CN114902060A - 机器学习装置及机器学习方法 - Google Patents
机器学习装置及机器学习方法 Download PDFInfo
- Publication number
- CN114902060A CN114902060A CN202080091768.8A CN202080091768A CN114902060A CN 114902060 A CN114902060 A CN 114902060A CN 202080091768 A CN202080091768 A CN 202080091768A CN 114902060 A CN114902060 A CN 114902060A
- Authority
- CN
- China
- Prior art keywords
- alarm
- motor
- machine learning
- cause
- learning
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K11/00—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection
- H02K11/20—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection for measuring, monitoring, testing, protecting or switching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
机器学习装置(1)对电动机驱动装置(2)的警报原因进行学习,该机器学习装置(1)具有:状态观测部(10),其取得包含从电动机驱动装置(2)取得的从电动机检测出的电流检测值、对电动机的转速进行指定的速度指令值、输出至电动机的输出电压值、电动机的速度推定值及电动机的速度检测值中的至少1者在内的特征量而作为状态变量,取得与特征量对应的警报原因而作为标签数据;以及学习部(11),其生成学习模型,该学习模型用于根据基于状态变量及标签数据的组合创建的数据集对与新的特征量对应的新的警报原因进行推定。
Description
技术领域
本发明涉及对驱动电动机的电动机驱动装置的警报原因进行学习的机器学习装置及机器学习方法。
背景技术
对电动机进行驱动的电动机驱动装置在成为警报状态的情况下,在确定了警报原因的基础上,进行电动机驱动装置的参数的变更、具有电动机驱动装置的系统的调整等。
专利文献1所记载的故障诊断装置将电动机驱动装置的故障时刻的数据等作为状态变量进行观测,取得表示对电动机驱动装置进行了修理的部件的修理部件数据等而作为标签数据,对状态变量与标签数据之间的关联性进行学习。该故障诊断装置使用学习结果,对电动机驱动装置的哪个部位产生了故障进行推定。
专利文献1:日本特开2019-144174号公报
发明内容
但是,在上述专利文献1的技术中,由于对部件产生了故障的情况下的故障部位进行学习,因此能够对部件产生故障那样的情况下的故障原因进行推定,但无法对不是由于部件等的物理故障而是由于使用方式的问题而产生的警报原因进行推定。
本发明就是鉴于上述问题而提出的,其目的在于得到如下机器学习装置,该机器学习装置能够生成用于对由于使用方式的问题而产生的警报原因进行推定的学习模型。
为了解决上述课题,达成目的,本发明的对驱动电动机的电动机驱动装置的警报原因进行学习的机器学习装置具有状态观测部、学习部。状态观测部取得从电动机驱动装置取得的特征量而作为状态变量,取得与特征量对应的警报原因而作为标签数据。特征量包含从电动机检测出的电流检测值、对电动机的转速进行指定的速度指令值、输出至电动机的输出电压值、表示电动机的推定出的转速的速度推定值及表示电动机的检测出的转速的速度检测值中的至少1者。学习部生成学习模型,该学习模型用于根据基于状态变量及标签数据的组合创建的数据集对与新的特征量对应的新的警报原因进行推定。
发明的效果
本发明涉及的机器学习装置取得下述效果,即,能够生成用于对由于使用方式的问题而产生的警报原因进行推定的学习模型。
附图说明
图1是用于说明由实施方式涉及的机器学习装置进行的学习阶段的处理的图。
图2是用于说明由实施方式涉及的机器学习装置进行的推定阶段的处理的图。
图3是表示实施方式涉及的机器学习装置所使用的决定树的概略结构例的图。
图4是用于说明实施方式涉及的机器学习装置所使用的梯度增强的图。
图5是用于说明实施方式涉及的机器学习装置所使用的随机森林的图。
图6是表示实施方式涉及的机械学习装置的结构的图。
图7是用于说明实施方式涉及的机器学习装置所使用的警报原因的例子的图。
图8是用于说明由实施方式涉及的机器学习装置进行的警报原因的推定的处理流程的流程图。
图9是表示实现实施方式涉及的机器学习装置的硬件结构例的图。
具体实施方式
下面,基于附图对本发明的实施方式涉及的机器学习装置及机器学习方法进行详细的说明。此外,本发明并不限于该实施方式。
实施方式
图1是用于说明由实施方式涉及的机器学习装置进行的学习阶段的处理的图。图2是用于说明由实施方式涉及的机器学习装置进行的推定阶段的处理的图。
机器学习装置1对驱动电动机的电动机驱动装置的状态进行学习。机器学习装置1是通过人工智能(AI:Artificial Intelligence)技术,对电动机驱动装置所产生的警报的产生原因(下面,称为警报原因)进行推定,将警报原因、解除警报原因的参数等向作业者通知的计算机。
如图1所示,机器学习装置1在学习阶段取得表示产生了警报的电动机驱动装置的状态的信息。表示产生了警报的电动机驱动装置的状态的信息为警报原因32A及驱动数据特征量31A。
