DE112019004931T5 - Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell - Google Patents

Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell Download PDF

Info

Publication number
DE112019004931T5
DE112019004931T5 DE112019004931.3T DE112019004931T DE112019004931T5 DE 112019004931 T5 DE112019004931 T5 DE 112019004931T5 DE 112019004931 T DE112019004931 T DE 112019004931T DE 112019004931 T5 DE112019004931 T5 DE 112019004931T5
Authority
DE
Germany
Prior art keywords
power transmission
feature value
transmission device
operating condition
sensor
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
Application number
DE112019004931.3T
Other languages
English (en)
Inventor
Takuya Odagaki
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.)
Tsubakimoto Chain Co
Original Assignee
Tsubakimoto Chain Co
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 Tsubakimoto Chain Co filed Critical Tsubakimoto Chain Co
Publication of DE112019004931T5 publication Critical patent/DE112019004931T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/023—Power-transmitting endless elements, e.g. belts or chains
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Es werden eine Anomaliebestimmungsvorrichtung, eine Signalmerkmalswertvoraussageeinrichtung, ein Verfahren zum Bestimmen einer Anomalie, ein Verfahren zum Erzeugen eines Lernmodells und ein Lernmodell bereitgestellt, die in der Lage sind, das Vorhandensein oder Fehlen einer Anomalie in Abhängigkeit von einer Betriebsbedingung genau zu bestimmen. Die Anomaliebestimmungsvorrichtung umfasst: eine Eingabeeinheit, durch die ein erstes Signal, das von einem ersten Sensor ausgegeben wird, das auf einen Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel bezogen ist, und ein zweites Signal, das von einem zweiten Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, eingegeben werden; eine Betriebsbedingungsbestimmungseinheit, die eine Betriebsbedingung der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals bestimmt; eine Merkmalswertvoraussageeinheit, die einen Merkmalswert eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von der Betriebsbedingung, die durch die Betriebsbedingungsbestimmungseinheit bestimmt wird, voraussagt; und eine Bestimmungseinheit, die ein Vorhandensein oder Fehlen einer Anomalie auf der Grundlage eines Merkmalswerts eines zweiten Signals, der durch die Merkmalswertvoraussageeinheit in Abhängigkeit von einer Betriebsbedingung der Leistungsübertragungsvorrichtung, die auf der Grundlage des ersten Signals spezifiziert wird, während einer Bestimmungszielzeitdauer vorausgesagt wird, und eines Merkmalswerts eines zweiten Signals, das durch die Eingabeeinheit während der Bestimmungszielzeitdauer eingegeben wird, bestimmt.

