JP2000315111A - 設備及び製品プロセス異常状態の診断方法及び装置 - Google Patents
設備及び製品プロセス異常状態の診断方法及び装置Info
- Publication number
- JP2000315111A JP2000315111A JP12471899A JP12471899A JP2000315111A JP 2000315111 A JP2000315111 A JP 2000315111A JP 12471899 A JP12471899 A JP 12471899A JP 12471899 A JP12471899 A JP 12471899A JP 2000315111 A JP2000315111 A JP 2000315111A
- Authority
- JP
- Japan
- Prior art keywords
- value
- equipment
- variable
- explanatory
- explanatory variables
- 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.)
- Granted
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
インまたはオフラインで診断する方法において、異常状
態の同定精度を向上させ、異常状態を改善するために取
るべき最適なアクションガイダンスを行う方法と装置を
提供する。 【解決手段】測定した異常状態が、設備異常または品質
異常の問題とならないレベルに設定した所定のしきい値
を越えた場合(S2)に、当該異常に関連する状態説明
変数及び異常目的変数を求め(S3)、ニューラルネッ
トワークにより、1あるいは複数の要因分析を行って、
状態目的変数に対する説明変数の影響をF値あるいはt
値を基にした不要説明変数の破棄をしたかたちで同定す
る(S4)。
Description
る設備及び製品プロセス異常状態の診断方法及び装置に
対し、特に異常原因と異常状態との因果関係を明確にす
ることが出来るようにしたものである。
態の診断を行うための方法や装置が種々提案されてい
る。製品プロセス異常状態を診断する方法としては、線
形多変量解析を行う方法が知られている。特開平6−7
4876号公報には、対象設備の状態をオンラインで診
断する設備診断方法及び装置として、観測情報をニュー
ラルネットワークに入力し、ニューラルネットワークを
使って原因の候補を求め、ニューロンの重みを使って、
確率の高い原因の候補を絞り込み、さらにニューラルネ
ットワークを使って、原因の候補によって引き起こされ
る影響を求め、ニューロンの重みを使って原因の候補に
よって引き起こされる影響の中から重大な影響を及ぼす
原因を求め、実際の設備で影響の有無とその程度を確認
し、真の原因を特定するものが開示されている。
状態を測定するセンサまたは運転者の観測情報をその対
象設備の状態とその状態を引き起こす原因との因果関係
を表すニューラルネットワークに入力し、そのニューラ
ルネットワークの該当するパスを辿って、その状態を引
き起こす候補を求め、その状態を引き起こす原因の候補
が及ぼす状態をそのニューラルネットワークの該当する
パスを逆方向に辿ることによって求め、そのニューラル
ネットワークで求めた状態を確認することによって真の
原因を究明する構成になっている。
は、ニューラルネットワークや遺伝的アルゴリズムを用
いて異常原因と異常状態との因果関係を同定し、異常状
態を回避するためのアクションガイダンスを提案するも
のが開示されている。
の設備及びプロセス診断方法では、以下のような問題が
あった。すなわち、線形多変量解析を行って製品プロセ
ス異常状態を診断するための方法では、非線形プロセス
現象を取り扱うことが困難であり、異常状態を定量的に
表現することができないという問題があった。また、特
開平6−74876号公報に開示された、対象設備の状
態をオンラインで診断する方法及び装置では、ニューラ
ルネットワークにより異常要因分析することが記述され
ているものの、異常原因と異常状態との因果関係を具体
的に導き出す方法が示されていない。すなわち、ニュー
ラルネットワークによる異常原因の同定だけでは、因果
関係がブラックボックス化されており、実用化に乏しい
という問題点がある。
は、ニューラルネットワークや遺伝的アルゴリズムを用
いて異常原因と異常状態との因果関係を同定する方法
が、開示されているが、同定精度に対し大きな外乱とな
る不必要な説明変数破棄方法が示されていないため、同
定精度が低下するという問題点がある。本発明では、上
記した従来の技術の有する問題点に鑑み提案されたもの
で、以下の点をその目的とする。
取り扱うことが可能で、簡易的に外乱要因となる不要説
明変数の影響を受けないように選別し、必要な説明変数
は影響度で評価し、さらに最適化を容易に行うことが出
来る設備及び製品プロセス異常状態の診断方法及び装置
を提供することを目的とする。
要な説明変数の選別の精度向上、ひいては異常要因分析
の精度を向上させることが可能な設備及び製品プロセス
異常状態の診断方法を提供することを目的とする。
に加えて、ステップワイズ法により一度破棄された説明
変数を救いあげることが可能となるため、さらに同定精
度を向上させることが可能な設備及び製品プロセス異常
状態の診断方法を提供することを目的とする。
に加えて、同定データ量が少なく、説明変数が膨大とな
った場合に不要説明変数を効率良く選別することが可能
な設備及び製品プロセス異常状態の診断方法を提供する