驱动数据特征量31A是电动机驱动装置从在学习阶段的警报产生时由电动机驱动装置取得的物理量提取出的特征量。警报原因32A是学习阶段的警报原因,与驱动数据特征量31A对应。警报原因32A由作业者等设定。
机器学习装置1作为电动机驱动装置的状态对表示警报原因32A和驱动数据特征量31A之间的关系的学习模型进行学习。换言之,机器学习装置1对与驱动数据特征量31A对应的警报原因32A进行学习。
如图2所示,机器学习装置1在推定阶段,使用学习模型,根据表示产生了警报的电动机驱动装置的状态的驱动数据特征量31B,对表示产生了警报的电动机驱动装置的状态的警报原因32B进行推定。另外,机器学习装置1在推定阶段取得设计内数据33。
驱动数据特征量31B是电动机驱动装置从在学习阶段的警报产生时由电动机驱动装置取得的物理量提取出的特征量。警报原因32B是推定阶段的警报原因,与驱动数据特征量31B对应。通过将驱动数据特征量31B应用于学习模型,从而导出警报原因32B。
此外,在下面的说明中,在不需要对驱动数据特征量31A、31B进行区分的情况下,有时将驱动数据特征量31A、31B中的至少一者称为特征量或驱动数据特征量。另外,在不需要对警报原因32A、32B进行区分的情况下,有时将警报原因32A、32B中的至少一者称为警报原因。
例如在警报产生时通过电动机驱动装置取得驱动数据特征量31A、31B。在由电动机驱动装置取得的物理量中,包含电流检测值、速度指令值、输出电压值及速度推定值中的至少1者。此外,电动机驱动装置也可以替代速度推定值而取得速度检测值,或与速度推定值一起取得速度检测值。驱动数据特征量31A、31B包含电流检测值的特征量、速度指令值的特征量、输出电压值的特征量、速度推定值的特征量及速度检测值的特征量中的至少1者。
各物理量的特征量为各物理量的最大值、最小值、峰值、平均值等。由电动机驱动装置取得的物理量例如通过波形数据表示。
电流检测值是在对电动机进行驱动时从电动机检测出的电流值,速度指令值是对电动机的转速进行指定的指令值。输出电压值是在对电动机进行驱动时输出至电动机的电压值,速度推定值是在对电动机进行驱动时推定出的电动机的转速。基于各种指令值、检测值等对速度推定值进行推定。速度检测值是在对电动机进行驱动时检测出的电动机的转速。
设计内数据33包含设定于电动机驱动装置的参数设定值、电动机驱动装置的驱动状况及将从电动机驱动装置输出的电力放大的放大器的内部数据中的至少1者。参数设定值的例子为电动机转矩的提升设定值。驱动状况的例子为电动机的控制周期。放大器的内部数据的例子为开关桥臂的桥臂数量。
警报具有过电流、过电压、过速度、电动机过热、逆变器过热等。过电流是指流过电动机的电流超过允许电流,过电压是指施加于放大器的电压超过允许电压。过速度是指电动机的转速超过允许速度。电动机过热是指电动机的温度超过允许温度,逆变器过热是指对电动机赋予电压的逆变器电路超过允许温度。
这里,对由机器学习装置1执行的机器学习进行说明。机器学习装置1从输入至机器学习装置1的数据的集合,通过解析而提取存在于集合中的有用的规则、知识表现、判断基准等,将提取结果输出,并且进行知识的学习,由此实现机器学习。机器学习的方法是各种各样的,大致分为“有教师学习”、“无教师学习”、“强化学习”。
本实施方式的机器学习装置1采用“有教师学习”的算法。机器学习装置1在执行“有教师学习”时,大量取得某种输入和结果(后述的标签数据)的数据集,对这些数据集具有的特征进行学习。而且,机器学习装置1获得根据输入对结果进行推定的模型(下面,称为学习模型),即输入和结果之间的关联性。机器学习装置1使用后述的极端梯度增强等算法而实现根据输入对结果进行推定的学习模型。
机器学习装置1能够进行基于明示的数据的学习,通过执行能够基于学习结果对电动机驱动装置的警报原因进行判定的有教师学习,从而对特征量与警报原因之间的相关性进行学习。
由进行有教师学习的机器学习装置1进行的处理能够分为学习阶段和推定阶段这两个阶段。机器学习装置1在学习阶段中,基于包含用作输入数据的状态变量的值、用作输出数据的目的变量的值在内的教师数据,对特征量和警报原因之间的相关性进行学习。机器学习装置1如果被赋予了教师数据,则进行以下学习,即,在被输入了状态变量的值时,基于学习得到的相关性对目的变量的值进行输出。机器学习装置1通过大量赋予教师数据,从而对用于输出与状态变量的值对应的目的变量的值的推定模型即学习模型进行构建。
状态变量为驱动数据特征量31A或驱动数据特征量31B,目的变量为警报原因32A或警报原因32B。在状态变量为驱动数据特征量31A的情况下,目的变量为警报原因32A,在状态变量为驱动数据特征量31B的情况下,目的变量为警报原因32B。
状态变量的例子为电流检测值的特征量、速度指令值的特征量等。目的变量的值例如是表示“电动机的加速时间对于负载来说被设定得短”的值。
这样,学习阶段的机器学习装置1如果被赋予了教师数据(特征量和警报原因的组)即状态变量,则对表现特征量和警报原因之间的相关性的学习模型进行学习。
推定阶段的机器学习装置1如果被新输入了状态变量的值,则使用学习模型,输出与新的状态变量对应的目的变量的值。具体而言,如图2所示,机器学习装置1对新的状态变量的值即新的驱动数据特征量31B进行接收(st1)。然后,机器学习装置1基于新的状态变量的值即新的驱动数据特征量31B、训练好的学习模型,对新的目的变量的值即新的警报原因32B进行推定(st2),输出至显示装置(未图示)等。
此外,在特征量中也可以包含在正常时由电动机驱动装置提取出的特征量。在该情况下,没有与正常时的特征量对应的警报原因。
