JP2018014071A - センサログ推定による予知保全プログラム - Google Patents
センサログ推定による予知保全プログラム Download PDFInfo
- Publication number
- JP2018014071A JP2018014071A JP2016155969A JP2016155969A JP2018014071A JP 2018014071 A JP2018014071 A JP 2018014071A JP 2016155969 A JP2016155969 A JP 2016155969A JP 2016155969 A JP2016155969 A JP 2016155969A JP 2018014071 A JP2018014071 A JP 2018014071A
- Authority
- JP
- Japan
- Prior art keywords
- state
- cluster
- data
- sensor log
- input data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
【課題】計測機器等のログデータを分析し、その結果から将来の状態を高い精度で予測する予知保全システムを提供する。【解決手段】学習データ(既存のログデータ等)に対しクラスタリングを行う。分類した結果それぞれについて回帰分析を行い、分析結果を元に尤度関数を定義する。データ全体ではなく、分類毎に分析を行うことで精度の高い分析結果を得ることが可能となる。また、新しいデータに対してナイーブベイズによる判定を行うことで、どの状態かを判別し、クラスタが持つ回帰結果を使うことで将来の値を予測する。【選択図】なし
Description
本発明は、ログデータ解析による予知保全方法及びプログラムに関する。
工場における製造設備の故障は、大きな損失を出すだけでなく、人的被害をもたらす危険性も含んでいる。
上記の問題を解決する従来の方法は定期的な予防保全である。この方法では機器や部品の耐用期間を定めておき、その期間使用したら機器や部品の交換を実施する。これにより、経年劣化による故障を防ぐことが可能となる。しかし、この方法では耐用期間内の故障は防ぐことができない上、部品の交換を頻繁に行う為無駄が多くなってしまう。
最近では予防保全に代わって予知保全を行う例も増えている。予知保全では各機器の稼動状態を計測し、その計測結果から故障の兆候を検知した際に部品の交換を行う。
故障の兆候を検知し、保全業務を行うためには計測機器から収集したデータを分析し、将来の状態を正確に予測することが重要である。
本発明は製造装置や計測機器から収集したデータ(ログ等)を解析し、将来の状態を高い精度で予測する方法及びプログラムを提供することを目的とする。
上記課題を解決するために、本発明は2つの機能を有する。ひとつは装置の状態を判別するための学習機能、もうひとつは新しいデータに対して将来の状態を判定する予測機能である。
学習機能は以下の特徴を有する。
第一に、学習データ(既存の計測機器等から得られたログデータ等)に対し、クラスタリングを行い、状態を定義する。
第二に、クラスタした状態それぞれについて回帰分析を実施する。回帰分析には単回帰分析を用いる。
第三に、回帰分析の結果を使って尤度関数を決定する。
第一に、学習データ(既存の計測機器等から得られたログデータ等)に対し、クラスタリングを行い、状態を定義する。
第二に、クラスタした状態それぞれについて回帰分析を実施する。回帰分析には単回帰分析を用いる。
第三に、回帰分析の結果を使って尤度関数を決定する。
予測機能は以下の特徴を有する。
第一に、入力データ(リアルタイムのログ等)がどの状態に属するか判定する。事前分布と回帰分析の結果から得た尤度関数を用いてナイーブベイズによる判定を行うことで状態を判別する。
第二に、新しい状態の追加を行う。入力データが既存のどのクラスタにもならない場合、新しい状態として定義する。既存のクラスタに分類される場合は状態の追加は行わない。
第三に、将来の状態を予測する。回帰分析の結果と現在の状態から将来の状態を判定する。
第一に、入力データ(リアルタイムのログ等)がどの状態に属するか判定する。事前分布と回帰分析の結果から得た尤度関数を用いてナイーブベイズによる判定を行うことで状態を判別する。
第二に、新しい状態の追加を行う。入力データが既存のどのクラスタにもならない場合、新しい状態として定義する。既存のクラスタに分類される場合は状態の追加は行わない。
第三に、将来の状態を予測する。回帰分析の結果と現在の状態から将来の状態を判定する。
本発明によれば、予知保全のために既存のログデータ等を活用することができる。また、クラスタリングによりいくつかの状態に分けてから回帰分析を行うことで、より精度の高い予測を行うことが可能となる。
本発明の状態予測アルゴリズムをソフトウェアプログラムとして実装する。PC、ディスプレイを用意する。製造装置や計測機器等からログデータ(センサログ)を収集し、図1のような指定のデータ形式に変換する。最新の時刻から指定されたT以内に収まるログデータを入力データ、それ以前を学習データとし、本発明のアルゴリズムを実装したソフトウェアプログラムを実行することで、機器の将来の状態を予測することが可能となる。
本発明の学習機能及び予測機能のアルゴリズムについて、添付図面を参照しながら説明する。
図2はログデータを投入した後のセンサログをグラフで表した散布図のイメージになる。時系列の情報(センサログ取得日時)を軸にセンサログの値を表示している。全てのセンサログの値については各センサログの最大値に対する割合で正規化されており、解析においても正規化されたデータを使用する。
図3は、本発明のセンサログ推定におけるアルゴリズムのフローチャートである。図3に示されるように、本発明のアルゴリズムはクラスタリングを実施し、生成したクラスタの特徴を学習し、状態として定義する工程と、入力データがどの状態に属するかを判定する工程、判定した状態の特徴から将来のセンサログの値を推定する工程を含む流れで構成されている。
クラスタリングを実施し、生成したクラスタの特徴を学習し、状態として定義する工程では最初にクラスタリングを実施する。図4はセンサログの散布図に対し、生成したクラスタを色分けで表したものになる。
クラスタを生成した後、クラスタの特徴を定義する為に解析対象区間を決定する。離れて同じクラスタが存在する場合、値が最も大きい時間tの区間のクラスタを解析対象区間とする。図5は解析対象区間の決定についてのイメージ図となる。
解析対象区間を定義した後は、それぞれのセンサログの特徴を示す関数を定義する。クラスタ内のそれぞれのセンサログの値は時間を変数とする単回帰分析により決定される。単回帰分析は解析対象区間に対して行われる。数1はセンサログの特徴を表す目的関数の式になる。
センサログの各変数に関する目的変数を元に尤度関数を数2で表す。尤度関数は目的関数が取った値と実際の値の誤差で表現される。
クラスタの状態の変化についても学習する。それぞれのクラスタにおいて、時間t後にどのクラスタに属しているかの確率分布を数3で表す。
入力データがどの状態に属するかを判定する工程ではナイーブベイズによる判定を行う。ナイーブベイズの式を数4で表す。入力データをX、入力データが属する状態をYとするとP(X)は固定値であるため、どのクラスタに属するかを判定する確率は事前分布P(Y)と尤度関数P(X|Y)の積を比較することで求めることができる。ここで、事前分布P(Y)についてはクラスタ内のセンサログの平均値と入力データの平均値によるJaccard係数で表している。
