况下，为了确认是哪一种情况，从存储部23提取包含上述一个波形在内的多个循环的连续的多个波形，对这些多个波形一并进行PCA，求出Q统计量。若在Q统计量中无异常，则向输出部25发送无异常的信号，若在Q统计量中有异常，则向输出部25发送有异常的信号。

接下来，对异常诊断系统20中的异常诊断方法进行说明。

图4是表示在异常诊断系统20中执行的异常诊断方法的流程图。

在定宽挤压设备10中，边间歇地搬运板坯11，边从驱动马达5经由曲柄6向模具2传递动力，由模具2对板坯11以恒定的周期进行减宽，进行定宽挤压。这样的定宽挤压对多个板坯11连续进行。

在异常诊断系统20中，根据表示进行定宽挤压时的驱动马达5的电流值以及模具2的载荷等负荷的时间序列数据，利用如下方法诊断定宽挤压设备10的异常。

首先，异常诊断系统20用采样部21对规定材料的板坯11的定宽挤压中的负荷的时间序列数据进行采样(步骤1)。

如上所述，表示负荷的时间序列数据是曲柄6的1个循环成为具有波峰的一个波形、且这种波形重复出现的数据。具体而言，这样的时间序列数据是驱动马达5的电流波形以及模具2的载荷波形。

接下来，异常诊断系统20利用数据预处理部22对已由采样部21采样的数据进行预处理(步骤2)。

作为数据的预处理，进行如上所述的使与曲柄6的1个循环对应的波形的高度归一化的处理、和根据减宽时的宽度缩小量(减宽量)对数据进行分类的处理。进行根据减宽时的宽度缩小量(减宽量)对数据进行分类的处理的原因在于，因宽度缩小量的不同，产生载荷的曲柄角度不同，产生波形的偏差。具体而言，宽度缩小量越小，产生载荷的时间点越晚。

这样的预处理后的数据存储于存储部23。

接下来，异常诊断系统20从存储于存储部23的该材料的板坯的预处理后的时间序列数据中，提取与曲柄6的1个循环对应的一个波形，对这一个波形进行PCA(步骤3)。

在步骤3中，将正常时的时间序列数据的波形(正常波形)用作基准波形来进行PCA，根据其结果，利用如上所述的多变量统计过程管理手法求出Q统计量。

接下来，判定Q统计量是否异常(步骤4)。例如，在Q统计量为阈值以上的情况下，判定为Q统计量异常。

在发生了设备异常的情况下，由于是不可逆的现象，所以如图5所示，作为表示负荷的时间序列数据的载荷波形成为在所有循环中与正常波形不同的设备异常波形。因此，若在相当于1个循环的一个波形中无异常，则能够视为无设备异常。这里，在图5中，横轴是相当于时间的曲柄角度。另外，纵轴是模具的载荷。以下说明的图6也相同。

另一方面，当在一个波形中进行PCA处理而Q统计量存在异常的情况下，不能够断定该异常是由设备异常导致的。即，在实际的定宽挤压的操作中，由于由夹送辊滑移导致的材料(板坯)的搬运不足等而使得载荷(负荷)几乎不起作用的现象(载荷消失)不时地发生。如图6所示，发生了滑移的循环的波形是与设备异常波形类似的滑移发生波形。表示负荷的时间序列数据亦即载荷波形是在正常波形中不时地插入滑移发生波形的状态。因此，在偶发地提取滑移发生波形来进行PCA的情况下，与设备异常时相同地Q统计量变大。在约10个循环中1～2个循环左右会发生这种载荷不起作用的现象，但不能够进行预测。

因此，当在步骤4中通过基于一个波形的PCA而判定为Q统计量异常的情况下，从存储于存储部23的该材料的板坯的预处理后的时间序列数据，提取包含步骤3的一个波形在内的多个循环的连续的多个波形，对多个波形进行PCA(步骤5)。

在步骤5中，将正常时的时间序列数据的波形(正常波形)用作基准波形，对多个循环的多个波形(时间上连续的多个模式)一并(同时)进行PCA，根据该结果，利用如上所述的多变量统计过程管理手法求出Q统计量。