另外,机器学习装置1具有学习模型的校正部即独自推断部14。独自推断部14从学习模型对通过有教师学习得到的推定结果即警报原因32B进行接收(st3)。另外,独自推断部14从电动机驱动装置等对电动机驱动装置产生警报时的取得数据即设计内数据33进行接收(st4)。
独自推断部14基于从学习模型接收到的警报原因32B、从电动机驱动装置接收到的设计内数据33,对推定结果即警报原因32B进行校正,由此使由机器学习得到的推定结果的精度高。具体而言,独自推断部14基于警报原因32B和设计内数据33对警报原因32B进行校正,输出校正后的警报原因即警报原因32C(st5)。
独自推断部14对推定结果即警报原因32B进行校正,从而机器学习装置1针对在状态变量中难以表现出特征的警报原因也能够高精度地进行推定。在状态变量中难以表现出特征的警报原因32B的例子为参数设定值的误设定等。
此外,在设计内数据33中也可以包含表示参数设定值中的在异常运转前被变更的参数设定值的变更信息。在该情况下,独自推断部14基于变更信息,对由学习模型推定出的警报原因进行校正。
由此,在警报原因是由作业者造成的错误的参数设定值的设定的情况下,机器学习装置1能够容易地对警报原因进行确定。即使警报原因是参数设定值的误设定,如果设计内数据33包含变更信息,则独自推断部14也能够掌握是哪个参数设定值在异常运转前被变更,因此能够提高针对误设定的警报原因的确定精度。
另外,机器学习装置1也可以在使与变更信息的参数设定值对应的警报原因的权重增加的基础上对学习模型进行生成或更新。另外,机器学习装置1也可以在异常产生后,通过参数设定值的变更解除了异常的情况下,对学习模型进行生成或更新。
另外,机器学习装置1也可以将由独自推断部14校正后的推定结果的值作为误差变量存储起来,基于该误差变量,对学习模型进行校正。在该情况下,机器学习装置1对学习模型进行校正,以使得学习模型能够计算出与通过独自推断部14校正后的推定结果相同的推定结果。换言之,机器学习装置1对学习模型进行校正,以使得即使在没有由独自推断部14实现的校正的情况下,学习模型也能够计算出与独自推断部14进行修正的情况相同的推定结果。
机器学习装置1通过使用了决定树的树构造的分类,从状态变量得到目的变量。图3是表示实施方式涉及的机器学习装置所使用的决定树的概略结构例的图。机器学习装置1通过对决定树40A的树构造的深度进行调整而对学习结果进行调整。决定树40A为回归树,示出如何对输入的特征量进行条件分支,才会到达作为正解的标签数据。
在决定树40A中,对于状态变量即输入数据41,在第1层的条件分支中对是否是x1>0进行判定。在第1层,如果输入数据41是x1>0,则在第2层的条件分支中对是否是x2>0进行判定,如果输入数据41是x1≤0,则在第2层的条件分支中对是否是x3>0进行判定。
在第2层,如果输入数据41是x2>0,则输入数据41回归至数据y1,如果输入数据41是x2≤0,则输入数据41回归至数据y2。
在第2层,如果输入数据41是x3>0,则输入数据41回归至数据y3,如果输入数据41是x3≤0,则输入数据41回归至数据y4。
在该情况下,例如,数据y2为输出数据45。即,数据y2为目的变量(标签数据)。机器学习装置1通过设定出能够使状态变量回归至数据y2的决定树40A而生成学习模型。
另外,作为将决定树用于有教师学习的方法的应用,机器学习装置1也可以使用极端梯度增强(XGBoost:eXtreme Gradient Boosting)这样的方法。极端梯度增强为将梯度增强(Gradient Boosting)和随机森林(Random Forests)组合在一起的集成学习。
图4是用于说明实施方式涉及的机器学习装置所使用的梯度增强的图。梯度增强是以使弱学习器(层浅的决定树等)的推定结果与正解信息之间的误差最小的方式进行学习的方法。仅通过决定树40A这样的弱学习器,在由决定树40A得到的推定结果即输出数据45和实际的正解信息(标签数据)之间产生误差。
机器学习装置1在使用梯度增强的情况下,将此时的误差作为目的变量进行学习,对弱学习器进行校正,由此使精度提高。机器学习装置1例如通过将决定树40A校正为决定树40B,从而使输出数据45和实际的正解信息之间的误差减小。
机器学习装置1例如通过对将决定树40A中的作为第1层的条件分支的x1>0校正为x4>0,将作为第2层的条件分支的x2>0校正为x5>0的决定树40B进行设定,从而从决定树40A生成决定树40B。之后,机器学习装置1生成将决定树40B中的作为第1层的条件分支的x4>0校正为其它分支条件,将作为第2层的条件分支的x5>0校正为其它分支条件的新的决定树。
机器学习装置1重复进行生成对分支条件进行了校正的新的决定树的处理,以使得输出数据45和实际的正解信息之间的误差减小。由此,机器学习装置1能够得到输出数据45和实际的正解信息之间的差异小的决定树。
以使从生成的决定树输出的输出数据45与实际的正解信息之间的误差无限地变为最小的方式,多次进行误差的学习而使弱学习器的精度提高的方法为梯度增强,与决定树有关的梯度增强称为梯度增强树(Gradient Tree Boosting)。
图5是用于说明实施方式涉及的机器学习装置所使用的随机森林的图。机器学习装置1在使用随机森林的情况下,使用多个上述决定树,采取多数决定原则,从而实现推定结果的精度提高。在图5中,对机器学习装置1使用决定树51~54这4个的情况进行说明。决定树51~54为与决定树40A相同的决定树。
机器学习装置1在使用随机森林的情况下,进行多次随机地取得输入数据41,对决定树进行创建这样的动作,由此对决定树51~54进行创建。由此,机器学习装置1通过使用决定树51~54,从而能够对各种模式的分类方法进行选择,因此与通过单一的决定树进行分类相比推定结果变为高精度。机器学习装置1对输入数据41应用决定树51~54,将决定树51~54中的基于多数决定原则的结果作为输出数据45进行输出。