Description

  • Technisches Gebiet
  • Die vorliegende Erfindung betrifft eine Anomaliebestimmungsvorrichtung zur Bestimmung des Vorhandenseins oder Fehlens einer Anomalie in einer Leistungsübertragungsvorrichtung, eine Signalmerkmalswertvoraussageeinrichtung, ein Verfahren zum Bestimmen einer Anomalie, ein Verfahren zum Erzeugen eines Lernmodells und ein Lernmodell.
  • Hintergrund der Erfindung
  • Als ein Verfahren zum Erfassen einer Anomalie einer Leistungsübertragungsvorrichtung, wie beispielsweise einer Kette, eines Reduktionsgetriebes, einer Betätigungseinrichtung oder dergleichen, ist oftmals ein Verfahren zur Bereitstellung eines Ziels, das mit einer Beschleunigungsmesseinrichtung, einem Temperatursensor usw. zu erfassen ist, und zum Bestimmen des Vorhandenseins oder Fehlens einer Anomalie durch einen Vergleich der Informationen, die von den Sensoren erhalten werden, und von einem oder mehreren Schwellenwerten, die zuvor eingestellt werden, eingesetzt worden (Patentdruckschrift 1).
  • Stand der Technik
  • Patentdruckschrift
  • Patentdruckschrift 1: Japanische Patentoffenlegungsschrift Nummer 2018-059576
  • Kurzzusammenfassung der Erfindung
  • Durch die Erfindung zu lösende Probleme
  • Es ist natürlich, dass die physikalischen Größen, die von den Sensoren erhalten werden, in Abhängigkeit von den Betriebssituationen, wie beispielsweise unter einer Sperrung beziehungsweise einer Hemmung, unter einer Beschleunigung oder unter einem Niedriggeschwindigkeitsbetrieb der Leistungsübertragungsvorrichtung, und in Abhängigkeit von den Bedingungen zu dieser Zeit, wie beispielsweise der Anzahl von Umdrehungen und der zugehörigen Last, variieren. Somit ist eine Anomalieerfassung durch ein derartiges einfaches Verfahren wie ein Bestimmen des Vorhandenseins oder Fehlens einer Anomalie durch ein Vergleichen der erhaltenen Informationen, wie einem Messwert, mit einem Schwellenwert nicht einfach.
  • Die vorliegende Erfindung ist in Anbetracht derartiger Umstände gemacht worden, wobei es eine Aufgabe ist, eine Anomaliebestimmungsvorrichtung, die in der Lage ist, das Vorhandensein oder Fehlen einer Anomalie in Abhängigkeit von einer Betriebsbedingung genau zu bestimmen, eine Signalmerkmalswertvoraussageeinrichtung, ein Verfahren zum Bestimmen einer Anomalie, ein Verfahren zum Erzeugen eines Lernmodells und ein Lernmodell bereitzustellen.
  • Mittel zur Lösung der Probleme
  • Eine Anomaliebestimmungsvorrichtung gemäß der vorliegenden Offenbarung umfasst: eine Eingabeeinheit, durch die ein erstes Signal, das von einem ersten Sensor ausgegeben wird, das auf einen Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel bezogen ist, und ein zweites Signal, das von einem zweiten Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, eingegeben werden; eine Betriebsbedingungsbestimmungseinheit, die eine Betriebsbedingung der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals bestimmt; eine Merkmalswertvoraussageeinheit, die einen Merkmalswert eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von der Betriebsbedingung, die durch die Betriebsbedingungsbestimmungseinheit bestimmt wird, voraussagt; und eine Bestimmungseinheit, die ein Vorhandensein oder Fehlen einer Anomalie auf der Grundlage eines Merkmalswerts eines zweiten Signals, der durch die Merkmalswertvoraussageeinheit in Abhängigkeit von einer Betriebsbedingung der Leistungsübertragungsvorrichtung, die auf der Grundlage des ersten Signals spezifiziert wird, während einer Bestimmungszielzeitdauer vorausgesagt wird, und eines Merkmalswerts eines zweiten Signals, das durch die Eingabeeinheit während der Bestimmungszielzeitdauer eingegeben wird, bestimmt.
  • Eine Signalmerkmalswertvoraussageeinrichtung gemäß der vorliegenden Offenbarung umfasst: eine Eingabeeinheit, durch die eine Betriebsbedingung einer Leistungsübertragungsvorrichtung als ein Ziel eingegeben wird; und eine Ausgabeeinheit, die einen Merkmalswert eines Signals, das von einem Sensor auszugeben ist, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von einer Betriebsbedingung, die durch die Eingabeeinheit eingegeben wird, voraussagt und ausgibt.
  • Ein Anomaliebestimmungsverfahren gemäß der vorliegenden Offenbarung umfasst: ein Eingeben eines ersten Signals, das von einem ersten Sensor ausgegeben wird, bezüglich eines Betriebs einer Leistungsübertragungsvorrichtung als ein Ziel und eines zweiten Signals, das von einem zweiten Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen; ein Bestimmen einer Betriebsbedingung der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals; ein Voraussagen eines Merkmalswerts eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von der Betriebsbedingung, die bestimmt wird; und ein Bestimmen eines Vorhandenseins oder Fehlens einer Anomalie auf der Grundlage eines Merkmalswerts eines zweiten Signals, der in Abhängigkeit von einer Betriebsbedingung der Leistungsübertragungsvorrichtung vorausgesagt wird, die auf der Grundlage des ersten Signals während einer Bestimmungszielzeitdauer bestimmt wird, und eines Merkmalswerts eines zweiten Signals, das während der Bestimmungszielzeitdauer eingegeben wird.
  • Ein Verfahren zum Erzeugen eines Lernmodells gemäß der vorliegenden Offenbarung umfasst: durch ein Verwenden eines Lernmodells, das eine Eingabeschicht, durch die eine Betriebsbedingung einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung eingegeben wird, eine Ausgabeschicht, von der ein Merkmalswert eines Signals, das von einem Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird, und eine Zwischenschicht umfasst, ein Bestimmen einer Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand; ein Herleiten eines Merkmalswerts eines Signals, das von dem Sensor ausgegeben wird, entsprechend der Betriebsbedingung, die bestimmt wird; und ein Lernen eines Parameters in der Zwischenschicht auf der Grundlage eines Fehlers zwischen einem Merkmalswert, der von der Ausgabeschicht ausgegeben wird, wenn die bestimmte Betriebsbedingung in die Eingabeschicht des Lernmodells eingegeben wird, und dem Merkmalswert, der hergeleitet wird.
  • Ein Verfahren zum Erzeugen eines Lernmodells gemäß der vorliegenden Offenbarung umfasst: ein Speichern eines Merkmalswertvoraussagemodells, das eine Eingabeschicht, durch die eine Betriebsbedingung, die auf einen Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung bezogen ist, eingegeben wird, eine Ausgabeschicht, von der ein Merkmalswert eines Signals, das von einem Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird, und eine Zwischenschicht umfasst, die unter Verwendung von Lehrdaten trainiert worden ist, die eine bekannte Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand und einen Merkmalswert eines Signals, das von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand umfasst; ein Annehmen einer Betriebsbedingung der Leistungsübertragungsvorrichtung während einer Bestimmungszielzeitdauer und eines Signals, das von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung während der Bestimmungszielzeitdauer; und ein erneutes Trainieren des Merkmalswertvoraussagemodells durch Lehrdaten, die die Betriebsbedingung, die angenommen wird, und ein entsprechendes Signal umfassen.
  • Ein Lernmodell gemäß der vorliegenden Offenbarung umfasst: eine Eingabeschicht, durch die eine Betriebsbedingung, die auf einem Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung bezogen ist, eingegeben wird; eine Ausgabeschicht, von der ein Merkmalswert eines Signals, das von einem Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird; und eine Zwischenschicht, die unter Verwendung von Lehrdaten trainiert worden ist, die eine bekannte Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand und einen Merkmalswert eines Signals, das von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand umfassen, und es veranlasst einen Computers, so zu funktionieren, dass er einen Merkmalswert eines Signals, von dem vorausgesagt wird, dass es von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in dem normalen Zustand, der von der Ausgabeschicht ausgegeben wird, wenn eine Betriebsbedingung der Leistungsübertragungsvorrichtung, die während der Bestimmungszeitdauer bestimmt wird, der Eingabeschicht bereitgestellt wird, und einen Merkmalswert eines Signals, das tatsächlich von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung während der Bestimmungszielzeitdauer vergleicht.
  • In der Anomaliebestimmungsvorrichtung gemäß der vorliegenden Offenbarung wird der Merkmalswert eines Signals, von dem vorausgesagt wird, dass es während des normalen Zustands von dem zweiten Sensor, der angebracht ist, um eine Anomalie bezüglich des Betriebs der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird, auf der Grundlage der Betriebsbedingung, die durch den ersten Sensor bestimmt wird, vorausgesagt. Der Merkmalswert eines Signals, das von dem zweiten Sensor ausgegeben wird, variiert in Abhängigkeit von der Betriebsbedingung, wobei somit der Merkmalswert, der von der Variation abhängt, durch die Voraussage erhalten werden kann. Der Merkmalswert eines Signals, das tatsächlich von dem zweiten Sensor ausgegeben wird, wird mit dem Merkmalswert eines Signals verglichen, das in Abhängigkeit von der Betriebsbedingung vorausgesagt wird. Wenn ein Merkmalswert, der von dem in dem normalen Zustand (üblicher Zustand) unterschiedlich ist, erscheint, wird bestimmt, dass eine Anomalie vorhanden ist. Dies ermöglicht es, eine genauere Bestimmung im Vergleich mit einem Fall auszuführen, bei dem der Wert der Amplitude oder Frequenz eines Signals, das von dem zweiten Sensor ausgegeben wird, einfach mit einem voreingestellten Schwellenwert verglichen wird.
  • Die Merkmalswertvoraussageeinheit kann als eine Voraussageeinrichtung verwendet werden, die den Merkmalswert eines Signals ausgibt, von dem vorausgesagt wird, dass es ausgegeben wird, wenn die Betriebsbedingung eingegeben wird.
  • Die Merkmalswertvoraussageeinheit kann durch ein Lernmodell erreicht werden, das den Merkmalswert eines Signals ausgibt, wenn eine Betriebsbedingung eingegeben wird. Der Lernalgorithmus des Lernmodells ist vorzugsweise ein kontrolliertes Lernen, wie beispielsweise eine Regressionsanalyse, tiefes Lernen beziehungsweise deep-learning oder dergleichen. Das Lernmodell wird unter Verwendung des Merkmalswerts eines Signals, das von dem zweiten Sensor ausgegeben wird, in Kombination mit der bekannten Betriebsbedingung als Lehrdaten trainiert.
  • Die Betriebsbedingung kann durch ein Lernmodell bestimmt werden, das eine Betriebsbedingung ausgibt, wenn ein Signal, das von dem ersten Sensor für ein Messen der physikalischen Größe ausgegeben wird, die die Betriebsbedingung der Leistungsübertragungsvorrichtung betrifft, eingegeben wird. Dies beseitigt das Erfordernis nach einer speziellen Kodiereinrichtung, einem speziellen Sensor oder dergleichen zur Bestimmung der Betriebsbedingung.
  • Das Signal, das von dem zweiten Sensor ausgegeben wird, variiert in Abhängigkeit von der Betriebssituation der Leistungsübertragungsvorrichtung. Somit wird der Merkmalswert durch ein unterschiedliches Modell in Abhängigkeit von der Betriebssituation vorausgesagt, was die Genauigkeit der Voraussage verbessert.
  • Die Betriebssituation kann ebenso durch das Lernmodell bestimmt werden, das eine Betriebssituation ausgibt, wenn ein Signal, das von dem ersten Sensor für ein Messen der physikalischen Größe ausgegeben wird, die die Betriebssituation der Leistungsübertragungsvorrichtung betrifft, eingegeben wird. Dies beseitigt das Erfordernis für das Erhalten von Informationen von der Steuerungsvorrichtung zur Steuerung der Leistungsübertragungsvorrichtung, um die Betriebssituation zu identifizieren.
  • Wirkungen der Erfindung
  • Die Anomaliebestimmungsvorrichtung, die Signalmerkmalswertvoraussageeinrichtung, das Verfahren zum Bestimmen einer Anomalie, das Verfahren zum Erzeugen eines Lernmodells und das Lernmodell gemäß der vorliegenden Offenbarung ermöglichen es, das Vorhandensein oder Fehlen einer Anomalie genau zu bestimmen.
  • Figurenliste
    • 1 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung gemäß Ausführungsbeispiel 1 veranschaulicht.
    • 2 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur eines Verfahrens zum Erzeugen eines Merkmalswertvoraussagemodells veranschaulicht.
    • 3 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie zeigt, die durch eine Steuerungseinheit ausgeführt wird.
    • 4 veranschaulicht ein Beispiel der Einzelheiten des Merkmalswertvoraussagemodells.
    • 5 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung gemäß Ausführungsbeispiel 3 veranschaulicht.