若在步骤4中在Q统计量中无异常，则向输出部25发送无设备异常的信号。

接下来，判定在步骤5中求出的Q统计量是否异常(步骤6)。

如图5所示，当在步骤4中判定出的异常为设备异常的情况下，在所有循环中载荷波形和正常波形不同，所以当在步骤5中执行多个波形的PCA时，Q统计量(均方误差)是和执行一个波形PCA时相同的值。

另一方面，当在步骤4中判定出的基于一个波形的PCA的异常是10个循环中1～2个循环左右零散地发生的由夹送辊滑移导致的载荷消失的情况下，多个循环的多个波形中的除滑移发生波形以外的其他波形如图6所示是几乎正常波形，所以Q统计量比有设备异常的情况变小。

即，通过对多个循环的多个波形一并执行PCA来求出Q统计量，从而能够区别步骤4中执行一个波形的PCA时的Q统计量的异常是由设备异常导致的还是由零散的载荷消失导致的。

因此，在步骤6中，根据Q统计量，能够判定是设备异常还是非设备异常。在Q统计量异常的情况下，例如，在Q统计量为阈值以上的情况下诊断为有设备异常。在Q统计量非异常的情况下，例如，在Q统计量不足阈值的情况下诊断为无设备异常。

这里，将在第一主成分分析中使用的一个模式的时间序列数据的采样点数设为N1点，将通过第一主成分分析进行的维度压缩后的维度设为k1维。另外，将在第二主成分分析中使用的多个模式的时间序列数据的采样点数设为N2点，将通过第二主成分分析进行的维度压缩后的维度设为k2维，将多个模式的模式数量设为M(M≥2)，即将在第一主成分分析中使用的相当于1个循环的波形设为M波形。此时，在第二主成分分析中，与1个循环的波形的紊乱相比，M波形的时间序列信号的特征变得更重要，所以优选以N2＜N1×M或者k2＜k1×M的关系成立的方式取得数据。

通过这样的数据的取得，当在一个模式的异常诊断中进行利用一个模式的详细数据的异常诊断、利用多个模式进行异常诊断的情况，能够某种程度地保存一个波形的特征，同时保存作为M波形的数据的形状。由此，能够抑制计算负荷，并且兼得一个模式的评价和M模式的波形的评价。另外，相对于在第一异常有无判定中能够检测一个模式的波形的微小紊乱，在第二异常有无判定中能够进行将焦点放在波形的紊乱的重复性以及波形出现的偏移(时间延迟)等的检测，能够进行高精度并且高可靠性的异常检测。

图7是表示包含1个循环(1波形)的滑移发生波形的情况下的循环数与Q统计量(均方误差)的关系的图，如该图所示，可知用于PCA的计算的循环数(即波形的数量)越增加，Q统计量(均方误差)的值越小，越容易区别设备异常和载荷消失。例如，Q统计量(均方误差)为10000以上则能够判断为设备异常，不足10000则能够判断为由滑移导致的载荷消失。另外，根据图7，可知若为3个循环以上(波形的数量为3以上)，则更加容易区别设备异常与由滑移导致的载荷消失。

如以上那样，根据本实施方式，在诊断定宽挤压设备10的异常的异常诊断系统20中，能够抑制在实际上未发生设备异常时做出发生有设备异常这样的误诊断。因此，能够减少伴随误诊断的设备的停止等，能够抑制生产效率的降低。

另外，通过预处理部22，作为预处理，除使与曲柄6的1个循环对应的波形的高度归一化的处理之外，进行根据减宽时的宽度缩小量(减宽量)对数据进行分类的处理，因此能够抑制由宽度缩小量(减宽量)导致的波形的偏差。

以上，对本发明的一个实施方式进行了说明，但本发明并不限定于上述实施方式，能够在本发明的思想范围内进行各种变形。例如，在上述实施方式中，将本发明应用于定宽挤压设备的异常检测，但只要是设备驱动部的动作重复恒定模式的设备，就能够应用。另外，作为表示负荷的时间序列数据的重复模式，示出了波形的例子，但并不限定于此。另外，作为表示负荷的时间序列数据，例示了电流或者载荷，但并不限定于此。

附图标记说明

2…模具；3…入口侧夹送辊；4…出口侧夹送辊；5…驱动马达；6…曲柄；10…定宽挤压设备；11…板坯；20…异常诊断系统；21…采样部；22…数据预处理部；23…存储部；24…运算部；25…输出部