ことを目的とする。
に加えて、説明変数同士の因果関係を加味した評価が可
能となるため、更に正確な不要説明変数を選別すること
が可能な設備及び製品プロセス異常状態の診断方法を提
供することを目的とする。
に加えて、不要説明変数除去の評価において学習で用い
たデータを用いずに検定用のデータで客観的な評価が可
能となるため、同定精度の信頼性が保証される。
に加えて、ニューラルネットワークを用いた同定方法に
おいて目的変数及び説明変数に対しデータの標準化を行
うことで単位の影響を取り除くことで更に同定精度を向
上させることが可能な設備及び製品プロセス異常状態の
診断方法を提供することを目的とする。
に加えて、ニューラルネットワークを用いた同定方法に
おいて、学習データ不足や学習データの偏りによって発
生するt値やF値の不安定なバラツキを加味した平均
値、平均値+α×標準偏差、期待値やメジアンとし、α
は所定の一定数とすることで同定精度を向上させること
を目的とする。
て、形状不良等を防止するための診断方法を提供するこ
とを目的とする。
め、本発明の要旨とするところは、 (1)対象設備及び製品プロセスの異常状態をオンライ
ンまたはオフラインで診断する方法において、所定のセ
ンサーで測定した設備異常状態又は品質異常状態を目的
変数とし、同時に測定した操業状態又は設備状態を説明
変数とし、前記設備異常状態又は品質異常状態に対する
前記操業状態又は設備状態の因果関係をニューラルネッ
トで同定し、さらにこのニューラルネットワークでは前
述の説明変数全てを用いて同定を完了したニューラルネ
ットに対し、1つの説明変数以外は全て入力値を所定の
一定値とし、その際に出力されるニューラルネットワー
クの出力値と目的変数との影響関係を統計解析で用いら
れるF値またはt値で評価することを全ての説明変数に
ついて順次実施し、所定の値以下の不要な説明変数を全
て破棄し、所定の値以上の説明変数だけで同定を完了す
るまで、前記同定、評価及び破棄を繰り返すことを特徴
とする設備及び製品プロセス異常状態の診断方法。
する代わりに、所定の値以下の説明変数の中で一番低い
値のもの1つを破棄し、所定の値以上の説明変数だけで
同定を完了するまで、前記同定、評価及び破棄を繰り返
すことを特徴とする前記(1)記載の設備及び製品プロ
セス異常状態の診断方法。
個、目的変数1個でのネットワークによる同定を各々実
施し、同定を完了したニューラルネットワークに対し、
F値またはt値で評価し、所定の値以上の説明変数の中
で一番高い値のものを必要説明変数として採取し、これ
以降ステップワイズ法に従って、ニューラルネットワー
クの再同定を繰り返しながら必要説明変数の取捨選択を
実施することを特徴とする前記(1)又は(2)記載の
設備及び製品プロセス異常状態の診断方法。
個の説明変数で同定を行い、F値またはt値で評価し、
所定の値以下の説明変数を破棄し、まだ選択されていな
いn−m個の説明変数の中から任意の説明変数を加え説
明変数をm個として、再同定を実施し、再度F値又はt
値で評価を行い、所定の値以下の説明変数を破棄し、1
度は説明変数m個の中に選択されるまでこの操作を繰り
返すことを特徴とする前記(1)〜(3)の何れか1項
に記載の設備及び製品プロセス異常状態の診断方法。
ルネットワークでは説明変数全てを用いて同定を完了し
たニューラルネットワークに対し、各説明変数について
当該説明変数以外は全て入力値を所定の一定値とし、そ
の際に出力されるニューラルネットワークの値をそれぞ
れの説明変数に対するニューラルネットワーク変換値と
することを全ての説明変数について順次実施し、ニュー
ラルネットワーク変換値と目的変数との因果関係を線形
重相関式で表し、前記線形重相関式の各ネットワーク変
換値に対する偏回帰係数をF値またはt値で評価し、前
記各ネットワーク変換値に対応する説明変数を破棄する
ことを特徴とする前記(1)〜(4)のいずれか1項に
記載の設備及び製品プロセス異常状態の診断方法。
タの2つのデータ群に分け、同定には学習用データを用
い、F値又はt値での評価には検定用データを用いるこ
とを特徴とする前記(1)〜(5)のいずれか1項に記
載の設備及び製品プロセス異常状態の診断方法。
の標準化を行うことを特徴とする前記(1)〜(6)の
いずれか1項に記載の設備及び製品プロセス異常状態の
診断方法。
定の回数だけ繰り返して行い、F値又はt値の平均値、
平均値+α×標準偏差、期待値、最大値又はメジアン値
を求め、αは所定の一定数とし、その値を元に不要な説
明変数を破棄することを特徴とする前記(1)〜(7)
のいずれか1項に記載の設備及び製品プロセス異常状態
の診断方法。
耗、オイル圧力異常、オイル温度異常、異常振動又はロ
ール、減速機若しくは増速機の故障であり、品質異常状
態が製品の疵、板厚変動、形状不良又は温度異常であ
り、操業状態又は設備状態がモータ電流、モータ電圧、
振動、オイル圧力、オイル温度、ロールギャップ、ロー
ルの荷重、製品成分及び製造温度の1種又は2種以上で
あることを特徴とする前記(1)〜(8)の何れか1項
に記載の設備及び製品プロセス異常状態の診断方法。 にある。
インまたはオフラインで診断する装置において、所定の
センサーで測定された設備異常状態又は品質異常状態及
び操業状態又は設備状態のデータを収集するデータ収集
手段と、前記設備異常状態又は品質異常状態を目的変数
に、同時に測定した前記操業状態又は設備状態を説明変
数にそれぞれ変換して、目的変数を所定のしきい値と比
較し異常兆候を判断する演算手段と、目的変数及び説明
変数を蓄え、異常兆候が現れた場合に、目的変数と説明