    • 6 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Erzeugen eines Betriebsbedingungslernmodells gemäß Ausführungsbeispiel 3 zeigt.
    • 7 veranschaulicht ein Beispiel der Einzelheiten des Betriebsbedingungslernmodells.
    • 8 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie unter Verwendung des Betriebsbedingungslernmodells zeigt.
    • 9 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung gemäß Ausführungsbeispiel 4 veranschaulicht.
    • 10 veranschaulicht ein Beispiel eines Signalverlaufs eines Signals von einem zweiten Sensor.
    • 11 zeigt ein Flussdiagramm, das ein anderes Beispiel eines Verfahrens zum Erzeugen eines Merkmalswertvoraussagemodells zeigt.
    • 12 zeigt ein Flussdiagramm, das ein Beispiel einer Verarbeitungsprozedur zum Bestimmen einer Anomalie durch die Steuerungseinheit gemäß Ausführungsbeispiel 4 zeigt.
    • 13 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung gemäß Ausführungsbeispiel 5 veranschaulicht.
    • 14 veranschaulicht ein Beispiel des Signalverlaufs eines Signals, das von einem ersten Sensor ausgegeben wird.
    • 15 zeigt ein Flussdiagramm, das ein Beispiel einer Verarbeitungsprozedur zum Erzeugen eines Betriebssituationsbestimmungsmodells gemäß Ausführungsbeispiel 5 zeigt.
    • 16 veranschaulicht ein Beispiel der Einzelheiten des Betriebssituatio nsbesti m m u ngsmode lls.
    • 17 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie gemäß Ausführungsbeispiel 5 zeigt.
    • 18 zeigt ein Blockschaltbild, das die Konfiguration eines Systems veranschaulicht, das eine Anomaliebestimmungsvorrichtung gemäß Ausführungsbeispiel 6 umfasst.
  • Ausführungsform der Erfindung
  • Die Erfindung wird nachstehend unter Bezugnahme auf die Zeichnung, die Ausführungsbeispiele zeigt, beschrieben.
  • Ausführungsbeispiel 1
  • 1 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 1 veranschaulicht. Die Anomaliebestimmungsvorrichtung 1 ist mit einem ersten Sensor 11 zur Erfassung einer Betriebsbedingung einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung und einem zweiten Sensor 12 zur Erfassung einer Anomalie der Leistungsübertragungsvorrichtung verbunden. Die Anomaliebestimmungsvorrichtung 1 umfasst eine Steuerungseinheit 10, eine Speichereinheit 13, eine Eingabeeinheit 14 und eine Ausgabeeinheit 15.
  • Der erste Sensor 11 ist in Abhängigkeit von dem Typ der Leistungsübertragungsvorrichtung unterschiedlich. Der erste Sensor 11 umfasst eine Strommesseinrichtung zur Erfassung eines Stromwerts eines Motors für ein Ansteuern der Leistungsübertragungsvorrichtung, eine Spannungsmesseinrichtung zur Erfassung eines Spannungswerts und eine Leistungsmesseinrichtung. Der erste Sensor 11 kann irgendeine hiervon sein. Die Geschwindigkeit und die Anzahl von Umdrehungen (Drehzahl) der Leistungsübertragungsvorrichtung, eine Last (Belastung und Gewicht), die auf die Leistungsübertragungsvorrichtung aufgebracht wird, usw. können durch den Stromwert, den Spannungswert und den Leistungswert bestimmt werden. Der erste Sensor 11 kann eine Beschleunigungsmesseinrichtung sein.
  • Der zweite Sensor 12 ist in Abhängigkeit von dem Typ der Leistungsübertragungsvorrichtung unterschiedlich. Der zweite Sensor 12 kann eine Beschleunigungsmesseinrichtung sein, die bei der Leistungsübertragungsvorrichtung angebracht ist, und eine Anomalie durch die Größe einer Schwingung, die Frequenz oder dergleichen erfassen. Der zweite Sensor 12 kann ein Temperatursensor sein, der bei der Leistungsübertragungsvorrichtung angebracht ist, und eine Anomalie durch eine Temperatur erfassen. Wenn der zweite Sensor 12 ein Temperatursensor ist, kann er die Oberflächentemperatur der Leistungsübertragungsvorrichtung und die Umgebungslufttemperatur messen und eine Anomalie durch die Differenz in der Temperatur erfassen. Alternativ hierzu kann der zweite Sensor 12 einen Geräuschsensor, einen Sensor zur Erfassung der Trübheit oder dergleichen eines Schmiermittels oder eine Magnetfeldstärkemesseinrichtung einsetzen.
  • Die Steuerungseinheit 10 umfasst eine zentrale Verarbeitungseinheit (CPU) oder eine Grafikverarbeitungseinheit (GPU), einen Speicher, wie beispielsweise einen integrierten Nur-Lese-Speicher (ROM) oder einen Speicher mit wahlfreiem Zugriff (RAM), eine Uhr usw. und steuert die Komponenten der Anomaliebestimmungsvorrichtung 1. Die Steuerungseinheit 10 führt eine Bestimmungsverarbeitung, die nachstehend zu beschreiben ist, auf der Grundlage eines Steuerungsprogramms 10P aus, das in dem integrierten ROM oder der Speichereinheit 13 gespeichert ist.
  • Die Speichereinheit 13 setzt ein nichtflüchtiges Speichermedium, wie beispielsweise einen Flash-Speicher oder dergleichen, ein und speichert überschreibbar Informationen, die durch die Steuerungseinheit 10 eingeschrieben oder ausgelesen werden. Die Speichereinheit 13 speichert ein Merkmalswertvoraussagemodell 31M, das nachstehend zu beschreiben ist, und Einstellungsinformationen, auf die sich die Steuerungseinheit 10 bezieht, die zu dem Steuerungsprogramm 10P unterschiedlich sind.
  • Die Eingabeeinheit 14 ist eine Schnittstelle, durch die Signale, die von dem ersten Sensor 11 und dem zweiten Sensor 12 ausgegeben werden, eingegeben werden. Die Eingabeeinheit 14, die eine A/D-Umwandlungsfunktion umfasst, kann Messwerte aus den Signalen, die von dem ersten Sensor 11 und dem zweiten Sensor 12 erhalten werden, lesen und die gelesenen Werte zu der Steuerungseinheit 10 ausgeben.
  • Die Ausgabeeinheit 15 gibt das Bestimmungsergebnis für eine Anomalie aus, die durch die Steuerungseinheit 10 durchgeführt wird. Die Ausgabeeinheit 15 kann das Bestimmungsergebnis für eine Anomalie durch Licht und Ton ausgeben. Die Ausgabeeinheit 15, die mit der Leistungsübertragungsvorrichtung als ein Ziel für eine Bestimmung und der Steuerungsvorrichtung einer Maschine, die die Leistungsübertragungsvorrichtung umfasst, über eine Kommunikationsleitung, wie beispielsweise eine serielle Kommunikation oder dergleichen, verbunden ist, kann das Bestimmungsergebnis für eine Anomalie der Steuerungsvorrichtung berichten.
  • Die Anomaliebestimmungsvorrichtung 1 gemäß dem Ausführungsbeispiel 1 verwendet ein Merkmalswertvoraussagemodell 31M. Die Anomaliebestimmungsvorrichtung 1 sagt einen Merkmalswert eines Signals, das von dem zweiten Sensor 12 in dem normalen Zustand ausgegeben wird, auf der Grundlage einer Betriebsbedingung durch die Verwendung des Merkmalswertvoraussagemodells 31M voraus, vergleicht den Merkmalswert eines Signals, das tatsächlich von dem zweiten Sensor 12 ausgegeben wird, mit dem Merkmalswert, von dem vorausgesagt wird, dass er in dem normalen Zustand ausgegeben wird, um hierdurch das Vorhandensein oder Fehlen einer Anomalie zu bestimmen.
  • Das Verfahren zum Erzeugen des Merkmalswertvoraussagemodells 31M wird beschrieben. 2 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur eines Verfahrens zum Erzeugen des Merkmalswertvoraussagemodells 31M zeigt. Ein Lernen mittels einer Regressionsanalyse wird für den Lernalgorithmus des Merkmalswertvoraussagemodells 31M gemäß dem Ausführungsbeispiel 1 eingesetzt. Die nachstehend beschriebene Verarbeitung wird bei einer Leistungsübertragungsvorrichtung ausgeführt, von der bekannt ist, dass sie in einem normalen und stationären Zustand (unter einem Betrieb in einer fixierten Richtung) ist, wie beispielsweise eine geprüfte brandneue Leistungsübertrag ungsvorrichtung.
  • Die Steuerungseinheit 10 bestimmt eine Betriebsbedingung der Leistungsübertragungsvorrichtung (Schritt S101). Die Betriebsbedingung umfasst die Geschwindigkeit und die Anzahl von Umdrehungen der Leistungsübertragungsvorrichtung, die Last auf die Leistungsübertragungsvorrichtung usw. In Schritt S101 kann die Steuerungseinheit 10 die Betriebsbedingung aus einem Durchschnittswert der Spannungswerte oder dergleichen, die von dem ersten Sensor 11 erhalten werden, schätzen oder kann die Betriebsbedingung von einem Geschwindigkeitssensor, einer Beschleunigungsmesseinrichtung, einer Kodiereinrichtung oder dergleichen, die bei der Leistungsübertragungsvorrichtung angebracht sind, erhalten.
  • Die Steuerungseinheit 10 erhält durch die Eingabeeinheit 14 ein Signal, das von dem zweiten Sensor 12 ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in der Betriebsbedingung, die in Schritt S101 bestimmt wird, (Schritt S102) und berechnet den Merkmalswert des Signals durch eine Signalverarbeitung (Schritt S103).
  • Die Steuerungseinheit 10 erzeugt Lehrdaten unter Verwendung der Betriebsbedingung, die in Schritt S101 bestimmt wird, und des Merkmalswerts, der in Schritt S103 berechnet wird, (Schritt S104) und führt eine Lernverarbeitung aus, bei der eine Funktion zum Herleiten eines Merkmalswerts unter Verwendung der Betriebsbedingung als eine Variable aus den Lehrdaten gelernt wird (Schritt S105). Die Steuerungseinheit 10 beendet das Lernen während einer einzelnen Abtastzeitsteuerung durch die Lernverarbeitung in Schritt S105.
  • In Schritt S105 führt die Steuerungseinheit 10 spezifisch eine Lernverarbeitung aus, bei der eine Funktion zum Definieren einer Beziehung zwischen einer erklärenden Variable, die der Betriebsbedingung entspricht, und dem Merkmalswert, der zu erhalten ist, sowie des Bestimmungskoeffizienten gelernt wird. Das Analyseverfahren, wie beispielsweise eine einfache Regression, eine multiple Regression, eine Stützvektorregression beziehungsweise Support-Vektorregression, eine Gaußprozessregression oder dergleichen, kann beliebig entsprechend der Betriebsbedingung und dem Merkmalswert eingestellt werden. Die Steuerungseinheit 10 führt ein Lernen einer linearen Regressionsgleichung f (die Anzahl von Umdrehungen und die Last) aus, bei der der Schwingungseffektivwert (RMS-Wert), der tatsächlich von dem zweiten Sensor 12 als eine Beschleunigungsmesseinrichtung ausgegeben wird, unter der Annahme ausgewertet wird, dass beispielsweise die Anzahl von Umdrehungen und die Last als die Betriebsbedingungen Variablen bei Schritt S105 sind. Die Steuerungseinheit 10 wertet die Koeffizienten a0, a1 und a2 durch das Regressionslernen auf der Grundlage der Lehrdaten unter der Annahme aus, dass die lineare Regressionsgleichung als Gleichung (1) dargestellt wird.
  • Der Vibrationseffektivwert (RMS-Wert) = f (die Anzahl von Umdrehungen und die Last) = a0 + a1 * die Anzahl von Umdrehungen + a2 * die Last ... (1) Durch eine wiederholte Ausführung der Lernverarbeitung, die durch das Flussdiagramm in 2 gezeigt ist, kann das Merkmalswertvoraussagemodell 31M erhalten werden, das den Merkmalswert eines Signals, das von dem zweiten Sensor 12 ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in dem normalen Zustand in Abhängigkeit von der Betriebssituation ausgibt. Das Merkmalswertvoraussagemodell 31M ist in der Speichereinheit 13 gespeichert und wird in einer Verarbeitung zur Bestimmung einer Anomalie, die nachstehend zu beschreiben ist, verwendet.
  • 3 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie zeigt, die durch die Steuerungseinheit 10 ausgeführt wird. Wenn die Leistungsübertragungsvorrichtung als ein Ziel für eine Bestimmung verwirklicht wird, führt die Steuerungseinheit 10 die nachstehend beschriebene Verarbeitung bei einem beliebigen Zeitpunkt in dem stationären Zustand (während eines Betriebs in einer fixierten Richtung) auf der Grundlage des Steuerungsprogramms 10P aus.
  • Die Steuerungseinheit 10 bestimmt eine Betriebsbedingung der Leistungsübertragungsvorrichtung (Schritt S201). Die Verarbeitung, die durch die Steuerungseinheit 10 in Schritt S201 ausgeführt wird, ist ähnlich zu der in Schritt S101 des Flussdiagramms, das in 2 gezeigt ist.
  • Die Steuerungseinheit 10 stellt das trainierte Merkmalswertvoraussagemodell 31M mit der Betriebsbedingung, die in Schritt S201 bestimmt wird, bereit (Schritt S202), um hierdurch den Merkmalswert eines Signals zu spezifizieren, der durch das Merkmalswertvoraussagemodell 31M erhalten wird (Schritt S203). In Schritt S203 berechnet die Steuerungseinheit 10 spezifisch den Schwingungseffektivwert (RMS-Wert) durch die Regressionsgleichung, die den Bestimmungskoeffizienten verwendet, der durch ein Lernen erhalten wird.
  • Die Steuerungseinheit 10 beschafft durch die Eingabeeinheit 14 ein Signal, das von dem zweiten Sensor 12 ausgegeben wird, zu einem entsprechenden Zeitpunkt, wenn die Informationen von dem ersten Sensor 11 in Schritt S201 erhalten werden (Schritt S204), und führt eine Signalverarbeitung bei dem Signal aus, um hierdurch den Merkmalswert zu berechnen (Schritt S205). In dem Beispiel in 3 berechnet die Steuerungseinheit 10 den quadratischen Mittelwert (rms) einer Schwingung, die von dem zweiten Sensor 12 als eine Beschleunigungsmesseinrichtung in Schritt S205 erhalten wird.