此外,机器学习装置1作为有教师学习的算法,也可以使用最小二乘法、逐步法、SVM(支持向量机:Support Vector Machine)、神经网络等任意的有教师学习算法。由于这些其它有教师学习、上述使用决定树的学习等各有教师学习算法是公知的,因此省略上述各算法的详细的说明。
这里,对机器学习装置1的具体的结构、警报原因的推定处理流程进行说明。图6是表示实施方式涉及的机器学习装置的结构的图。机器学习装置1连接于电动机驱动装置2及警报管理装置6。机器学习装置1从电动机驱动装置2取得驱动数据特征量,从警报管理装置6取得警报原因等信息。
机器学习装置1例如被作为与电动机驱动装置2连接的计算机等信息处理装置而安装。机器学习装置1具有状态观测部10、学习部11、学习结果存储部12、警报推定部13、独自推断部14、模型更新部15、推定结果输出部16。
电动机驱动装置2为对未图示的电动机进行驱动的装置。电动机驱动装置2具有数据取得部21、特征量提取部22、非易失性存储器23。警报管理装置6为对由作业者输入的警报原因进行接收的装置。警报管理装置6具有输入部61、存储部62、输出部63。
电动机驱动装置2的数据取得部21从放大器等取得电流检测值、速度指令值、输出电压值、速度推定值等物理量(表示物理量的数据),发送至特征量提取部22。数据取得部21与警报产生时的物理量一起,取得警报产生日期时间、警报的名称、警报内容。另外,数据取得部21从电动机驱动装置2内取得设计内数据,储存于非易失性存储器23。
特征量提取部22从由数据取得部21取得的物理量提取驱动数据特征量。特征量提取部22可以使用通常的统计方法将驱动数据特征量数值化,也可以通过卷积降低维度而提取驱动数据特征量。
非易失性存储器23对由特征量提取部22提取出的驱动数据特征量进行存储。具体而言,非易失性存储器23对将驱动数据特征量、警报产生日期时间、警报的名称、警报内容相关联后的特征信息进行存储。另外,非易失性存储器23对将设计内数据、警报产生日期时间、警报的名称、警报内容相关联后的设计内信息进行存储。
非易失性存储器23具有将包含驱动数据特征量的特征信息输出至机器学习装置1及警报管理装置6的功能。另外,非易失性存储器23具有将包含设计内数据的设计内信息输出至机器学习装置1的功能。此外,非易失性存储器23也可以是配置于电动机驱动装置2外部的云服务器。
警报管理装置6的输入部61从非易失性存储器23读出包含驱动数据特征量的特征信息。此外,驱动数据特征量也可以由非易失性存储器23发送至输入部61。
另外,警报管理装置6的输入部61对由作业者输入的警报原因及警报原因解除参数进行接收。警报原因解除参数是使警报得到解除的原因的参数。换言之,警报原因解除参数是为了解除警报而应该由作业者执行的措施。
作业者一边参照由警报管理装置6存储的特征信息,一边将警报原因及警报原因解除参数输入至输入部61。输入部61使将警报原因、警报原因解除参数、对警报进行识别的信息相关联后的警报信息存储于存储部62。对警报进行识别的信息即警报识别信息的例子为特征信息所包含的警报产生日期时间。
存储部62是对警报信息进行存储的存储器等。输出部63将由存储部62存储的警报信息发送至状态观测部10。此外,机器学习装置1也可以从存储部62读出警报信息。
状态观测部10通过从非易失性存储器23读出包含驱动数据特征量的特征信息,从而将驱动数据特征量作为状态变量进行观测。此外,也可以是非易失性存储器23将特征信息发送至状态观测部10。
另外,状态观测部10从警报管理装置6读出与驱动数据特征量对应的警报信息。此时,状态观测部10从警报管理装置6读出与特征信息所包含的警报识别信息对应的警报信息。由此,状态观测部10将警报信息所包含的警报原因作为目的变量进行观测。状态观测部10基于警报识别信息,将驱动数据特征量和警报原因相关联。状态观测部10将驱动数据特征量和警报原因的数据集作为教师数据而发送至学习部11。
状态观测部10也可以针对电动机的各个控制方式,改变所取得的驱动数据特征量。即,状态观测部10也可以取得与电动机的控制方式对应的驱动数据特征量。电动机的控制方式具有矢量控制、无传感器矢量控制、V/f(Voltage/frequency)(电压/频率)控制、AD(高级(Advanced)磁通矢量)磁通控制等。V/f控制是输出与频率对应的电压的控制。
状态观测部10在电动机的控制方式为矢量控制或无传感器矢量控制的情况下,取得包含速度检测值、速度推定值及速度指令值中的至少1者在内的驱动数据特征量。另外,状态观测部10在电动机的控制方式既不是矢量控制也不是无传感器矢量控制的情况下,取得包含输出电压值及电流检测值中的至少1者在内的驱动数据特征量。
学习部11执行有教师学习。学习部11在机器学习装置1被设定为学习阶段的情况下,进行有教师学习,使学习结果即学习模型存储于学习结果存储部12。本实施方式的学习部11将状态变量即驱动数据特征量及目的变量即警报原因作为输入而执行有教师学习。
学习部11使用从在电动机驱动装置2产生了警报时取得的物理量提取出的驱动数据特征量,对警报原因进行学习。由于驱动数据特征量已存储于非易失性存储器23,因此学习部11也可以使用过去的驱动数据特征量而对警报原因进行学习。在该情况下,学习部11使用与过去的驱动数据特征量对应的过去的警报原因而对警报原因进行学习。
图7是用于说明实施方式涉及的机器学习装置所使用的警报原因的例子的图。在图7中示出将警报产生日期时间、产生警报、警报内容、警报原因、警报原因解除参数相关联后的对应关系信息。