変数とから不要な説明変数を破棄したニューラルネット
ワークを作成する演算処理手段とを備えることを特徴と
する設備及び製品プロセス異常状態の診断装置。にあ
る。
るためのものであり、以下にその内容を説明する。
の異常状態を、オンラインまたはオフラインで診断する
方法において、所定のセンサーで測定した設備異常状態
又は品質異常状態をまず、測定した異常状態が設備異常
または品質異常とならないレベルに設定した所定のしき
い値を越えた場合に、当該異常に関連する測定した操業
状態又は設備状態を説明変数とし、異常に対する操業状
態又は設備状態を表す説明変数及び目的変数を求める。
ーラルネットワークにより、1あるいは複数の異常要因
分析をおこなって、目的変数Yに対する説明変数P1、
P2、…、PNの影響を同定する。
用いて同定を完了したニューラルネットに対し、例えば
説明変数P1に対してそれ以外は全て入力値を例えば0
とし、その際に出力されるニューラルネットワークの値
Y’と目的変数Yとの影響関係を統計解析で用いられる
F値またはt値を求め、順にP2〜PNまでのF値また
はt値を求める。そして所定の値以下例えば2未満の説
明変数を全て破棄し、再度同定を実施し、前述の操作を
繰り返し所定のF値2以上の説明変数となるまで同定を
繰り返す。最終的にはF値2以上の説明変数だけのニュ
ーラルネットワークが構築できる。本発明者らは、同定
が完了したニューラルネットワークの単一(当該入力以
外は0入力)入力されたニューラルネットワークの出力
と目的変数は、線形多変量解析で用いられる偏回帰係数
の検定で用いられるF値及びt値、又は線形式での予測
の際の可否判別で用いるF値及びt値が、不要な説明変
数の評価、破棄にも使えることを発見した。
ニューラルネットワークによる説明変数の選別方法にお
いて、ニューラルネットワークでは説明変数を全て用い
て同定を完了したニューラルネットワークに対し、各説
明変数について当該各説明変数以外は全て入力値を所定
の一定値(例えば0)とし、その際に出力されるニュー
ラルネットワークの値と目的変数との影響関係を統計解
析で用いられるF値またはt値で評価し、所定の値以下
の説明変数の中で一番低い値のものを破棄し、再度残り
の説明変数を用いて同定を実施し、前述の影響関係を評
価しながら所定の値以上の説明変数だけで同定を完了す
ることで因果関係を説明するのに不必要な説明変数を選
別する後退消去法を実施する。
ずれか1項に記載の診断方法に加えて、ニューラルネッ
トワークによる説明変数の選別方法において、全説明変
数n個に対し、説明変数1つ目的変数1つでのネットワ
ークによる同定を各々実施し、同定を完了したニューラ
ルネットワークに対し、F値またはt値で評価し、所定
の値以上の説明変数の中で一番高い値のものを必要説明
変数として採取し、これ以降ステップワイズ法に従っ
て、ニューラルネットワークの再同定を繰り返しながら
必要説明変数の取捨選択を実施する。
イズ法については例えば、「多変量解析統計解析法:田
中豊,脇本和昌著:現代数学社P42〜47」に記載さ
れている。
ずれか1項に記載の診断方法に加えて、ニューラルネッ
トワークによる説明変数の選別方法において、全説明変
数n個に対し、m(<n)個の説明変数で同定を行い、
F値またはt値で評価し、所定の値以下の説明変数を破
棄し、まだ選択されていないn−m個の説明変数の中か
ら任意の説明変数を加え説明変数をm個として加え、再
同定を実施し、再度評価を行い、所定の値を破棄し、1
度は説明変数m個の中に選択されるまでこの作業を繰り
返すことによって必要説明変数の取捨選択を実施する。
ずれか1項に記載の診断方法において、ニューラルネッ
トワークでは説明変数全てを用いて同定を完了したニュ
ーラルネットワークに対し、各説明変数について当該各
説明変数以外は全て入力値を所定の一定値とし、その際
に出力されるニューラルネットワークの値をそれぞれの
説明変数に対するニューラルネットワーク変換値とし、
ネットワーク変換値と目的変数との因果関係を線形重相
関式で表し、線形重相関式の各ネットワーク変換値に対
する偏回帰係数をF値またはt値で評価し、前記各ネッ
トワーク変換値に対応する説明変数を破棄する。
いずれか1項に記載の診断方法において、同定するため
のデータをネットワークを構成するための基となる学習
用データと構成されたネットワークをt値やF値で評価
選別時にだけ用いる検定用データの2つのデータ群に分
けることにより選別の精度を更に向上させることができ
る。
いずれか1項に記載の診断方法において、目的変数及び
説明変数に対しデータの標準化を行うことで単位の影響
を取り除く。
いずれか1項に記載の診断方法において、それぞれの場
合のF値又はt値の評価は同じ計算を所定の回数だけ繰
り返して行い、F値又はt値の平均値、平均値+α×標
準偏差、期待値、最大値又はメジアン値を求め、αは1
〜2.5とし、その値を元に不要な説明変数を破棄する
ことにより、バラツキなく説明変数の選択ができ、選別
の精度が向上する。
明を用いて、例えば熱延工場の捲取設備を対象設備とし
て、捲取プロセスにおける鋼板の蛇行という品質異常状
態を診断することが出来る。
イル圧力異常、オイル温度異常、異常振動又はロール、
減速機若しくは増速機の故障であり、品質異常状態は製
品の疵、板厚変動、形状不良(鋼板の蛇行、鋼板のサイ
ズ異常等)又は温度異常である。
要因に関する説明変数のことであり、説明変数となる操
業状態又は設備状態とは、具体的にはモータ電流、モー
タ電圧、振動、オイル圧力、オイル温度、ピンチロール