Claims (10)

1.一种异常诊断系统，是进行设备的异常诊断的异常诊断系统，所述设备进行重复恒定的模式的动作，所述异常诊断系统的特征在于，具有：

采样部，对表示所述设备的状态的时间序列数据进行采样，所述时间序列数据重复与所述恒定的模式对应的模式；和

运算部，基于由所述采样部采样到的所述时间序列数据进行主成分分析来诊断所述设备的异常，

所述运算部构成为，

对表示所述状态的时间序列数据中的一个模式进行第一主成分分析，基于其结果进行第一异常有无判定，

在所述第一异常有无判定为有异常的情况下，对表示所述状态的时间序列数据中的包含已进行所述第一主成分分析的模式在内的在时间上连续的多个模式一并进行第二主成分分析，基于其结果进行第二异常有无判定，

在所述第二异常有无判定为有异常的情况下，诊断为设备异常。

2.根据权利要求1所述的异常诊断系统，其特征在于，

所述第一异常有无判定以及所述第二异常有无判定基于Q统计量而进行，所述Q统计量是根据所述第一主成分分析以及所述第二主成分分析的结果求出的。

3.根据权利要求1或2所述的异常诊断系统，其特征在于，

在将所述运算部中的用于所述第一主成分分析的时间序列数据的采样点数设为N1点、将通过所述第一主成分分析进行的维度压缩设为k1维、将用于所述第二主成分分析的时间序列数据的采样点数设为N2点、将通过所述第二主成分分析进行的维度压缩设为k2维、将所述多个模式的数量设为M个，其中M≥2时，N2＜N1×M或者k2＜k1×M成立。

4.根据权利要求1～3中的任一项所述的异常诊断系统，其特征在于，

所述设备是由驱动马达驱动模具来对板坯进行减宽的定宽挤压设备，表示所述设备的状态的时间序列数据是驱动马达的电流波形或者所述模具的载荷波形。

5.根据权利要求4所述的异常诊断系统，其特征在于，

还具有数据预处理部，所述数据预处理部对由所述采样部采样到的所述时间序列数据进行包括使波形的高度归一化的处理以及根据减宽量进行分类的处理在内的预处理。

6.一种异常诊断方法，是进行设备的异常诊断的异常诊断方法，所述设备进行重复恒定的模式的动作，所述异常诊断方法的特征在于，具有：

对表示所述设备的状态的时间序列数据进行采样的步骤，所述时间序列数据重复与所述恒定的模式对应的模式；

对表示所述状态的时间序列数据中的一个模式进行第一主成分分析的步骤；

根据所述第一主成分分析的结果进行第一异常有无判定的步骤；

在所述第一异常有无判定为有异常的情况下，对表示所述状态的时间序列数据中的包含已进行所述第一主成分分析的模式在内的在时间上连续的多个模式一并进行第二主成分分析的步骤；以及

根据所述第二主成分分析的结果进行第二异常有无判定的步骤，

在所述第二异常有无判定为有异常的情况下，诊断为设备异常。

7.根据权利要求6所述的异常诊断方法，其特征在于，

所述第一异常有无判定以及所述第二异常有无判定基于Q统计量而进行，所述Q统计量是根据所述第一主成分分析以及所述第二主成分分析的结果求出的。

8.根据权利要求6或7所述的异常诊断方法，其特征在于，

在将用于所述第一主成分分析的时间序列数据的采样点数设为N1点、将通过所述第一主成分分析进行的维度压缩设为k1维、将用于所述第二主成分分析的时间序列数据的采样点数设为N2点、将通过所述第二主成分分析进行的维度压缩设为k2维、将所述多个模式的数量设为M个，其中M≥2时，N2＜N1×M或者k2＜k1×M成立。

9.根据权利要求6～8中的任一项所述的异常诊断方法，其特征在于，

所述设备是由驱动马达驱动模具来对板坯进行减宽的定宽挤压设备，表示所述设备的状态的时间序列数据是驱动马达的电流波形或者所述模具的载荷波形。

10.根据权利要求9所述的异常诊断方法，其特征在于，

还具有如下步骤，即、对在上述步骤中采样到的所述时间序列数据进行包括使波形的高度归一化的处理以及根据减宽量进行分类的处理在内的预处理。

Images