  • Die Steuerungseinheit 10 beurteilt, ob der Merkmalswert, der in Schritt S203 spezifiziert wird, mit dem Merkmalswert, der in Schritt S205 berechnet wird, in einem vorbestimmten Bereich übereinstimmt oder nicht (Schritt S206). In Schritt S206 kann die Steuerungseinheit 10 eine Beurteilung unter Berücksichtigung eines Fehlers in einer Messung des quadratischen Mittelwerts (rms-Werts) treffen.
  • Wenn beurteilt wird, dass die Merkmalswerte miteinander in Schritt S206 übereinstimmen (S206: JA), bestimmt die Steuerungseinheit 10, dass die Leistungsübertragungsvorrichtung als ein Ziel für die Bestimmung normal ist (Schritt S207), wobei sie die Verarbeitung beendet.
  • Wenn beurteilt wird, dass die Merkmalswerte nicht miteinander in Schritt S206 übereinstimmen (S206: NEIN), bestimmt die Steuerungseinheit 10, dass die Leistungsübertragungsvorrichtung als ein Ziel für die Bestimmung anormal ist (Schritt S208), wobei sie eine Anomalie von der Ausgabeeinheit 15 ausgibt (Schritt S209) und die Verarbeitung beendet.
  • In dem Fall, in dem Normalität für das trainierte Merkmalswertvoraussagemodell 31M bestimmt wird, das in der Speichereinheit 13 gespeichert ist, kann die Steuerungseinheit 10 die Verarbeitungsprozedur ausführen, die durch das Flussdiagramm in 2 gezeigt ist, wobei das Signal, das in Schritt S204 erhalten wird, verwendet wird, um die Umgebung, in der die Leistungsübertragungsvorrichtung verwendet wird, bei dem Merkmalswertvoraussagemodell 31M zu reflektieren, was die Genauigkeit der Bestimmung verbessert.
  • Dies ermöglicht es, das Vorhandensein oder Fehlen einer Anomalie auf der Grundlage von Informationen genau zu bestimmen, die daraus resultierend durch den zweiten Sensor 12 in Abhängigkeit von der Betriebsbedingung erfasst werden, ohne eine Kodiereinrichtung oder dergleichen für ein Messen der Anzahl von Umdrehungen oder der Last an sich zu verwenden.
  • Die Leistungsübertragungsvorrichtung umfasst beispielsweise Ketten, insbesondere eine allgemeine industrielle Kette, eine Kabelführung und eine Zeitsteuerungskette für ein Kraftfahrzeug. In dem Fall der Kette wird eine Strommesseinrichtung zum Messen des Stromwerts eines Motors zum Bewegen der Kette oder eine Leistungsmesseinrichtung für den ersten Sensor 11 verwendet, während eine Beschleunigungsmesseinrichtung oder ein Temperatursensor, die an einem Lagerkörper oder einem Kettenzahnrad angebracht sind, für den zweiten Sensor 12 verwendet wird. In dem Fall der Kabelführung kann ein Versatzsensor verwendet werden. In diesen Fällen können die Anzahl von Kettengliedern, die Anzahl von Zähnen des Kettenzahnrads, die Anzahl von Strängen usw. in der Speichereinheit 13 gespeichert werden und verwendet werden, um die Betriebsbedingung zu bestimmen. Für die Kabelführung kann die Gesamtlänge in der Speichereinheit 13 gespeichert werden.
  • Ein anderes Beispiel der Leistungsübertragungsvorrichtung umfasst ein Stirnrad, ein Hypoidrad oder ein Schneckenrad in dem Reduktionsgetriebe. In dem Fall des Reduktionsgetriebes wird ein Sensor zum Messen des Stromwerts oder des Leistungswerts eines Motors als der erste Sensor 11 verwendet, während eine Beschleunigungsmesseinrichtung oder ein Temperatursensor, der an einem Lagerkörper oder einem Getriebekörper angebracht ist, als der zweite Sensor 12 verwendet wird. In diesen Fällen sind die Anzahlen von Zähnen von Rädern auf der Antriebsseite und der Abtriebsseite sowie eine Einbaurichtung eines Reduktionsgetriebes in der Speichereinheit 13 gespeichert, um die Betriebsbedingung zu bestimmen. Die Betriebsbedingung kann unter Verwendung der Gespeicherten bewertet werden.
  • Ein anderes Beispiel der Leistungsübertragungsvorrichtung umfasst eine Kugelgewindespindel und ein Trapezgewinde in einer Betätigungseinrichtung. In dem Fall der Betätigungseinrichtung wird ein Sensor zum Messen des Stromwerts oder des Leistungswerts eines Motors als der erste Sensor 11 verwendet, während eine Beschleunigungsmesseinrichtung oder ein Temperatursensor, die an einem Lagerkörper oder einer Mutter angebracht sind, als der zweite Sensor 12 verwendet wird. In diesen Fällen sind die Einbaurichtung einer Kugelgewindespindel, die Richtung einer Last, die Gesamtlänge usw. in der Speichereinheit 13 gespeichert, um die Betriebsbedingung zu bestimmen. Die Betriebsbedingung kann unter Verwendung der gespeicherten bewertet werden.
  • Ausführungsbeispiel 2
  • In Ausführungsbeispiel 2 wird ein kontrolliertes tiefes Lernen beziehungsweise deep-learning unter Verwendung eines neuronalen Netzwerks für den Lernalgorithmus des Merkmalswertvoraussagemodells 31M eingesetzt. In dem Fall des deep-learning wird ein Signal in einer Zeitabfolge erhalten, wobei somit ein wiederkehrendes neuronales Netzwerk mehr zu bevorzugen ist. Alternativ hierzu kann ein langes Kurzzeitgedächtnis beziehungsweise long short turn memory- (LSTM-) Netzwerk verwendet werden.
  • Da die Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 2 in einer Konfiguration ähnlich zu dem des Ausführungsbeispiels 1 mit Ausnahme der detaillierten Verarbeitungsprozedur der Lernverarbeitung ist, sind gemeinsame Teile durch ähnliche Bezugszeichen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • Auch in Ausführungsbeispiel 2 führt die Anomaliebestimmungsvorrichtung 1 eine Lernverarbeitung aus, die durch das Flussdiagramm in 2 gezeigt ist. Die Steuerungseinheit 10 berechnet einen Fehler zwischen dem Merkmalswert, der von der Ausgabeschicht des neuronalen Netzwerks ausgegeben wird, wenn eine Betriebsbedingung bei der Eingabeschicht des neuronalen Netzwerks bereitgestellt wird, das trainiert wird, und dem Merkmalswert eines Signals, das tatsächlich von dem zweiten Sensor 12 erhalten wird, um die Parameter in der Zwischenschicht unter Verwendung einer Fehlerrückführung beziehungsweise back propagation in Schritt S105 zu trainieren. Beispielsweise wird ein Fehler zwischen dem Merkmalswert, der ausgegeben wird, wenn die Anzahl von Umdrehungen und die Last als Betriebsbedingungen der Eingabeschicht bereitgestellt werden, und dem Merkmalswert einer Schwingung, die tatsächlich von dem zweiten Sensor 12 als eine Beschleunigungsmesseinrichtung ausgegeben wird, berechnet, wobei der berechnete Fehler übertragen wird. Der Merkmalswert, der in Schritt S103 berechnet wird, ist beispielsweise die Amplitude und die Frequenz einer Schwingung. Der Merkmalswert kann ein Wert sein, der nach einer statistischen Verarbeitung oder dergleichen erhalten wird, wie beispielsweise ein Durchschnittswert und ein Medianwert von irgendeiner aus der Amplitude oder der Frequenz. In einem anderen Beispiel ist der Merkmalswert der Schwingungseffektivwert (RMS-Wert). Wenn der Temperatursensor als der zweite Sensor 12 verwendet wird, kann die Temperatur an sich als ein Merkmalswert betrachtet werden.
  • 4 veranschaulicht ein Beispiel der Einzelheiten eines Merkmalswertvoraussagemodells 31M. Das Modell 31M umfasst eine Eingabeschicht 311, durch die eine Betriebsbedingung der Leistungsübertragungsvorrichtung als ein Ziel für die Bestimmung eingegeben wird, und eine Ausgabeschicht 312, von der der Merkmalswert eines Signals, von dem erwartet wird, dass es von dem zweiten Sensor 12 in dem normalen Zustand ausgegeben wird, ausgegeben wird. Das Merkmalswertvoraussagemodell 31M, das das deep-learning verwendet, umfasst eine Zwischenschicht 313, die aus einer oder mehreren Schichten einer Gruppe von Knoten zusammengesetzt ist, die zwischen der Eingabeschicht 311 und der Ausgabeschicht 312 positioniert sind, und die durch die Lehrdaten des Signals, das tatsächlich von dem zweiten Sensor 12 in dem normalen Zustand ausgegeben wird, trainiert worden ist, wie es vorstehend beschrieben ist.
  • In dem Beispiel in 4 werden die Anzahl von Umdrehungen und die Last der Leistungsübertragungsvorrichtung als Betriebsbedingungen in die Eingabeschicht 311 eingegeben. Die Geschwindigkeit der Leistungsübertragungsvorrichtung kann ebenso eingegeben werden. Der Merkmalswert eines Signals, von dem erwartet wird, dass es von dem zweiten Sensor 12 in dem normalen Zustand ausgegeben wird, wird von der Ausgabeschicht 312 ausgegeben. In dem Beispiel in 4 gibt die Ausgabeschicht 312 den Schwingungseffektivwert (RMS-Wert) aus. Ein anderes Beispiel des Merkmalswerts kann den Spitzenwert, die Frequenz oder dergleichen eines Signals umfassen, von dem erwartet wird, dass es von dem zweiten Sensor 12 in dem normalen Zustand ausgegeben wird.
  • Auch in Ausführungsbeispiel 2 wird eine Anomaliebestimmung entsprechend der Prozedur ausgeführt, die durch das Flussdiagramm in 4 gezeigt ist. Die Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 2 stellt die Eingabeschicht 311 des trainierten Merkmalswertvoraussagemodells 31M mit einer Betriebsbedingung in Schritt S202 bereit und spezifiziert den Merkmalswert eines Signals, das von der Ausgabeschicht 312 ausgegeben wird, in Schritt S203. Wenn das Merkmalswertvoraussagemodell 31M, das in dem detaillierten Beispiel gemäß 4 gezeigt ist, verwendet wird, wird der quadratische Mittelwert der Schwingung in dem normalen Zustand bezüglich der Betriebsbedingung ausgegeben und somit als ein Merkmalswert angenommen. Der spezifische Wert, der unter Verwendung des Ausgabewerts berechnet wird, der von dem Merkmalswertvoraussagemodell 31M ausgegeben wird, kann als ein Merkmalswert angenommen werden.
  • Die Steuerungseinheit 10 führt auf ähnliche Weise die Verarbeitung bei und nach Schritt S204 aus, vergleicht den Merkmalswert, der von dem Merkmalswertvoraussagemodell 31M ausgegeben wird, das durch den normalen Zustand trainiert worden ist, und den Merkmalswert eines Signals, das tatsächlich von dem zweiten Sensor 12 erhalten wird, und bestimmt, dass eine Anomalie vorhanden ist (Schritt S208), wenn sie nicht miteinander übereinstimmen (S206: NEIN).
  • Auch in Ausführungsbeispiel 2, in dem das deep-learning für das Merkmalswertvoraussagemodell 31M verwendet wird, führt in dem Fall, in dem eine Normalität bestimmt wird, die Steuerungseinheit 10 die Lernverarbeitung aus, die durch das Flussdiagramm in 2 gezeigt ist, wobei das Signal, das in Schritt S204 erhalten wird, verwendet wird, um hierdurch das Merkmalswertvoraussagemodell 31M erneut zu trainieren. Dies ermöglicht es, die Umgebung, in der die Leistungsübertragungsvorrichtung verwendet wird, bei dem Merkmalswertvoraussagemodell 31M zu reflektieren, um hierdurch die Genauigkeit der Bestimmung zu verbessern.
  • Ausführungsbeispiel 3
  • In Ausführungsbeispiel 3 wird die Betriebsbedingung ebenso auf der Grundlage eines Signals vorausgesagt, das von dem ersten Sensor 11 ausgegeben wird, wobei ein Lernmodell verwendet wird. 5 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 3 veranschaulicht. Die Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 3 ist bezüglich einer Konfiguration ähnlich zu der gemäß Ausführungsbeispiel 1 mit der Ausnahme, dass ein Betriebsbedingungslernmodell 32M in der Speichereinheit 13 gespeichert ist und die Betriebsbedingung durch das Betriebsbedingungslernmodell 32M bestimmt wird. Dementsprechend sind gemeinsame Teile mit Ausführungsbeispiel 1 durch ähnliche Bezugszeichen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • 6 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Erzeugen des Betriebsbedingungslernmodells 32M gemäß Ausführungsbeispiel 3 zeigt. Für den Lernalgorithmus des Betriebsbedingungslernmodells 32M kann eine Regressionsanalyse ähnlich zu dem Merkmalswertvoraussagemodell 31M des Ausführungsbeispiels 1 oder ein kontrolliertes tiefes Lernen beziehungsweise deep-learning, das ein neuronales Netzwerk verwendet, ähnlich zu dem Ausführungsbeispiel 2 eingesetzt werden. In dem Fall, in dem das deep-learning eingesetzt wird, wird ein Signal in einer Zeitabfolge erhalten, wobei somit ein RNN, insbesondere ein LSTM verwendet werden kann. Die nachstehend beschriebene Verarbeitung wird bei einer Leistungsübertragungsvorrichtung ausgeführt, von der bekannt ist, dass sie in einem normalen Zustand ist, beispielsweise bei einer untersuchten brandneuen Leistungsübertragungsvorrichtung.
  • Die Steuerungseinheit 10 erhält ein Signal, das von dem ersten Sensor 11 für die Leistungsübertragungsvorrichtung ausgegeben wird, für die die Betriebsbedingung bekannt gewesen ist (Schritt S301). Die Steuerungseinheit 10 erzeugt Lehrdaten, die das Signal, das in Schritt S301 erhalten wird, in Verbindung mit der bekannten Betriebsbedingung umfasst, (Schritt S302) und führt die Lernverarbeitung unter Verwendung der erzeugten Lehrdaten aus (Schritt S303). Die Steuerungseinheit 10 beendet das Lernen des Signals von dem ersten Sensor 11, für das die einzelne Betriebsbedingung durch die Lernverarbeitung in Schritt S303 bekannt gewesen ist.