ギャップ、ピンチロールの荷重、製品成分及び製造温度
の1種又は2種以上であり、捲取設備等に関する変数で
ある。
状態に関する変数のことであり、具体的には、例えば捲
取設備におけるピンチロール通過後1m時の鋼板の蛇行
量を変数とすることができる。この目的変数である板蛇
行量は大きくなるとコイル状態においては断面が円錐状
となり、板折れや擦り疵の原因となる操業上の異常であ
る。
の実施の形態の一例を説明する。図1は本発明に係わる
診断装置の概略構成を示したブロック図、図3は、本発
明を適用した熱延工場の捲取設備の概略構成を示した説
明図である。
3に示すような熱延工場の捲取設備2に取り付けて使用
される。そして、この捲取設備2では、圧延された鋼板
3をコイル状に捲き取る工程で生じる鋼板3の蛇行を異
常状態として検出し、同時に必要な説明変数と目的変数
をデータとして採取し、因果関係を同定し、その結果を
表示するようにしている。
に示すように、仕上圧延機(図示せず)で圧延されて送
り出された鋼板3の巾方向の両側に、鋼板3をガイディ
ングするガイド4,4をそれぞれ設け、ガイド4,4の
下流側に、鋼板3を上下方向から挟み込んで送出する上
下2対のピンチロール5を設け、マンドレル6の外周に
は、マンドレル6に鋼板3を捲き取るための補助ロール
である4個のラッパーロール7を配置してある。
ンチロール駆動装置8に連絡して、回転駆動されてい
る。
してモータ等のマンドレル駆動装置10に連絡して、回
転駆動されている。
ータが操作するキーボード等の入力装置11と、上記し
たピンチロール5〜マンドレル駆動装置10に取り付け
られ、鋼板3の蛇行量を測定するセンサ12と、診断に
必要なデータを収集するデータ収集装置13と、収集し
たデータを加工演算するデータ加工演算装置14と、不
要説明変数を破棄したニューラルネットワークを作成す
る同定最適化演算装置15と、データ収集装置13、デ
ータ加工演算装置14、同定最適化演算装置15で取り
扱うデータを記憶する記憶装置16と、演算の過程及び
診断結果を表示する表示装置17と、を備えている。
等からなる入力装置11及びセンサ12がデータ収集手
段に対する入力装置として機能する。この場合、オペレ
ータからの入力は、オフラインで行われ、センサ12か
らの入力はオンラインで行われる。
算装置14、同定最適化演算装置15は、例えば、CP
U及び付属機器を備えたコンピュータにより構成され、
予め設定されたプログラムに従ってコンピュータが動作
することにより、コンピュータがこれらの手段として機
能する。
が診断に必要なデータを収集するデータ収集手段として
機能する。また、データ加工演算装置14及び同定最適
化演算装置15が、収集したデータを説明変数及び目的
変数にそれぞれ変換して、目的変数を所定のしきい値と
比較し異常兆候を判断する演算手段と、目的変数及び説
明変数を蓄え、異常兆候が現れた場合に、目的変数と説
明変数とから不要な説明変数を破棄したニューラルネッ
トワークを作成する演算処理手段としてそれぞれ機能す
る。
ハードディスク記憶装置、その他の磁気的あるいは光学
的記憶装置により構成され、一連のデータを記憶する記
憶手段として機能する。
置等により構成され、演算の過程及び診断結果を表示す
る表示手段として機能する。
用いた診断方法の手順を説明する。図4は、本発明に係
わる診断方法の手順の概略を説明したフローチャートで
ある。
と、まず、オペレータによる入力によるオフラインまた
はセンサ12からの入力によるオンラインで、目的変数
の測定を行う(S1)。具体的には、この目的変数と
は、異常状態を表す鋼板3の蛇行量である。すなわち、
鋼板3の蛇行は、捲形状不良という異常状態につなが
り、歩留まりを低下させる製品プロセスの異常となる。
比較による判定を行う(S2)。ここで、目的変数(蛇
行量)がしきい値を越えていない場合は、正常状態であ
ると判定して、処理を終了する。
えている場合には、オフラインまたはオンラインでの目
的変数(蛇行量)に対する説明変数の測定を行う(S
3)。具体的には、この説明変数とは、ピンチロール5
の押し力、ピンチロール5の左右のgap差、ピンチロ
ール5の回転数、ピンチロール5のリード率、各ラッパ
ーロール7の押し力、各ラッパーロール7の左右のga
p差、各ラッパーロール7の回転数、各ラッパーロール
7のリード率、ガイド4のgap、板巾、板厚、各ロー
ルの噛み込み時間である。実施例1で測定した目的変数
と説明変数(28個)を表1に示す。
数の絞り込みを行う(S4)。具体的には、説明変数の
絞り込みで、説明変数全てを用いて同定を完了したニュ
ーラルネットに対し、1つの説明変数以外は全て入力を
0とし、その際に出力されるニューラルネットワークの
値と目的変数との影響関係を統計解析で用いられるF値
で評価し、所定の値以下の説明変数を全て破棄し、再度
同定を実施し、所定の値以上の説明変数だけで同定を完
了することで因果関係を説明するのに不必要な説明変数
を選別した。今回のF値やt値の評価式そのものは例え
ば「すぐわかる多変量解析:石村貞夫著:東京図書P1
1〜20」に記載されている。今回所定のしきい値を2
と置いた。
を表3に示す。最終的に蛇行量(目的変数)は、説明変
数としてピンチロール5の押し力P1、ピンチロール5
の左右GAP差P2、ピンチロール噛み込み時間P5及
び板巾P7のみで説明できることが分かった。
しない)場合は、状態説明変数の測定以下の処理(S3
〜S4)を繰り返し実施する。
例1で測定した(S3)各説明変数を用いて、ニューラ
ルネットワークによる異常要因分析(同定)(S4)の