事後確率が最も大きいクラスタが属するクラスタとなる。但し、他のクラスタと比較して事後確率が突出していない場合はどの状態にも属さない新しい状態と判断する。事後確率が突出しているかどうかの判定式を数5で表す。指定した最低分散が事後確率の分散より小さい場合はどのクラスタにも属さない新しい状態と判定する。
どの状態にも属さない新しい状態であった場合、入力データの集合を1つのクラスタとみなし、特徴の学習(センサログの目的関数の取得)を行う。
判定した状態(クラスタ)からセンサログの値を推定する工程では、クラスタにおけるセンサログの目的関数と時間α後に属する状態(クラスタ)についての確率分布から決定する。時間α後のセンサログの値を数6で表す。
Claims (4)
- 入力したデータから将来の状態を予測するシステムにおける、以下のステップ。
・学習データの入力及び、クラスタリングを実施するステップ
・生成したクラスタ毎の尤度関数を定義するステップ
・入力データが属する状態を判定するステップ
・入力データがどのような値を取るかを予測するステップ - 請求項1記載のシステムにおいて、前記生成したクラスタ毎の尤度関数を定義するステップで、クラスタリングと回帰分析を用いて尤度関数を定義する方法。
- 請求項1記載のシステムにおいて、前記入力データが属する状態を判定するステップで、ナイーブベイズと事後確率の分散を利用した状態判定を行う方法。
- 請求項1記載のシステムにおいて、前記将来の状態を判定するステップで、推定した状態から将来の値を推測する方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016155969A JP2018014071A (ja) | 2016-07-22 | 2016-07-22 | センサログ推定による予知保全プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016155969A JP2018014071A (ja) | 2016-07-22 | 2016-07-22 | センサログ推定による予知保全プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018014071A true JP2018014071A (ja) | 2018-01-25 |
Family
ID=61020254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016155969A Pending JP2018014071A (ja) | 2016-07-22 | 2016-07-22 | センサログ推定による予知保全プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018014071A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846532A (zh) * | 2018-03-21 | 2018-11-20 | 宁波工程学院 | 应用于物流供应链平台的企业风险评估方法及装置 |
-
2016
- 2016-07-22 JP JP2016155969A patent/JP2018014071A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846532A (zh) * | 2018-03-21 | 2018-11-20 | 宁波工程学院 | 应用于物流供应链平台的企业风险评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | A multi-time scale approach to remaining useful life prediction in rolling bearing | |
JP6740157B2 (ja) | 解析装置、解析方法、及び、プログラム | |
JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
Nguyen et al. | Model selection for degradation modeling and prognosis with health monitoring data | |
Kundu et al. | Multiple failure behaviors identification and remaining useful life prediction of ball bearings | |
JP6999635B2 (ja) | 画像ベースのメンテナンス予測および動作エラーの検出 | |
JP5875726B1 (ja) | 異常予兆診断装置のプリプロセッサ及びその処理方法 | |
US11092460B2 (en) | Sensor control support apparatus, sensor control support method and non-transitory computer readable medium | |
JP2018156151A (ja) | 異常検知装置及び機械学習装置 | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
Yu | Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
KR20190013017A (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
JP2015011027A (ja) | 時系列データにおける異常を検出する方法 | |
JP2015529813A (ja) | 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定 | |
US20140188777A1 (en) | Methods and systems for identifying a precursor to a failure of a component in a physical system | |
US20220004163A1 (en) | Apparatus for predicting equipment damage | |
JP2016031714A (ja) | 重回帰分析装置および重回帰分析方法 | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
JP2018014071A (ja) | センサログ推定による予知保全プログラム | |
JP2015184818A (ja) | サーバ、モデル適用可否判定方法およびコンピュータプログラム | |
Hoelzl et al. | Detecting seasonal dependencies in production lines for forecast optimization | |
KR102428867B1 (ko) | 시계열 데이터의 변화 추세를 고려한 유사도 분석 방법 | |
US20220253051A1 (en) | Method and assistance system for detecting an abnormal behaviour of a device |