  • In dem Fall, in dem die Steuerungseinheit eine Lernverarbeitung mittels einer Regressionsanalyse in Schritt S303 ausführt, werden eine Funktion zum Herleiten einer Betriebsbedingung, die zu bewerten ist, und ein Bestimmungskoeffizient unter der Annahme gelernt, dass der Merkmalswert eines Signals von dem ersten Sensor 11 eine Variable ist. Der Merkmalswert ist beispielsweise die Frequenz des Signalverlaufs eines Signals, das von dem ersten Sensor 11 ausgegeben wird, die zugehörige Spitzenwertamplitude, der Leistungswert nach einer FFT-Verarbeitung oder dergleichen. Die Betriebsbedingung ist beispielsweise die Anzahl von Umdrehungen oder eine Last. In dem detaillierten Beispiel wertet die Steuerungseinheit 10 mittels der Regressionsanalyse Koeffizienten in einer Regressionsgleichung zur Auswertung der Anzahl von Umdrehungen unter Verwendung der Frequenz und der Spitzenwertamplitude als Variable auf der Grundlage mehrerer Lehrdaten aus. In dem Fall, in dem die Steuerungseinheit 10 eine Lernverarbeitung mittels deep-learning ausführt, gibt die Steuerungseinheit 10 Lehrdaten in das neuronale Netzwerk ein, das erzeugt wird, und lernt Parameter, wie beispielsweise Gewichten und Vorspannungen, in der Zwischenschicht des neuronalen Netzwerks.
  • Durch die wiederholte Ausführung der Lernverarbeitung, die durch das Flussdiagramm in 6 gezeigt wird, wird das Betriebsbedingungslernmodell 32M zur Abschätzung der Betriebsbedingung auf der Grundlage eines Signals von dem ersten Sensor 11 oder des zugehörigen Merkmalswerts erzeugt. Das Betriebsbedingungslernmodell 32M wird in der Speichereinheit 13 gespeichert und bei einer Verarbeitung zur Bestimmung einer Anomalie, die nachstehend zu beschreiben ist, verwendet.
  • 7 veranschaulicht ein Beispiel der Einzelheiten des Betriebsbedingungslernmodells 32M. Das Beispiel in 7 zeigt einen Fall, in dem ein deep-learning eingesetzt wird. Das Betriebsbedingungslernmodell 32M umfasst eine Eingabeschicht 321, durch die mehrere Merkmalswerte eines Signals, das von dem ersten Sensor 11 ausgegeben wird, eingegeben werden, und eine Ausgabeschicht 322, von der eine Betriebsbedingung ausgegeben wird. Das Betriebsbedingungslernmodell 32M umfasst eine Zwischenschicht 323, die aus einer oder mehreren Schichten einer Gruppe von Knoten zusammengesetzt ist, die zwischen der Eingabeschicht 321 und der Ausgabeschicht 322 positioniert sind, und die durch Lehrdaten eines Signals, das von dem ersten Sensor 11 ausgegeben wird, für das die Betriebsbedingung bekannt gewesen ist, trainiert worden ist.
  • In dem Beispiel in 7 werden Merkmalswerte, die von dem Signalverlauf eines Signals, das von dem ersten Sensor 11 ausgegeben wird, in die Eingabeschicht 321 eingegeben. Die Merkmalswerte können beispielsweise die Amplitude, die Frequenz und die zugehörigen statistischen Werte sein. Die Ausgabeschicht 322 gibt einen numerischen Wert für jedes Element der Betriebsbedingung der Leistungsübertragungsvorrichtung aus, der aus dem Signal von dem ersten Sensor 11 geschätzt werden kann. Die Ausgabeschicht 322 gibt jeweilige numerische Werte aus, die beispielsweise die Anzahl von Umdrehungen, die Geschwindigkeit und die Last angeben. Durch die Verwendung des Betriebsbedingungslernmodells 32 kann die Betriebsbedingung bestimmt werden, ohne die Leistungsübertragungsvorrichtung mit Sensoren für ein direktes Messen der Betriebsbedingungen, wie beispielsweise der Geschwindigkeit, der Beschleunigung, der Anzahl von Umdrehungen usw., zu versehen.
  • 8 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie unter Verwendung des Betriebsbedingungslernmodells 32M zeigt. Wenn die Leistungsübertragungsvorrichtung als ein Ziel für die Bestimmung beginnt, verwirklicht zu werden, führt die Steuerungseinheit 10 die nachstehend beschriebene Verarbeitung bei einem beliebigen Zeitpunkt in dem stationären Zustand (während eines Betriebs in einer fixierten Richtung) auf der Grundlage des Steuerungsprogramms 10P aus. Von der Verarbeitungsprozedur des Flussdiagramms, das in 8 gezeigt ist, werden die Verarbeitungen, die zu denen des Flussdiagramms, das in 3 in Ausführungsbeispiel 1 gezeigt ist, gemein sind, durch die gleichen Schrittnummern bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • Anstelle einer Bestimmung der Betriebsbedingung durch eine arithmetische Operation beschafft die Steuerungseinheit 10 ein Signal, das von dem ersten Sensor 11 erhalten wird (Schritt S211), sie führt eine Signalverarbeitung bei dem beschafften Signal aus, um einen Merkmalswert auszuwerten, und sie versieht das trainierte Betriebsbedingungslernmodell 32M mit dem Merkmalswert (Schritt S212). Die Steuerungseinheit 10 bestimmt eine Betriebsbedingung, die von dem Betriebsbedingungslernmodell 32M ausgegeben wird (Schritt S213), sie versieht das trainierte Merkmalswertvoraussagemodell 31M mit der Betriebsbedingung (Schritt S202) und sie führt die Verarbeitung bei und nach Schritt S203 aus.
  • Dies ermöglicht es, die Betriebsbedingung aus den Informationen genau zu schätzen, die relativ einfach ausgelesen werden können, wie beispielsweise ein Stromwert oder dergleichen in dem Motor für ein Ansteuern der Leistungsübertragungsvorrichtung, ohne die Leistungsübertragungsvorrichtung mit einem Geschwindigkeitssensor, einer Beschleunigungsmesseinrichtung, einer Kodiereinrichtung oder dergleichen zu versehen, um die Betriebsbedingung direkt hiervon zu erhalten.
  • Ausführungsbeispiel 4
  • Das Merkmal eines Signals, das von dem zweiten Sensor 12 zur Erfassung einer Anomalie erhalten wird, kann auch unter der gleichen Betriebsbedingung in Abhängigkeit von der Betriebssituation der Leistungsübertragungsvorrichtung, wie beispielsweise ein Start und eine Beschleunigung, in einem Betrieb bei einer fixierten Geschwindigkeit, unter einer Verzögerung, eine Aufwärts-AbwärtsBewegung und eine Vorwärts-Rückwärts-Bewegung, variiert werden. In dem Ausführungsbeispiel 4 werden Modelle in Abhängigkeit von der Betriebssituation verwendet. 9 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 4 veranschaulicht. Die Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 4 ist bezüglich einer Konfiguration ähnlich zu der des Ausführungsbeispiels 1 mit der Ausnahme, dass mehrere Merkmalswertvoraussagemodelle 31M in der Speichereinheit 13 gespeichert sind. Dementsprechend werden gemeinsame Teile bezüglich Ausführungsbeispiel 1 durch ähnliche Bezugszeichen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • 10 veranschaulicht ein Beispiel des Signalverlaufs eines Signals, das von dem zweiten Sensor 12 ausgegeben wird. In dem Beispiel, das in 10 gezeigt ist, ist der zweite Sensor 12 eine Beschleunigungsmesseinrichtung. In 10 stellt die horizontale Achse einen Zeitverlauf dar, während die vertikale Achse eine Schwingung darstellt. Wie es in 10 gezeigt ist, unterscheidet sich der Merkmalswert eines Signals, das von dem zweiten Sensor ausgegeben wird, der angebracht ist, um eine Anomalie zu erfassen, in Abhängigkeit von der Betriebssituation. Dementsprechend wird das Merkmalswertvoraussagemodell 31M vorzugsweise entsprechend der Betriebssituation trainiert.
  • 11 zeigt ein Flussdiagramm, das ein anderes Beispiel des Verfahrens zum Erzeugen des Merkmalswertvoraussagemodells 31M veranschaulicht. Es wird angenommen, dass die Betriebssituation erhalten wird, indem ein Signal, das von einem Steuerungsgerät des Motors der Leistungsübertragungsvorrichtung eingegeben wird, empfangen wird, oder es wird angenommen, dass sie im Voraus als ein Testsignal bekannt gewesen ist. Alternativ hierzu kann die Betriebssituation aus dem Merkmalswert, wie beispielsweise der Schwingungsfrequenz, der Amplitude oder dergleichen, identifiziert werden, der erhalten wird, nachdem eine Signalverarbeitung bei einem Signal ausgeführt worden ist, das von dem ersten Sensor 11 ausgegeben wird. Von der Verarbeitungsprozedur des Flussdiagramms, das in 11 gezeigt ist, werden die Verarbeitungen, die mit denen des Flussdiagramms, das in 2 in Ausführungsbeispiel 1 gezeigt sind, gemein sind, durch die gleichen Schrittzahlen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • Die Steuerungseinheit 10 hat eine Betriebssituation der Leistungsübertragungsvorrichtung identifiziert (Schritt S111), sie bestimmt eine Betriebsbedingung (Schritt S101), sie erhält ein Signal von dem zweiten Sensor 12 (Schritt S102) und sie berechnet den Merkmalswert (Schritt S103).
  • Die Steuerungseinheit 10 erzeugt Lehrdaten, die aus der Betriebsbedingung, die in Schritt S101 bestimmt wird, und dem Merkmalswert, der in Schritt S103 berechnet wird, zusammengesetzt sind, für jede Betriebssituation, die in Schritt S111 identifiziert wird (Schritt S114). Die Steuerungseinheit 10 führt eine Lernverarbeitung aus, in der Koeffizienten in dem Modell, das durch eine jeweilige Betriebssituation klassifiziert wird, oder Parameter in dem neuronalen Netzwerk unter Verwendung der erzeugten Lehrdaten gelernt werden (Schritt S115).
  • Das Merkmalswertvoraussagemodell 31M wird somit für jede Betriebssituation erzeugt und in der Speichereinheit 13 gespeichert, wie es in 9 veranschaulicht ist. 12 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie durch die Steuerungseinheit 10 gemäß Ausführungsbeispiel 4 zeigt. Die Steuerungseinheit 10 führt konstant oder periodisch die nachstehend beschriebene Verarbeitung auf der Grundlage des Steuerungsprogramms 10P aus, wenn die Leistungsübertragungsvorrichtung als ein Ziel für die Bestimmung beginnt, verwirklicht zu werden. Von der Verarbeitungsprozedur, die durch das Flussdiagramm in 12 gezeigt wird, werden die Verarbeitungen, die mit denen des Flussdiagramms, das in 3 in Ausführungsbeispiel 1 gezeigt sind, durch die gleichen Schrittzahlen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • Die Steuerungseinheit 10 identifiziert eine Betriebssituation der Leistungsübertragungsvorrichtung (Schritt S221) und versieht, wenn eine Betriebsbedingung bestimmt ist (Schritt S201), die Eingabeschicht 311 des Merkmalswertvoraussagemodells 31M entsprechend der Betriebssituation, die in Schritt S221 identifiziert wird, mit der bestimmten Betriebsbedingung (Schritt S222). Die Steuerungseinheit 10 spezifiziert den Merkmalswert eines Signals, von dem erwartet wird, dass es von dem zweiten Sensor 12 in der Betriebssituation ausgegeben wird, die von dem Merkmalswertvoraussagemodell 31M in dem normalen Zustand ausgegeben wird (Schritt S203), bestimmt, ob der spezifizierte Merkmalswert und ein Merkmalswert des Signals, das tatsächlich ausgegeben wird (Schritte S204 und S205), miteinander übereinstimmen (Schritt S206), um hierdurch das Vorhandensein oder Fehlen einer Anomalie zu bestimmen.
  • Durch ein Verwenden des Voraussagemodells für jede Betriebssituation kann eine Anomaliebestimmung in Abhängigkeit von der Situation nicht nur für die Leistungsübertragungsvorrichtung getroffen werden, die sich bei einer fixierten Geschwindigkeit in dem stationären Zustand bewegt.
  • Die Verarbeitung zum Identifizieren einer Betriebssituation kann für ein Lernen und eine Anomaliebestimmung nur unter der identifizierten Situation angewendet werden. Beispielsweise identifiziert in der Verarbeitung, die in dem Flussdiagramm in 11 gezeigt ist, die Steuerungseinheit 10 eine Betriebssituation der Leistungsübertragungsvorrichtung in Schritt S111, um zu bestimmen, ob sie in dem stationären Zustand ist oder nicht. Die Steuerungseinheit 10 führt die Verarbeitung bei und nach Schritt S101 nicht aus, wenn sie in einem Zustand ist, der zu dem stationären Zustand (Bewegung bei einer fixierten Geschwindigkeit) oder unter einer Beschleunigung ist. In diesem Fall identifiziert in der Verarbeitung, die in dem Flussdiagramm in 12 gezeigt ist, die Steuerungseinheit 10 die Betriebssituation der Leistungsübertragungsvorrichtung in Schritt S221, um zu beurteilen, ob sie in dem stationären Zustand oder unter einer Beschleunigung ist. Wenn sie in dem Zustand ist, der zu dem stationären Zustand oder unter einer Beschleunigung unterschiedlich ist, führt die Steuerungseinheit 10 die Verarbeitung bei und nach S202 nicht aus. Somit kann die Verarbeitung bei und nach Schritt S202 nur während der Zeitdauer ausgeführt werden, wenn eine Bestimmung möglich gemacht wird, nachdem die Situation identifiziert worden ist.
  • Das Verfahren, das das Betriebsbedingungslernmodell 32M verwendet, das in Ausführungsbeispiel 2 gezeigt ist, kann bei einer Bestimmung der Betriebsbedingung in dem Ausführungsbeispiel 4 angewendet werden.