有効性の検討結果を行った。
でを学習用データとし、41番から79番までを検定用
データと2つのデータ群に分けた。
ロセスの同定の有効性の検討結果を示したグラフで、N
o1のピンチロール5から計測した学習に用いなかった
検定用のデータを用い縦軸にそのデータをニューラルネ
ットワークに入力した際の蛇行量、横軸は実績蛇行量を
示した。その結果、図4に示すように相関係数が99%
となり、非常に良い相関関係を示していて、ニューラル
ネットワークによる同定が有効であることが判った。
以下に説明するような効果を奏することができる。第1
発明では、ニューラルネットワークを用いたことによ
り、非線形プロセス現象を取り扱うことが可能で、現象
の表現関数の形状に関係なく取り扱いが容易で、同定用
データに内在する外乱の影響を受けにくいこと、F値あ
るいはt値による一括した不要説明変数の削除により、
現象同定の精度向上が図れ、これに基づく最適化によ
り、最適な異常状態の改善が可能となる。第2及び第3
発明では、F値あるいはt値による不要説明変数の破棄
を精度良く行うことが可能となる。第4発明では、F値
あるいはt値による不要説明変数の破棄を効率良く行う
ことが可能となる。第5発明では、同定データの偏りに
よる同定精度の低下を防ぐことが可能となる。第6発明
では、同定結果の信頼性が向上する。第7発明では、学
習の桁落ちの防止による同定結果の信頼性が向上する。
第8発明では、従来のニューラルネットワークに内在す
る同定結果の不安定性を改善することによる同定の信頼
性が向上する。第9発明では、例えば熱延工場の捲取設
備を対象設備として、捲取プロセスにおける鋼板の蛇行
という品質異常状態を精度よく診断することが出来る。
ロック図である。
説明変数削除概要を示した概要図である。
構成を示した説明図である。
ーチャートである。
有効性の検討結果を示したグラフである。
Claims (10)
- 【請求項1】 対象設備及び製品プロセスの異常状態を
オンラインまたはオフラインで診断する方法において、 所定のセンサーで測定した設備異常状態又は品質異常状
態を目的変数とし、同時に測定した操業状態又は設備状
態を説明変数とし、前記設備異常状態又は品質異常状態
に対する前記操業状態又は設備状態の因果関係をニュー
ラルネットで同定し、さらにこのニューラルネットワー
クでは前述の説明変数全てを用いて同定を完了したニュ
ーラルネットに対し、1つの説明変数以外は全て入力値
を所定の一定値とし、その際に出力されるニューラルネ
ットワークの出力値と目的変数との影響関係を統計解析
で用いられるF値またはt値で評価することを全ての説
明変数について順次実施し、所定の値以下の不要な説明
変数を全て破棄し、所定の値以上の説明変数だけで同定
を完了するまで、前記同定、評価及び破棄を繰り返すこ
とを特徴とする設備及び製品プロセス異常状態の診断方
法。 - 【請求項2】 所定の値以下の説明変数を全て破棄する
代わりに、所定の値以下の説明変数の中で一番低い値の
もの1つを破棄し、所定の値以上の説明変数だけで同定
を完了するまで、前記同定、評価及び破棄を繰り返すこ
とを特徴とする請求項1に記載の設備及び製品プロセス
異常状態の診断方法。 - 【請求項3】 全説明変数n個に対し、説明変数1個、
目的変数1個でのネットワークによる同定を各々実施
し、同定を完了したニューラルネットワークに対し、F
値またはt値で評価し、所定の値以上の説明変数の中で
一番高い値のものを必要説明変数として採取し、これ以
降ステップワイズ法に従って、ニューラルネットワーク
の再同定を繰り返しながら必要説明変数の取捨選択を実
施することを特徴とする請求項1又は2に記載の設備及
び製品プロセス異常状態の診断方法。 - 【請求項4】 全説明変数n個に対し、m(<n)個の
説明変数で同定を行い、F値またはt値で評価し、所定
の値以下の説明変数を破棄し、まだ選択されていないn
−m個の説明変数の中から任意の説明変数を加え説明変
数をm個として、再同定を実施し、再度F値又はt値で
評価を行い、所定の値以下の説明変数を破棄し、1度は
説明変数m個の中に選択されるまでこの操作を繰り返す
ことを特徴とする請求項1〜3の何れか1項に記載の設
備及び製品プロセス異常状態の診断方法。 - 【請求項5】 説明変数を破棄する際に、ニューラルネ
ットワークでは説明変数全てを用いて同定を完了したニ
ューラルネットワークに対し、各説明変数について当該
説明変数以外は全て入力値を所定の一定値とし、その際
に出力されるニューラルネットワークの値をそれぞれの
説明変数に対するニューラルネットワーク変換値とする
ことを全ての説明変数について順次実施し、ニューラル
ネットワーク変換値と目的変数との因果関係を線形重相
関式で表し、前記線形重相関式の各ネットワーク変換値
に対する偏回帰係数をF値またはt値で評価し、前記各
ネットワーク変換値に対応する説明変数を破棄すること
を特徴とする請求項1〜4のいずれか1項に記載の設備
及び製品プロセス異常状態の診断方法。 - 【請求項6】 データを学習用データと検定用データの
2つのデータ群に分け、同定には学習用データを用い、
F値又はt値での評価には検定用データを用いることを
特徴とする請求項1〜5のいずれか1項に記載の設備及
び製品プロセス異常状態の診断方法。 - 【請求項7】 目的変数及び説明変数に対しデータの標
準化を行うことを特徴とする請求項1〜6のいずれか1
項に記載の設備及び製品プロセス異常状態の診断方法。 - 【請求項8】 F値又はt値の評価は同じ計算を所定の
回数だけ繰り返して行い、F値又はt値の平均値、平均