警报产生日期时间是产生警报的日期时间,产生警报是警报的名称,警报内容是警报的内容。
警报内容的例子是使电动机加速时的过电流(加速时的过电流)。警报原因的例子为电动机的加速时间对于负载来说被设定得短。警报原因解除参数的例子为电动机的加速时间。例如,在由于电动机的加速时间对于负载来说被设定得短,因而使电动机加速时产生了过电流的情况下,通过将电动机的加速时间设得长,从而能够解除警报。
在电动机驱动装置2产生了警报时,对警报进行了应对的作业者将警报原因、警报原因解除参数输入至警报管理装置6的输入部61。此外,警报管理装置6也可以配置于机器学习装置1内或电动机驱动装置2内。由作业者进行的警报原因、警报原因解除参数等向警报管理装置6的输入可以在应对警报时进行,也可以在警报解析时等事后输入。对应关系信息可以由状态观测部10创建,也可以由学习部11创建。
学习部11将警报原因、根据在产生了与该警报原因对应的警报时取得的物理量而生成的驱动数据特征量设为1个组而输入至学习模型。更具体而言,学习部11将从以警报原因的警报产生为触发而取得的特定期间的物理量提取出的驱动数据特征量、警报原因设为1个组而输入至学习模型。
这样,学习部11在输入驱动数据特征量及警报原因的情况下,能够采用有教师学习方法。在该情况下,学习部11使用极端梯度增强,对相对于驱动数据特征量的警报原因进行推定。学习部11使学习结果即学习模型存储于学习结果存储部12。
学习结果存储部12是存储由学习部11基于教师数据进行了学习得到的结果(学习模型)的存储器等。由学习结果存储部12存储的学习结果可以安装于机器学习装置1之外的外部装置,也可以发送至外部装置。通过由外部装置将驱动数据特征量输入至由学习部11得到的学习结果,从而外部装置能够对警报原因进行推定。学习结果存储部12也可以将图7所示的对应关系信息存储下来。
警报推定部13在推定阶段,基于在学习结果存储部12存储的学习结果,根据驱动数据特征量对警报原因进行推定。在该情况下,警报推定部13从电动机驱动装置2取得驱动数据特征量。该驱动数据特征量可以由警报推定部13从非易失性存储器23读出,也可以由非易失性存储器23发送至警报推定部13。警报推定部13将推定出的警报原因输出至独自推断部14。
向独自推断部14输入由警报推定部13推定出的警报原因、在非易失性存储器23保存的设计内信息。独自推断部14基于由警报推定部13推定出的警报原因、警报时的数据即设计内数据,判定是否需要对推定出的警报原因进行校正。在需要对警报原因进行校正的情况下,独自推断部14基于推定出的警报原因和警报时的数据即设计内数据,对推定出的警报原因进行校正。独自推断部14将校正后的警报原因发送至模型更新部15。
模型更新部15将由独自推断部14校正后的警报原因的校正位置作为推定的误差进行存储。模型更新部15将推定的误差反馈给学习部11,使学习部11进行学习模型的更新。
推定结果输出部16如果从独自推断部14取得由独自推断部14完成了校正的警报原因(推定结果),则根据学习结果存储部12的对应关系信息取得与所取得的警报原因对应的警报原因解除参数。
推定结果输出部16将完成了校正的警报原因、警报原因解除参数输出至显示装置等。由此,将警报原因及警报原因解除参数显示于显示装置等。作业者通过将所显示的警报原因解除参数设定于电动机驱动装置2等,从而能够解除警报。
由状态观测部10取得的警报原因为第1警报原因,与在图1中说明过的警报原因32A对应。通过由学习部11生成的学习模型推定的警报原因,即由警报推定部13推定的警报原因为第2警报原因,与在图2中说明过的警报原因32B对应。由警报推定部13推定的警报原因是与新产生的警报的新的特征量对应的新的警报原因。
由独自推断部14基于变更信息进行校正的警报原因为第2警报原因,校正后的警报原因为第3警报原因。第3警报原因与在图2中说明过的警报原因32C对应。
另外,学习部11在使与变更信息的参数设定值对应的警报原因的权重增加的基础上对学习模型进行生成或更新的情况下,该警报原因为第3警报原因,学习部11将该第3警报原因作为第1警报原因对学习模型进行生成或更新。另外,学习部11在产生了成为第3警报原因的异常后,通过参数设定值的变更解除了异常的情况下,对学习模型进行生成或更新。
接下来,对由机器学习装置1执行的警报原因的推定的处理流程进行说明。图8是用于说明由实施方式涉及的机器学习装置进行的警报原因的推定的处理流程的流程图。
如果产生了警报,则机器学习装置1的状态观测部10取得与警报对应的特征量而作为状态变量(步骤S10)。另外,状态观测部10取得与警报对应的警报原因而作为目的变量(步骤S15)。
学习部11将状态变量即特征量及目的变量即警报原因作为输入而执行有教师学习。即,学习部11对与特征量对应的警报原因进行学习(步骤S20)。具体而言,学习部11通过将特征量和警报原因的数据集作为教师数据而设定于学习模型,从而对警报原因进行学习。
在对学习模型进行了学习后,如果产生了新的警报,则警报推定部13对与新的警报对应的新的特征量进行接收(步骤S30)。然后,警报推定部13通过将新的特征量输入至训练好的学习模型,从而对与新的特征量对应的警报原因进行推定(步骤S40)。机器学习装置1在学习阶段执行步骤S10、S15、S20的处理,在推定阶段执行步骤S30、S40的处理。
这样,机器学习装置1取得从物理量提取出的特征量、警报原因,因此能够迅速地生成用于在产生故障前对警报原因进行推定的学习模型。即,机器学习装置1能够迅速地生成不是由于部件等的物理故障而是用于对由于使用方式的问题而产生的警报原因进行推定的学习模型。由此,机器学习装置1能够在产生故障前对警报原因进行推定。即,机器学习装置1能够对由于使用方式的问题而产生的警报原因进行推定。因此,作业者能够基于警报原因而执行对警报的处理。其结果,机器学习装置1能够缩短警报产生时的设备的停机时间。