  • Ausführungsbeispiel 5
  • 13 zeigt ein Blockschaltbild, das die Konfiguration einer Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 5 veranschaulicht. Die Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 5 ist bezüglich einer Konfiguration zu der des Ausführungsbeispiels 1 mit Ausnahme davon ähnlich, dass mehrere Merkmalswertvoraussagemodelle 31M, mehrere Betriebsbedingungslernmodelle 32M und ein Betriebssituationsidentifikationsmodell 33M in der Speichereinheit 13 gespeichert sind, wobei eine Betriebssituation durch das Betriebssituationsidentifikationsmodell 33M bestimmt wird. Dementsprechend werden gemeinsame Teile mit Ausführungsbeispiel 1 durch ähnliche Bezugszeichen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • In dem Ausführungsbeispiel 5 wird die Betriebssituation ebenso auf der Grundlage eines Signals vorausgesagt, das von dem ersten Sensor 11 ausgegeben wird, wobei ein Lernmodell verwendet wird. 14 veranschaulicht ein Beispiel des Signalverlaufs eines Signals, das von dem ersten Sensor 11 ausgegeben wird. Der erste Sensor 11 ist eine Strommesseinrichtung in dem Beispiel in 14. Wie es in 10 in dem Ausführungsbeispiel 4 veranschaulicht ist, variiert in Übereinstimmung mit dem variierenden Signalverlauf des Signals, das von dem zweiten Sensor 12 ausgegeben wird, in Abhängigkeit von der Betriebssituation der Stromwert, der durch die Strommesseinrichtung gemessen wird, in Abhängigkeit von der Betriebssituation. Dementsprechend kann, auch wenn die Betriebssituation nicht von dem Steuerungsgerät der Leistungsübertragungsvorrichtung erhalten wird, die Betriebssituation durch ein Lernen des Stromwerts vorausgesagt und bestimmt werden.
  • 15 zeigt ein Flussdiagramm, das ein Beispiel einer Verarbeitungsprozedur zum Erzeugen des Betriebssituationsidentifikationsmodells 33M gemäß Ausführungsbeispiel 5 zeigt. Für den Lernalgorithmus des Betriebssituationsidentifikationsmodells 33M ist ein kontrolliertes deep-learning, das ein neuronales Netzwerk verwendet, zu bevorzugen. Ein Signal wird in einer Zeitabfolge erhalten, wobei somit ein RNN, insbesondere ein LSTM verwendet werden kann. Die nachstehend beschriebene Verarbeitung wird bei der Leistungsübertragungsvorrichtung sowohl in dem anormalen Zustand als auch dem normalen Zustand ausgeführt.
  • Die Steuerungseinheit 10 erhält ein Signal, das von dem ersten Sensor 11 ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in der bekannten Betriebssituation (Schritt S401). Die Steuerungseinheit 10 erzeugt Lehrdaten, die das Signal umfassen, das in Schritt S401 erhalten wird, in Verbindung mit der bekannten Betriebssituation (Stopp, unter einer Beschleunigung, Vorwärtsbewegung, Rückwärtsbewegung, unter einer Verzögerung oder dergleichen) (Schritt S402), und sie führt eine Lernverarbeitung zum Eingeben der erzeugten Lehrdaten in das neuronale Netzwerk und von Lernparametern, wie beispielsweise Gewichten und Vorspannungen oder dergleichen, in die Zwischenschicht des neuronalen Netzwerks aus (Schritt S403). Die Steuerungseinheit 10 beendet das Lernen eines einzelnen Signals, das von dem ersten Sensor 11 ausgegeben wird, für das die Betriebssituation durch die Lernverarbeitung in Schritt S403 bekannt gewesen ist.
  • Eine wiederholte Ausführung der Lernverarbeitung, die durch das Flussdiagramm in 15 gezeigt ist, ermöglicht es, dass das neuronale Netzwerk das Betriebssituationsidentifikationsmodell 33M ist, das die Betriebssituation identifiziert, wenn ein Signal von dem ersten Sensor 11 eingegeben wird. Das Betriebssituationsidentifikationsmodell 33M ist in der Speichereinheit 13 gespeichert und wird bei einer Verarbeitung zum Bestimmen einer Anomalie, die nachstehend zu beschreiben ist, verwendet.
  • 16 veranschaulicht ein Beispiel der Einzelheiten des Betriebssituationsidentifikationsmodells 33M. Das Betriebssituationsidentifikationsmodell 33M umfasst eine Eingabeschicht 331, durch die mehrere Merkmalswerte eines Signals von dem ersten Sensor 11 eingegeben werden, und eine Ausgabeschicht 332, von der eine Betriebssituation ausgegeben wird. Das Betriebssituationsidentifikationsmodell 33M umfasst eine Zwischenschicht 333, die eine oder mehrere Schichten einer Gruppe von Knoten umfasst, die zwischen der Eingabeschicht 331 und der Ausgabeschicht 332 positioniert sind, und ist durch die Lehrdaten eines Signals von dem ersten Sensor 11 trainiert worden, für das die Betriebssituation bekannt gewesen ist.
  • In dem Beispiel in 16 werden Merkmalswerte, die von dem Signalverlauf eines Signals erhalten werden, das von dem ersten Sensor 11 ausgegeben wird, in die Eingabeschicht 331 eingegeben. Die Merkmalswerte können beispielsweise die Amplitude, die Frequenz und die zugehörigen statistischen numerischen Werte sein. Die Ausgabeschicht 332 gibt Betriebssituationen der Leistungsübertragungsvorrichtung aus, die von dem Signal von dem ersten Sensor 11 vorausgesagt und identifiziert werden. Die Ausgabeschicht 332 gibt spezifisch Wahrscheinlichkeiten für unterschiedliche Betriebssituationen (Stopp, unter einer Beschleunigung, Vorwärtsbewegung, Rückwärtsbewegung, unter einer Verzögerung usw.) aus. Durch die Verwendung des Betriebssituationsidentifikationsmodells 33M kann die Betriebssituation der Leistungsübertragungsvorrichtung ohne Bereitstellung von Sensoren für ein direktes Erhalten und Messen der Betriebssituationen der Leistungsübertragungsvorrichtung von dem Steuerungsgerät zur Steuerung der Leistungsübertragungsvorrichtung identifiziert werden.
  • 17 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur zum Bestimmen einer Anomalie gemäß Ausführungsbeispiel 5 zeigt. Wenn die Leistungsübertragungsvorrichtung als ein Ziel für die Bestimmung beginnt, verwirklicht zu werden, führt die Steuerungseinheit 10 konstant oder periodisch die nachstehend beschriebene Verarbeitung auf der Grundlage des Steuerungsprogramms 10P aus. Von der Verarbeitungsprozedur des Flussdiagramms, das in 17 gezeigt ist, werden die Verarbeitungen, die mit denen des Flussdiagramms, das in 12 des Ausführungsbeispiels 4 gezeigt ist, gemein sind, durch die gleichen Schrittzahlen bezeichnet, wobei eine ausführliche Beschreibung hiervon nicht wiederholt wird.
  • Die Steuerungseinheit 10 führt eine zeitliche Teilung beziehungsweise eine Teilung auf Zeitbasis aus und erhält Signale, die von dem ersten Sensor 11 erhalten werden, anstatt die Betriebssituation direkt zu identifizieren (Schritt S231), und wendet die erhaltenen Signale bei der Eingabeschicht 331 des trainierten Betriebssituationsidentifikationsmodells 33M an (Schritt S232). Die Steuerungseinheit 10 bestimmt die Betriebssituation, die von dem Betriebssituationsidentifikationsmodell 33M ausgegeben wird, für jedes der Signale (Schritt S233).
  • Die Steuerungseinheit 10 extrahiert Signale einer spezifischen Betriebssituation (beispielsweise einer Vorwärtsbewegung) auf der Grundlage der bestimmten Betriebssituation (Schritt S234) und wählt eines der Betriebsbedingungslernmodelle 32M und eines der Merkmalswertvoraussagemodelle 31M entsprechend der bestimmten Betriebssituation aus (Schritt S235).
  • Die Steuerungseinheit 10 versieht das Betriebsbedingungslernmodell 32M, das in Schritt S235 ausgewählt wird, mit den extrahierten Signalen (Schritt S236) und bestimmt eine Betriebsbedingung, die von dem Betriebsbedingungslernmodell 32M ausgegeben wird (Schritt S237). Die Steuerungseinheit 10 versieht das Merkmalswertvoraussagemodell 31M, das in Schritt S235 ausgewählt wird, mit der bestimmten Betriebsbedingung (Schritt S238) und bestimmt eine Merkmalswertausgabe (Schritt S239).
  • Danach erhält die Steuerungseinheit 10 ein Signal von dem zweiten Sensor, das zeitlich auf das extrahierte Signal bezogen ist (Schritt S204), sie berechnet den Merkmalswert (Schritt S205), sie bestimmt das Vorhandensein oder Fehlen einer Anomalie in Abhängigkeit davon, ob der berechnete Merkmalswert mit dem Merkmalswert übereinstimmt, der in Schritt S239 spezifizier ist (Schritte S206-S209) und sie beendet die Verarbeitung.
  • Dies ermöglicht es, die Betriebsbedingung von den Informationen, die relativ einfach ausgelesen werden können, wie beispielsweise ein Stromwert oder dergleichen des Motors für ein Ansteuern der Leistungsübertragungsvorrichtung, genau abzuschätzen, ohne eine Betriebssituation von dem Steuerungsgerät der Leistungsübertragungsvorrichtung zu erhalten oder ohne die Betriebsbedingung direkt von einem Geschwindigkeitssensor, einer Beschleunigungsmesseinrichtung und einer Kodiereinrichtung zu erhalten, die bei der Leistungsübertragungsvorrichtung angebracht worden sind.
  • Ausführungsbeispiel 6
  • In Ausführungsbeispiel 6 wird das Merkmalswertvoraussagemodell 31M von einer Servervorrichtung bereitgestellt, die kommunikationsfähig mit der Anomaliebestimmungsvorrichtung 1 ist. 18 zeigt ein Blockschaltbild, das die Konfiguration eines Systems veranschaulicht, das eine Anomaliebestimmungsvorrichtung 1 gemäß Ausführungsbeispiel 6 umfasst. In dem Ausführungsbeispiel 6, wie es in 18 veranschaulicht ist, umfasst die Anomaliebestimmungsvorrichtung 1 eine Kommunikationseinheit 16 zusätzlich zu der Steuerungseinheit 10, der Speichereinheit 13, der Eingabeeinheit 14 und der Ausgabeeinheit 15, wobei sie über ein Netzwerk N durch die Kommunikationseinheit 16 mit der Servervorrichtung 2 kommunikationsfähig ist.
  • Das Netzwerk N ist das sogenannte Internet. Das Netzwerk N kann ein Netzwerk umfassen, das durch einen Kommunikationsträger bereitgestellt wird, der eine drahtlose Kommunikation auf der Grundlage eines Standards erreicht, wie beispielsweise eines mobilen Hochgeschwindigkeitskommunikationsstandards der nächsten Generation oder der übernächsten Generation.
  • Die Servervorrichtung 2, die einen Servercomputer einsetzt, umfasst eine Steuerungseinheit 20, eine Speichereinheit 21 und eine Kommunikationseinheit 22. Die Steuerungseinheit 20, die ein Prozessor ist, der eine CPU oder eine GPU verwendet, umfasst einen integrierten vergänglichen Speicher, eine Uhr und dergleichen. Die Steuerungseinheit 20 führt eine jeweilige Verarbeitung auf der Grundlage eines Serverprogramms 2P aus, das in der Speichereinheit 21 gespeichert ist, um einen Mehrzweck-Servercomputer zu veranlassen, als eine spezifische Vorrichtung zum Erzeugen, Aktualisieren und Verwenden des Merkmalswertvoraussagemodells 2M zu fungieren.
  • Die Speichereinheit 21 setzt eine Festplatte ein, um Informationen zu speichern, auf die sich die Steuerungseinheit 20 bezieht, die zu dem Serverprogramm 2P unterschiedlich sind. Die Speichereinheit 21 speichert das Merkmalswertvoraussagemodell 2M. Das Serverprogramm 2P, das in der Speichereinheit 21 gespeichert ist, kann von außerhalb durch die Kommunikationseinheit 22 beschafft werden, um gespeichert zu werden.
  • Die Kommunikationseinheit 22 umfasst eine Netzwerkkarte. Die Steuerungseinheit 20 kann Informationen mit einer Client-Vorrichtung 4 über das Netzwerk N durch die Kommunikationseinheit 22 übertragen und empfangen.
  • Das Merkmalswertvoraussagemodell 2M wird somit in der Servervorrichtung 2 gespeichert. Eine Verarbeitung zum Eingeben einer Betriebsbedingung in das Merkmalswertvoraussagemodell 2M und zum Spezifizieren des Merkmalswerts wird durch die Servervorrichtung 2 auf der Grundlage des Serverprogramms 2P ausgeführt. Die Anomaliebestimmungsvorrichtung 1 kann Informationen erhalten und eine Anomaliebestimmung ausführen, ohne eine Verarbeitung auszuführen, die eine schwere arithmetische Verarbeitungslast mit sich bringt, wie beispielsweise eine Erzeugung und Verwendung des Merkmalswertvoraussagemodells 31M oder dergleichen. Somit ist es möglich, das Lernmodell zu verwenden, das reichlich vorhandene Hardwareressourcen der Servervorrichtung 2 verwendet.
  • Es ist ersichtlich, dass die Ausführungsbeispiele, die hier offenbart sind, in jederlei Hinsicht veranschaulichend sind und nicht einschränkend sind. Der Umfang der vorliegenden Erfindung wird durch die beigefügten Patentansprüche definiert, wobei alle Änderungen, die in die Bedeutung und die Grenzen der Patentansprüche fallen, oder eine Entsprechung derartiger Bedeutungen und Grenzen durch die Patentansprüche umfasst sein sollen.
  • Bezugszeichenliste
    • 1
    Anomaliebestimmungsvorrichtung
    10
    Steuerungseinheit (Betriebsbedingungsbestimmungseinheit, Merkmalswertspezifikationseinheit, Bestimmungseinheit)
    13
    Speichereinheit
    14
    Eingabeeinheit
    31M, 2M
    Merkmalswertvoraussagemodell
    32M
    Betriebsbedingungslernmodell
    33M
    Betriebssituationsidentifikationsmodell
    2
    Servervorrichtung