値+α×標準偏差、期待値、最大値又はメジアン値を求
め、αは所定の一定数とし、その値を元に不要な説明変
数を破棄することを特徴とする請求項1〜7のいずれか
1項に記載の設備及び製品プロセス異常状態の診断方
法。 - 【請求項9】 設備異常状態が軸受け破損、歯車磨耗、
オイル圧力異常、オイル温度異常、異常振動又はロー
ル、減速機若しくは増速機の故障であり、品質異常状態
が製品の疵、板厚変動、形状不良又は温度異常であり、
操業状態又は設備状態がモータ電流、モータ電圧、振
動、オイル圧力、オイル温度、ロールギャップ、ロール
の荷重、製品成分及び製造温度の1種又は2種以上であ
ることを特徴とする請求項1〜8の何れか1項に記載の
設備及び製品プロセス異常状態の診断方法。 - 【請求項10】 対象設備及び製品プロセスの異常状態
をオンラインまたはオフラインで診断する装置におい
て、 所定のセンサーで測定された設備異常状態又は品質異常
状態及び操業状態又は設備状態のデータを収集するデー
タ収集手段と、 前記設備異常状態又は品質異常状態を目的変数に、同時
に測定した前記操業状態又は設備状態を説明変数にそれ
ぞれ変換して、目的変数を所定のしきい値と比較し異常
兆候を判断する演算手段と、 目的変数及び説明変数を蓄え、異常兆候が現れた場合
に、目的変数と説明変数とから不要な説明変数を破棄し
たニューラルネットワークを作成する演算処理手段とを
備えることを特徴とする設備及び製品プロセス異常状態
の診断装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP12471899A JP3892614B2 (ja) | 1999-04-30 | 1999-04-30 | 設備及び製品プロセス異常状態の診断方法及び装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP12471899A JP3892614B2 (ja) | 1999-04-30 | 1999-04-30 | 設備及び製品プロセス異常状態の診断方法及び装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000315111A true JP2000315111A (ja) | 2000-11-14 |
JP3892614B2 JP3892614B2 (ja) | 2007-03-14 |
Family
ID=14892396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP12471899A Expired - Fee Related JP3892614B2 (ja) | 1999-04-30 | 1999-04-30 | 設備及び製品プロセス異常状態の診断方法及び装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3892614B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100383684C (zh) * | 2002-02-04 | 2008-04-23 | 史蒂夫·W·图申斯基 | 制造设计和生产过程分析系统 |
WO2016089792A1 (en) * | 2014-12-01 | 2016-06-09 | Uptake Technologies, Inc. | Asset health scores and uses thereof |
CN109791400A (zh) * | 2016-11-25 | 2019-05-21 | 花王株式会社 | 产品的制造方法和产品的制造装置 |
CN111538296A (zh) * | 2019-02-07 | 2020-08-14 | 发那科株式会社 | 管理装置和管理系统 |
KR20200106455A (ko) * | 2019-03-04 | 2020-09-14 | 화낙 코퍼레이션 | 관리 장치 및 관리 시스템 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04175964A (ja) * | 1990-11-09 | 1992-06-23 | Hitachi Ltd | ニューラルネットの構築装置及びニューラルネットを用いたパターン認識装置 |
JPH05204407A (ja) * | 1992-01-28 | 1993-08-13 | Matsushita Electric Works Ltd | プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法 |
JPH08212181A (ja) * | 1995-02-07 | 1996-08-20 | Hitachi Plant Eng & Constr Co Ltd | ニューラルネットワークの構築システム |
JPH10333743A (ja) * | 1997-06-04 | 1998-12-18 | Nippon Steel Corp | 負荷変動を伴う設備の簡易異常診断方法及びその簡易異常診断装置 |
-
1999
- 1999-04-30 JP JP12471899A patent/JP3892614B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04175964A (ja) * | 1990-11-09 | 1992-06-23 | Hitachi Ltd | ニューラルネットの構築装置及びニューラルネットを用いたパターン認識装置 |