但是,作为对警报原因进行推定的方法,存在由作业者对电动机驱动装置的状态或参数进行确认的方法、由作业者对电动机驱动装置的输入输出信息进行监视的方法等。在该方法中,由于依赖于对警报原因进行推定的作业者的经验,因此根据作业者的经验等,对警报原因进行确定的速度或准确度产生差异。另外,为了确定警报是由对电动机驱动装置的误设定造成的警报还是由高负载、设备异常造成的警报这样的警报原因,需要充分的输入数据,因此需要相当量的时间。
另外,还存在基于声音、振动、电流值对异常进行推定的方法。在该方法中,为了对电动机驱动装置这样的旋转体的状况进行判断,难以取得充分的输入数据,因此无法进行高精度的推定。另外,存在通过使用在产生了异常时得到的状态变量、在没有产生异常时得到的状态变量而进行机器学习,从而得到机器学习装置的内部参数的方法。在该方法中,机器学习装置使用内部参数来进行异常诊断。在该方法中,为了对电动机驱动装置这样的旋转体的状况进行判断,也难以取得充分的输入数据。
这里,对机器学习装置1的硬件结构进行说明。图9是表示实现实施方式涉及的机器学习装置的硬件结构例的图。
机器学习装置1能够由输入装置151、处理器152、存储器153及输出装置154实现。处理器152的例子为CPU(Central Processing Unit,也称为中央处理装置、处理装置、运算装置、微处理器、微型计算机、DSP(Digital Signal Processor))或系统LSI(Large ScaleIntegration)。存储器153的例子为RAM(Random Access Memory)、ROM(Read OnlyMemory)。
机器学习装置1通过由处理器152读出并执行由存储器153存储的用于执行机器学习装置1的动作的能够由计算机执行的学习程序而实现。用于执行机器学习装置1的动作的程序即学习程序也可以说是使计算机执行机器学习装置1的流程或方法。
由机器学习装置1执行的学习程序为包含状态观测部10、学习部11、警报推定部13、独自推断部14、模型更新部15在内的模块结构,它们被载入至主存储装置上,它们是在主存储装置上生成的。
输入装置151对包含驱动数据特征量在内的特征信息、包含警报原因在内的警报信息、设计内信息等进行接收而发送至处理器152。存储器153也被用作处理器152执行各种处理时的临时存储器。存储器153对学习模型、对应关系信息等进行存储。输出装置154将与警报对应的警报原因及警报原因解除参数输出至显示装置等外部装置。
学习程序也可以以能够安装的格式或能够执行的格式的文件,存储于能够由计算机读取的存储介质而作为计算机程序产品提供。另外,学习程序也可以经由互联网等网络提供给机器学习装置1。此外,关于机器学习装置1的功能,也可以是由专用电路等专用的硬件实现一部分,由软件或固件实现一部分。
此外,在本实施方式中对以下处理进行了说明,即,为了方便,机器学习装置1使用1个电动机驱动装置2涉及的物理量、特征量及教师数据进行学习及推定,但本实施方式并不限于这样的处理。例如,机器学习装置1对处于工厂内或多个网点内的多个电动机驱动装置2涉及的物理量、特征量及教师数据进行收集,进行学习及推定,因此能够高效地进行学习及推定。换言之,机器学习装置1通过将多个电动机驱动装置2作为学习对象,从而能够高效地对警报原因进行学习。
另外,在本实施方式中,对机器学习装置1具有学习部11的情况进行了说明,但机器学习装置1在学习结果存储部12储存有由其它机器学习装置进行学习得到的学习结果的情况下,也可以不安装学习部11。换言之,具有学习部11的机器学习装置与具有警报推定部13的机器学习装置也可以是分体的机器学习装置。
如上所述,在实施方式中,状态观测部10取得从电动机驱动装置2取得的电流检测值等物理量的特征量而作为状态变量,取得与特征量对应的警报原因而作为目的变量。而且,学习部11生成学习模型,该学习模型用于根据基于状态变量及目的变量(标签数据)的组合创建的数据集对警报原因进行推定。因此,机器学习装置1能够生成不是由于部件等的物理故障而是用于对由于使用方式的问题而产生的警报原因进行推定的学习模型。
另外,机器学习装置1具有独自推断部14,该独自推断部14基于设计内数据对由警报推定部13推定出的警报原因进行校正,因此能够高精度地对与驱动数据特征量对应的警报原因进行诊断。
另外,如果将产生警报时的全部特征量都保存于非易失性存储器23,则变得庞大,因此通过对针对电动机的各个控制方式取得的特征量进行限定,从而可以增加能够保存于非易失性存储器23的教师数据的数量,其结果,机器学习装置1能够使警报原因的推定精度提高。
以上实施方式所示的结构表示的是一个例子,可以与其它的公知技术进行组合,也可以将实施方式彼此组合,在不脱离主旨的范围内,也可以省略、变更结构的一部分。
标号的说明
1机器学习装置,2电动机驱动装置,6警报管理装置,10状态观测部,11学习部,12学习结果存储部,13警报推定部,14独自推断部,15模型更新部,16推定结果输出部,21数据取得部,22特征量提取部,23非易失性存储器,31A、31B驱动数据特征量,32A、32B、32C警报原因,33设计内数据,40A、40B、51~54决定树,41输入数据,45输出数据,61输入部,62存储部,63输出部,151输入装置,152处理器,153存储器,154输出装置。
Claims (10)
1.一种机器学习装置,其对驱动电动机的电动机驱动装置的警报原因进行学习,
该机器学习装置的特征在于,具有:
状态观测部,其取得包含从所述电动机驱动装置取得的从所述电动机检测出的电流检测值、对所述电动机的转速进行指定的速度指令值、输出至所述电动机的输出电压值、表示所述电动机的推定出的转速的速度推定值及表示所述电动机的检测出的转速的速度检测值中的至少1者在内的特征量而作为状态变量,取得与所述特征量对应的警报原因而作为标签数据;以及
学习部,其生成学习模型,该学习模型用于根据基于所述状态变量及所述标签数据的组合创建的数据集对与新的特征量对应的新的警报原因进行推定。
2.根据权利要求1所述的机器学习装置,其特征在于,
还具有警报推定部,该警报推定部如果取得了新的特征量,则对所述新的特征量应用所述学习模型,对与所述新的特征量对应的新的警报原因进行推定。
3.根据权利要求2所述的机器学习装置,其特征在于,
还具有校正部,该校正部基于包含设定于所述电动机驱动装置的参数设定值、所述电动机驱动装置的驱动状况及将从所述电动机驱动装置输出的电力放大的放大器的内部数据中的至少1者在内的设计内数据,对由所述警报推定部推定出的警报原因进行校正。
4.根据权利要求3所述的机器学习装置,其特征在于,
还具有模型更新部,该模型更新部基于由所述校正部得到的校正结果,对所述学习模型进行更新。
5.根据权利要求1至4中任一项所述的机器学习装置,其特征在于,
所述状态观测部取得与所述电动机的控制方式对应的特征量。
6.根据权利要求5所述的机器学习装置,其特征在于,
所述状态观测部在所述电动机的控制方式为矢量控制或无传感器矢量控制的情况下,取得包含所述速度检测值、所述速度推定值及所述速度指令值中的至少1者在内的特征量,
在所述电动机的控制方式既不是所述矢量控制也不是所述无传感器矢量控制的情况下,取得包含所述输出电压值及所述电流检测值中的至少1者在内的特征量。
7.根据权利要求3所述的机器学习装置,其特征在于,
所述设计内数据包含表示所述参数设定值中的在异常运转前被变更的参数设定值的变更信息,
所述校正部基于所述变更信息对由所述警报推定部推定出的警报原因进行校正。
8.根据权利要求7所述的机器学习装置,其特征在于,
所述学习部使与所述变更信息的参数设定值对应的警报原因的权重增加而对所述学习模型进行生成或更新。
9.根据权利要求8所述的机器学习装置,其特征在于,
所述学习部在产生成为所述警报原因的异常后,通过所述参数设定值的变更解除了异常的情况下,对所述学习模型进行生成或更新。
10.一种机器学习方法,其对驱动电动机的电动机驱动装置的警报原因进行学习,
该机器学习方法的特征在于,包含:
状态观测步骤,取得包含从所述电动机驱动装置取得的从所述电动机检测出的电流检测值、对所述电动机的转速进行指定的速度指令值、输出至所述电动机的输出电压值、表示所述电动机的推定出的转速的速度推定值及表示所述电动机的检测出的转速的速度检测值中的至少1者在内的特征量而作为状态变量,取得与所述特征量对应的警报原因而作为标签数据;以及
学习步骤,生成学习模型,该学习模型用于根据基于所述状态变量及所述标签数据的组合创建的数据集对与新的特征量对应的新的警报原因进行推定。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/000425 WO2021140605A1 (ja) | 2020-01-09 | 2020-01-09 | 機械学習装置および機械学習方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114902060A true CN114902060A (zh) | 2022-08-12 |
Family
ID=72706623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080091768.8A Pending CN114902060A (zh) | 2020-01-09 | 2020-01-09 | 机器学习装置及机器学习方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220397608A1 (zh) |
JP (1) | JP6765585B1 (zh) |
CN (1) | CN114902060A (zh) |
WO (1) | WO2021140605A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4318334A1 (en) * | 2021-03-31 | 2024-02-07 | Aising Ltd. | Information processing device, method, and program |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6548454B2 (ja) * | 2015-05-28 | 2019-07-24 | 株式会社日立パワーソリューションズ | 電気機器の診断装置、電気機器の診断システム、電気機器の診断方法およびプログラム |
JP6140229B2 (ja) * | 2015-08-28 | 2017-05-31 | ファナック株式会社 | 電動機の予測寿命を学習する機械学習装置および方法ならびに該機械学習装置を備えた寿命予測装置および電動機システム |
JP2018147443A (ja) * | 2017-03-09 | 2018-09-20 | 安川情報システム株式会社 | 故障予知方法、故障予知装置および故障予知プログラム |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
JP6593715B2 (ja) * | 2017-10-27 | 2019-10-23 | 株式会社安川電機 | 異常判定システム、モータ制御装置 |
CN108152738B (zh) * | 2017-12-25 | 2020-09-15 | 深圳怡化电脑股份有限公司 | 电机工况监控方法及其装置 |
JP7133315B2 (ja) * | 2018-02-07 | 2022-09-08 | 株式会社Ye Digital | 故障予知システム |
CN109188269A (zh) * | 2018-07-17 | 2019-01-11 | 北京新水源景科技股份有限公司 | 判断电机故障的方法 |
JP7148311B2 (ja) * | 2018-08-07 | 2022-10-05 | ファナック株式会社 | 製品検査装置 |
-
2020
- 2020-01-09 CN CN202080091768.8A patent/CN114902060A/zh active Pending
- 2020-01-09 US US17/775,318 patent/US20220397608A1/en active Pending
- 2020-01-09 JP JP2020532833A patent/JP6765585B1/ja active Active
- 2020-01-09 WO PCT/JP2020/000425 patent/WO2021140605A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JPWO2021140605A1 (zh) | 2021-07-15 |
US20220397608A1 (en) | 2022-12-15 |
WO2021140605A1 (ja) | 2021-07-15 |
JP6765585B1 (ja) | 2020-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110515351B (zh) | 异常检测器 | |
CN106409120B (zh) | 机械学习方法及机械学习装置、以及故障预知装置及系统 | |
JP6294268B2 (ja) | 射出成形機の異常診断装置 | |
US20170185056A1 (en) | Controller having learning function for detecting cause of noise | |
CN109690432B (zh) | 动作状态监视装置、学习数据生成装置、方法和存储介质 | |
JP6610987B2 (ja) | 異常診断方法及び異常診断システム | |
US20060047512A1 (en) | System, device, and methods for updating system-monitoring models | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
US11347996B2 (en) | System state prediction | |
US20230023878A1 (en) | Equipment state monitoring device and equipment state monitoring method | |
CN112041819B (zh) | 用于监测和识别电驱动系统中的传感器故障的方法 | |
JPWO2021131210A1 (ja) | 情報処理装置、方法及びプログラム | |
US20080255773A1 (en) | Machine condition monitoring using pattern rules | |
CN114902060A (zh) | 机器学习装置及机器学习方法 | |
EP2988186B1 (en) | Detection of consistent steady-state behavior in process plants | |
CN110018722B (zh) | 用于热控制的机器学习装置、系统和方法 | |
KR20170029608A (ko) | 2개의 센서 신호 간의 직교성 에러를 결정하는 방법 | |
US11366178B2 (en) | Method and system for diagnostics and monitoring of electric machines | |
JPWO2019234913A1 (ja) | 支援装置、学習装置、及びプラント運転条件設定支援システム | |
JP2015125559A (ja) | 状態判定装置、状態判定方法および状態判定プログラム | |
US11886831B2 (en) | Data sorting device and method, and monitoring and diagnosis device | |
EP3343389A1 (en) | Method for the calculation of an open-circuit voltage of an energy accumulator, and associated graphic representation device | |
AU2013399629A1 (en) | Apparatus and method for model adaptation | |
CN115803759A (zh) | 学习系统、学习方法及程序 | |
TWI762101B (zh) | 異常診斷裝置及異常診斷程式 |
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 |