Claims (12)

  1. Anomaliebestimmungsvorrichtung mit: einer Eingabeeinheit, durch die ein erstes Signal, das von einem ersten Sensor ausgegeben wird, das auf einen Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel bezogen ist, und ein zweites Signal, das von einem zweiten Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, eingegeben werden; einer Betriebsbedingungsbestimmungseinheit, die eine Betriebsbedingung der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals bestimmt; einer Merkmalswertvoraussageeinheit, die einen Merkmalswert eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von der Betriebsbedingung, die durch die Betriebsbedingungsbestimmungseinheit bestimmt wird, voraussagt; und einer Bestimmungseinheit, die ein Vorhandensein oder Fehlen einer Anomalie auf der Grundlage eines Merkmalswerts eines zweiten Signals, der durch die Merkmalswertvoraussageeinheit in Abhängigkeit von einer Betriebsbedingung der Leistungsübertragungsvorrichtung, die auf der Grundlage des ersten Signals spezifiziert wird, während einer Bestimmungszielzeitdauer vorausgesagt wird, und eines Merkmalswerts eines zweiten Signals, das durch die Eingabeeinheit während der Bestimmungszielzeitdauer eingegeben wird, bestimmt.
  2. Anomaliebestimmungsvorrichtung nach Anspruch 1, wobei die Merkmalswertvoraussageeinheit zuvor eine Lernverarbeitung einer Regressionsgleichung zur Herleitung eines Merkmalswerts unter der Annahme, dass eine Betriebsbedingung eine Variable ist, durch eine Regressionsanalyse ausführt, wobei eine bekannte Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand und ein Merkmalswert eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand als Lehrdaten verwendet werden, und eine Voraussage auf der Grundlage der Regressionsgleichung, die ausgewertet wird, trifft.
  3. Anomaliebestimmungsvorrichtung nach Anspruch 1, wobei die Merkmalswertvoraussageeinheit eine Voraussage unter Verwendung eines Merkmalswertvoraussagemodells trifft, das eine Eingabeschicht, durch die eine Betriebsbedingung eingegeben wird, eine Ausgabeschicht, von der eine Voraussage eines Merkmalswerts eines zweiten Signals, das von dem zweiten Sensor auszugeben ist, ausgegeben wird, und eine Zwischenschicht umfasst, die unter Verwendung von Lehrdaten trainiert worden ist, die eine bekannte Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand und einem Merkmalswert eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung mit einem normalen Zustand umfassen.
  4. Anomaliebestimmungsvorrichtung nach Anspruch 1, wobei die Betriebsbedingungsbestimmungseinheit durch eine Verwendung eines Betriebsbedingungslernmodells, das trainiert worden ist, das einen Parameter entsprechend einer Betriebsbedingung der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals ausgibt, einen Parameter entsprechend einer Betriebsbedingung spezifiziert, indem das Betriebsbedingungslernmodell mit einem ersten Signal versehen wird, das von dem ersten Sensor während der Bestimmungszielzeitdauer ausgegeben wird.
  5. Anomaliebestimmungsvorrichtung nach einem der Ansprüche 2 bis 4, wobei die Merkmalswertvoraussageeinheit und die Betriebsbedingungsbestimmungseinheit auf der Grundlage einer Betriebssituation der Leistungsübertragungsvorrichtung trainiert werden.
  6. Anomaliebestimmungsvorrichtung nach Anspruch 5, ferner mit einer Betriebssituationsidentifikationseinheit, die durch eine Verwendung eines Betriebssituationsidentifikationsmodells, das trainiert worden ist, das eine Betriebssituation der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals identifiziert, eine Betriebssituation aus Informationen identifiziert, die eine Betriebssituation angeben, die erhalten wird, indem das Betriebssituationsbestimmungsmodell mit einem ersten Signal, das von dem ersten Sensor ausgegeben wird, während einer Bestimmungszielzeitdauer versehen wird, wobei die Betriebsbedingungsbestimmungseinheit eine Betriebsbedingung unter Verwendung eines Betriebsbedingungslernmodells, das auf der Grundlage einer Betriebssituation trainiert wird, bestimmt und die Merkmalswertvoraussageeinheit einen Merkmalswert unter Verwendung eines Merkmalswertvoraussagemodells voraussagt, das auf der Grundlage einer Betriebssituation trainiert wird.
  7. Anomaliebestimmungsvorrichtung nach einem der Ansprüche 1 bis 6, wobei der erste Sensor ein Sensor zum Messen eines Stromwerts oder eines Leistungswerts eines Motors, der die Leistungsübertragungsvorrichtung betrifft, ist und eine Beschleunigungsmesseinrichtung, ein Temperatursensor oder ein Versatzsensor ist, der bei der Leistungsübertragungsvorrichtung angebracht ist.
  8. Signalmerkmalswertvoraussageeinrichtung mit: einer Eingabeeinheit, durch die eine Betriebsbedingung einer Leistungsübertragungsvorrichtung als ein Ziel eingegeben wird; und einer Ausgabeeinheit, die einen Merkmalswert eines Signals, das von einem Sensor auszugeben ist, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von einer Betriebsbedingung, die durch die Eingabeeinheit eingegeben wird, voraussagt und ausgibt.
  9. Verfahren zum Bestimmen einer Anomalie mit: einem Eingeben eines ersten Signals, das von einem ersten Sensor ausgegeben wird, bezüglich eines Betriebs einer Leistungsübertragungsvorrichtung als ein Ziel und eines zweiten Signals, das von einem zweiten Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen; einem Bestimmen einer Betriebsbedingung der Leistungsübertragungsvorrichtung auf der Grundlage des ersten Signals; einem Voraussagen eines Merkmalswerts eines zweiten Signals, das von dem zweiten Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand in Abhängigkeit von der Betriebsbedingung, die bestimmt wird; und einem Bestimmen eines Vorhandenseins oder Fehlens einer Anomalie auf der Grundlage eines Merkmalswerts eines zweiten Signals, der in Abhängigkeit von einer Betriebsbedingung der Leistungsübertragungsvorrichtung vorausgesagt wird, die auf der Grundlage des ersten Signals während einer Bestimmungszielzeitdauer bestimmt wird, und eines Merkmalswerts eines zweiten Signals, das während der Bestimmungszielzeitdauer eingegeben wird.
  10. Verfahren zum Erzeugen eines Lernmodells mit: durch ein Verwenden eines Lernmodells, das eine Eingabeschicht, durch die eine Betriebsbedingung einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung eingegeben wird, eine Ausgabeschicht, von der ein Merkmalswert eines Signals, das von einem Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird, und eine Zwischenschicht umfasst, einem Bestimmen einer Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand; einem Herleiten eines Merkmalswerts eines Signals, das von dem Sensor ausgegeben wird, entsprechend der Betriebsbedingung, die bestimmt wird; und einem Lernen eines Parameters in der Zwischenschicht auf der Grundlage eines Fehlers zwischen einem Merkmalswert, der von der Ausgabeschicht ausgegeben wird, wenn die bestimmte Betriebsbedingung in die Eingabeschicht des Lernmodells eingegeben wird, und dem Merkmalswert, der hergeleitet wird.
  11. Verfahren zum Erzeugen eines Lernmodells mit: einem Speichern eines Merkmalswertvoraussagemodells, das eine Eingabeschicht, durch die eine Betriebsbedingung, die auf einen Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung bezogen ist, eingegeben wird, eine Ausgabeschicht, von der ein Merkmalswert eines Signals, das von einem Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird, und eine Zwischenschicht umfasst, die unter Verwendung von Lehrdaten trainiert worden ist, die eine bekannte Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand und einen Merkmalswert eines Signals, das von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand umfasst; einem Annehmen einer Betriebsbedingung der Leistungsübertragungsvorrichtung während einer Bestimmungszielzeitdauer und eines Signals, das von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung während der Bestimmungszielzeitdauer; und einem erneuten Trainieren des Merkmalswertvoraussagemodells durch Lehrdaten, die die Betriebsbedingung, die angenommen wird, und ein entsprechendes Signal umfassen.
  12. Lernmodell mit: einer Eingabeschicht, durch die eine Betriebsbedingung, die auf einem Betrieb einer Leistungsübertragungsvorrichtung als ein Ziel für eine Anomaliebestimmung bezogen ist, eingegeben wird; einer Ausgabeschicht, von der ein Merkmalswert eines Signals, das von einem Sensor ausgegeben wird, der angebracht ist, um eine Anomalie der Leistungsübertragungsvorrichtung zu erfassen, ausgegeben wird; und einer Zwischenschicht, die unter Verwendung von Lehrdaten trainiert worden ist, die eine bekannte Betriebsbedingung der Leistungsübertragungsvorrichtung in einem normalen Zustand und einen Merkmalswert eines Signals, das von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in einem normalen Zustand umfassen, und einem Veranlassen eines Computers, so zu funktionieren, dass er einen Merkmalswert eines Signals, von dem vorausgesagt wird, dass es von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung in dem normalen Zustand, der von der Ausgabeschicht ausgegeben wird, wenn eine Betriebsbedingung der Leistungsübertragungsvorrichtung, die während der Bestimmungszeitdauer bestimmt wird, der Eingabeschicht bereitgestellt wird, und einen Merkmalswert eines Signals, das tatsächlich von dem Sensor ausgegeben wird, bezüglich der Leistungsübertragungsvorrichtung während der Bestimmungszielzeitdauer vergleicht.
DE112019004931.3T 2018-10-01 2019-09-11 Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell Pending DE112019004931T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018186865A JP2020057165A (ja) 2018-10-01 2018-10-01 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
JP2018-186865 2018-10-01
PCT/JP2019/035602 WO2020071066A1 (ja) 2018-10-01 2019-09-11 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル

Publications (1)

Publication Number Publication Date
DE112019004931T5 true DE112019004931T5 (de) 2021-08-05

Family

ID=70054968

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112019004931.3T Pending DE112019004931T5 (de) 2018-10-01 2019-09-11 Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell

Country Status (5)

Country Link
US (1) US20220058481A1 (de)
JP (1) JP2020057165A (de)
CN (1) CN112714895A (de)
DE (1) DE112019004931T5 (de)
WO (1) WO2020071066A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6831030B1 (ja) * 2020-06-30 2021-02-17 三菱重工業株式会社 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム
US11636752B2 (en) * 2021-04-26 2023-04-25 Rockwell Automation Technologies, Inc. Monitoring machine operation with different sensor types to identify typical operation for derivation of a signature

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0572026A (ja) * 1991-09-18 1993-03-23 Hitachi Ltd 回転系設備故障診断装置及び方法
JPH06109498A (ja) * 1992-09-29 1994-04-19 Toshiba Corp 非定常および異常状態の検出装置
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
JPH08122142A (ja) * 1994-10-21 1996-05-17 Omron Corp 判別装置及び判別方法
JP2002109150A (ja) * 2000-09-28 2002-04-12 Fuji Electric Co Ltd 時系列データの適応的予測方法
JP4031745B2 (ja) * 2003-09-16 2008-01-09 三菱重工業株式会社 歯車診断方法及び歯車診断装置
JP2005149137A (ja) * 2003-11-14 2005-06-09 Tokyo Gas Co Ltd 遠隔監視システム、遠隔監視方法、及び遠隔監視プログラム
JP4415682B2 (ja) * 2004-01-22 2010-02-17 富士ゼロックス株式会社 搬送装置、画像形成装置、故障診断装置
JP5210057B2 (ja) * 2008-06-13 2013-06-12 株式会社江沼チヱン製作所 チェーンの異常検出方法と、その装置
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP6037954B2 (ja) * 2013-06-26 2016-12-07 株式会社日立製作所 ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。
JP5946572B1 (ja) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
JP6585482B2 (ja) * 2015-11-26 2019-10-02 株式会社日立製作所 機器診断装置及びシステム及び方法
JP6496274B2 (ja) * 2016-05-27 2019-04-03 ファナック株式会社 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
JP6677575B2 (ja) * 2016-06-01 2020-04-08 株式会社神戸製鋼所 回転機械の運転状態を診断する診断装置及び診断方法
JP6584662B2 (ja) * 2016-06-07 2019-10-02 三菱電機株式会社 異常診断装置及び異常診断方法
JP2018025450A (ja) * 2016-08-09 2018-02-15 オークマ株式会社 軸受診断装置
DE102017127098B8 (de) * 2016-11-24 2023-05-04 Fanuc Corporation Gerät und Verfahren zum Annehmen eines Anormalitätsauftretens für Teleskopabdeckung
JP6672132B2 (ja) * 2016-12-14 2020-03-25 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法

Also Published As

Publication number Publication date
WO2020071066A1 (ja) 2020-04-09
JP2020057165A (ja) 2020-04-09
US20220058481A1 (en) 2022-02-24
CN112714895A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
DE102017104438B4 (de) Vorrichtung zum maschinellen Lernen, Laservorrichtung und Verfahren zum maschinellen Lernen
JP6569927B1 (ja) 異常判定システム、モータ制御装置、及び異常判定装置
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
DE102016010049B4 (de) Vorrichtung für maschinelles Lernen und Verfahren zum Lernen einer vorhergesagten Lebensdauer eines Motors, Lebensdauer-Vorhersagevorrichtung und Motorsystem mit einer Vorrichtung für maschinelles Lernen
EP3529669B1 (de) Verfahren und steuereinrichtung zum steuern eines technischen systems
DE102016010048B4 (de) Maschinelles lernverfahren und vorrichtung zum maschinellen lernen zum erlernen eines betriebsbefehls an einen elektromotor sowie steuerung und elektromotorvorrichtung einschliesslich vorrichtung zum maschinellen lernen
DE102017003165A1 (de) Maschinelle Lernvorrichtung und maschinelles Lernverfahren zum Lernen der Fehlervorhersage einer Hauptwelle oder eines Motors, der die Hauptwelle antreibt, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem umfassend eine maschinelle Lernvorrichtung
EP3662418B1 (de) Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit
DE102018003266B4 (de) Controller und maschinelle lernvorrichtung
DE102016106085A1 (de) Werkzeugmaschinenverwaltungssystem
EP3517774A1 (de) Verfahren und vorrichtung zur kooperativen steuerung von windturbinen eines windparks
JP6985833B2 (ja) データ処理装置、制御システム、データ処理方法及びプログラム
DE102019103824A1 (de) Fehlervorhersagevorrichtung und maschinelle lernvorrichtung
DE112019004931T5 (de) Anomaliebestimmungsvorrichtung, Signalmerkmalswertvoraussageeinrichtung, Verfahren zum Bestimmen einer Anomalie, Verfahren zum Erzeugen eines Lernmodells und Lernmodell
JP2017103882A (ja) 制御装置、制御プログラムおよび記録媒体
DE102012103652A1 (de) Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit
WO2004034166A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
CN109416023B (zh) 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质
CN114757048A (zh) 一种风机基础的健康状态评估方法、装置、设备和介质
DE102018201975A1 (de) Diagnosedaten-erfassungssystem, diagnosesystem und diagnosedaten-erfassungsprogramm
EP2947035B1 (de) Verfahren zur bestimmung der aufgenommenen last einer arbeitsmaschine sowie arbeitsmaschine, insbesondere kran
EP3914979A1 (de) Virtueller sensor auf einer übergeordneten maschinenplattform
CN114266013B (zh) 基于深度学习虚拟感知网络的传动系统振动解耦方法
DE112020007081T5 (de) Numerische Steuerungsvorrichtung und Lernvorrichtung

Legal Events

Date Code Title Description
R012 Request for examination validly filed