JPH05204407A (ja) * | 1992-01-28 | 1993-08-13 | Matsushita Electric Works Ltd | プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法 |
JPH08212181A (ja) * | 1995-02-07 | 1996-08-20 | Hitachi Plant Eng & Constr Co Ltd | ニューラルネットワークの構築システム |
JPH10333743A (ja) * | 1997-06-04 | 1998-12-18 | Nippon Steel Corp | 負荷変動を伴う設備の簡易異常診断方法及びその簡易異常診断装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100383684C (zh) * | 2002-02-04 | 2008-04-23 | 史蒂夫·W·图申斯基 | 制造设计和生产过程分析系统 |
US11144378B2 (en) | 2014-12-01 | 2021-10-12 | Uptake Technologies, Inc. | Computer system and method for recommending an operating mode of an asset |
US10754721B2 (en) | 2014-12-01 | 2020-08-25 | Uptake Technologies, Inc. | Computer system and method for defining and using a predictive model configured to predict asset failures |
US9864665B2 (en) | 2014-12-01 | 2018-01-09 | Uptake Technologies, Inc. | Adaptive handling of operating data based on assets' external conditions |
US9910751B2 (en) | 2014-12-01 | 2018-03-06 | Uptake Technologies, Inc. | Adaptive handling of abnormal-condition indicator criteria |
US10176032B2 (en) | 2014-12-01 | 2019-01-08 | Uptake Technologies, Inc. | Subsystem health score |
US9471452B2 (en) | 2014-12-01 | 2016-10-18 | Uptake Technologies, Inc. | Adaptive handling of operating data |
WO2016089792A1 (en) * | 2014-12-01 | 2016-06-09 | Uptake Technologies, Inc. | Asset health scores and uses thereof |
US10417076B2 (en) | 2014-12-01 | 2019-09-17 | Uptake Technologies, Inc. | Asset health score |
CN109791400A (zh) * | 2016-11-25 | 2019-05-21 | 花王株式会社 | 产品的制造方法和产品的制造装置 |
KR20200097205A (ko) * | 2019-02-07 | 2020-08-18 | 화낙 코퍼레이션 | 관리 장치 및 관리 시스템 |
CN111538296A (zh) * | 2019-02-07 | 2020-08-14 | 发那科株式会社 | 管理装置和管理系统 |
US11698616B2 (en) | 2019-02-07 | 2023-07-11 | Fanuc Corporation | Managing apparatus and managing system |
KR102626984B1 (ko) * | 2019-02-07 | 2024-01-18 | 화낙 코퍼레이션 | 관리 장치 및 관리 시스템 |
KR20200106455A (ko) * | 2019-03-04 | 2020-09-14 | 화낙 코퍼레이션 | 관리 장치 및 관리 시스템 |
KR102626985B1 (ko) * | 2019-03-04 | 2024-01-18 | 화낙 코퍼레이션 | 관리 장치 및 관리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP3892614B2 (ja) | 2007-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11392114B2 (en) | Abnormality determination support apparatus | |
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 | |
DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
US10996662B2 (en) | Manufacturing equipment diagnosis support system | |
CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
CN111931334A (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
JP2000315111A (ja) | 設備及び製品プロセス異常状態の診断方法及び装置 | |
CN113834828A (zh) | 产品品质分析支援系统 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
CN117218602A (zh) | 一种结构健康监测数据异常诊断方法及系统 | |
JP2002090266A (ja) | 余寿命予測装置 | |
JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
JPH02247576A (ja) | 機器/設備の診断システム | |
WO2022085350A1 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
JPH049214A (ja) | 圧延ラインの総合診断システム | |
Jin et al. | Identifying outliers in response quality assessment by using multivariate control charts based on kernel density estimation | |
CN113780852A (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
KR100931628B1 (ko) | 사상 압연에 있어서 조작성 이상 진단 장치 및 방법 | |
JP2020119194A (ja) | ドライブ応答監視装置 | |
JP7461798B2 (ja) | 設備監視支援装置、方法及びプログラム | |
Duongthipthewa et al. | Detection Welding Performance of Industrial Robot Using Machine Learning | |
EP3923094A1 (en) | Inspection rate adaptation | |
CN110929425B (zh) | 一种基于Lasso算法的纸张纵向伸长率的软测量方法 | |
Lancini et al. | Damage phenomena characterization in RCF tests using image analysis and vibration-based machine learning | |
Haddar et al. | Experimental evaluation for detecting bevel gear failure using univariate statistical control charts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050909 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050920 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051121 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060905 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061106 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20061128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20061207 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 3892614 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101215 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101215 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111215 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111215 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121215 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121215 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131215 Year of fee payment: 7 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131215 Year of fee payment: 7 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131215 Year of fee payment: 7 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |