JP2018088179A

JP2018088179A - ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法

Info

Publication number: JP2018088179A
Application number: JP2016231698A
Authority: JP
Inventors: 諏訪　博之; Hiroyuki Suwa; 博之諏訪; 浩二羽田; Koji Haneda; 恭庸佐古田; Yasumichi Sakoda
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2016-11-29
Filing date: 2016-11-29
Publication date: 2018-06-07
Anticipated expiration: 2036-11-29
Also published as: JP6809882B2

Abstract

【課題】ファンの故障を高精度で予測することができる機械学習器、機械学習器を含む装置および機械学習方法の提供を図る。【解決手段】ファンの故障予測を学習する機械学習器であって、前記ファンの動作に関連する状態変数を観測する状態観測部と、前記ファンの故障の有無に関するラベルを取得するラベル取得部と、前記状態観測部により観測された前記状態変数および前記ラベル取得部により取得された前記ラベルに基づいて、前記ファンの故障を予測する学習モデルを作成する学習部と、を備える。【選択図】図１

Description

本発明は、ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法に関する。

従来、例えば、ＣＮＣ(Computer Numerical Control)装置やロボットコントローラ、或いは、サーボアンプ等には、冷却用のファン(ファンモータ)が搭載されている。これらのファンは、予防保守の観点から、故障に至る前に予兆を検出して、保守を促すことが求められる。

ところで、ファンの寿命による故障(不良)モードとしては、例えば、固着とベアリング寿命が知られているが、いずれの故障モードにも起動不良と定常回転時不良がある。ここで、起動不良とは、正常に回転していたファンが次回の電源投入(ＯＮ)時に回転しないというモードであり、定常回転時不良とは、正常に回転していたファンが突如回転しなくなるというモードである。

このように、ファンが不良になると、例えば、ファンによる冷却能力の低下を招き、ファンが設けられたＣＮＣ装置，ロボットコントローラおよびサーボアンプ等の温度が上昇して、性能の低下や故障の発生を生じる虞がある。

ところで、従来、コンピュータ等の冷却ファンの故障検知、予測する装置に関するものとして、ファンを駆動する電流をモニタし、回転に伴って電流に生じる周期的変化から回転数を検出し、検出値が所定の値より小さくなった時に故障と判定し、回転数データを時系列的にプロセッサに取り込むことにより故障分析予測を支援するものが提案されている(例えば、特許文献１参照)。なお、ファンの状態をモニタする手段として、タコメータで回転数そのものをモニタする方法、サーミスタで温度をモニタする方法があること等が記載されている。

また、従来、冷却装置のファンの故障予知、警報システムとして、ファンモータの温度をモニタして、所定の温度異常になった時に警報を発することで、完全に故障する前に故障の予測ができるものが提案されている(例えば、特許文献２参照)。ここで、ファン故障のモードとして、糸屑等が絡んで回っていたような突発的なものと、モータの寿命によるものがあることも記載されている。

さらに、従来、多数の構成要素からなる装置(例えば、画像形成装置)の障害予測システムとして、障害に関係する多くのパラメータに関して、障害発生時の状況を機械学習して複数の障害モードを抽出し、現状動作状態での各パラメータの値との比較から障害予測を行うシステムが提案されている(例えば、特許文献３参照)。

また、従来、工作機械で事前に異常事態発生を予測するシステムとして、通常の加工動作でのデータを学習に使用し、その経時変化から故障を予測するものも提案されている(例えば、特許文献４参照)。

特開平０９−１８４８５９号公報特許第３０１１４８６号公報特開２０１３−１０９４８３号公報特開２０１５−２０３６４６号公報

上述したように、例えば、ＣＮＣ装置ロボットコントローラおよびサーボアンプには、冷却用のファン(ファンモータ)が設けられているが、例えば、ファンの故障モードには、様々な要因が存在している。

このようなファンの故障モードに関連する情報を取得して、所定のアルゴリズムによりファンの故障を検出しようとする試みはなされているが、ファンの故障を高精度で予測することは難しいのが実情である。

本発明に係る第１実施形態の一例によれば、ファンの故障予測を学習する機械学習器であって、前記ファンの動作に関連する状態変数を観測する状態観測部と、前記ファンの故障の有無に関するラベルを取得するラベル取得部と、前記状態観測部により観測された前記状態変数および前記ラベル取得部により取得された前記ラベルに基づいて、前記ファンの故障を予測する学習モデルを作成する学習部と、を備える機械学習器が提供される。

本発明に係る第１実施形態の他の例によれば、ファンの故障予測を学習する機械学習器であって、前記ファンの動作に関連する状態変数を観測する状態観測部と、前記状態観測部により観測された前記状態変数に基づいて、分布および規則性の学習モデルを生成する学習部と、を備える機械学習器も提供される。

本発明に係る第２実施形態によれば、上記第１実施形態の一例または他の例の機械学習器を含む装置であって、前記装置は、前記ファンにより冷却される装置が提供される。

本発明に係る第３実施形態の一例によれば、ファンの故障予測を学習する機械学習方法であって、前記ファンの動作に関連する状態変数を観測し、前記ファンの故障の有無に関するラベルを取得し、観測された前記状態変数および取得された前記ラベルに基づいて、前記ファンの故障を予測する学習モデルを作成する機械学習方法が提供される。

本発明に係る第３実施形態の他の例によれば、ファンの故障予測を学習する機械学習方法であって、前記ファンの動作に関連する状態変数を観測し、観測された前記状態変数に基づいて、分布および規則性の学習モデルを生成する機械学習方法が提供される。

本発明に係る機械学習器、機械学習器を含む装置および機械学習方法によれば、ファンの故障を高精度で予測することができるという効果を奏する。

図１は、本発明に係る機械学習器の第１実施例を模式的に示す図である。図２は、第１実施例の機械学習器が適用されるＣＮＣ装置の一例を示すブロック図である。図３は、本発明に係る機械学習器の第２実施例を模式的に示す図である。図４は、図３に示す機械学習器の一例を説明するための図である。図５は、図３に示す機械学習器の他の例を説明するための図である。

以下、本発明に係るファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法の実施形態を、添付図面を参照して詳述する。図１は、本発明に係る機械学習器の第１実施例を模式的に示す図であり、例えば、次回電源を投入して起動したときにファンが回転しない固着不良によるファンの故障予測を学習する機械学習器の例を示すものである。図１に示されるように、第１実施例の機械学習器２は、状態観測部２１，学習部２２，出力利用部２３およびラベル取得部２４を含む。

状態観測部２１は、環境１から与えられる入力データとして、例えば、ＣＮＣ装置１０を冷却するファン(ファンモータ)１００の電流，回転数および温度を状態変数(状態量)として観測したものが与えられる。具体的に、状態観測部２１は、例えば、電源を投入した起動時におけるファン１００の電流および回転数、並びに、電源を投入した後、所定時間が経過して安定した動作を行っている定常時におけるファン１００の電流および回転数を状態変数として観測する。さらに、状態観測部２１は、例えば、ファン１００の巻線温度、ファン１００の周囲温度、ファン１００の風量、ファン１００の振動、および、ファン１００の音を状態変数として観測する。

ここで、ファン１００の電流は、例えば、ＣＮＣ装置１０により検出したファン１００を流れる電流として検出され、ファン１００の回転数は、例えば、ファン１００に設けられたロータリーエンコーダの出力により検出することができる。なお、ファン１００の巻線温度は、ファン(モータ)１００自身の温度に相当し、例えば、ファン１００に取り付けた温度センサにより検出することができる。なお、ファン１００の周囲温度、風量、振動および音は、それぞれ対応するセンサ(すなわち、温度センサ、風量センサ、振動センサおよび音センサ(マイクロフォン)等)により検出することができる。

ラベル取得部２４は、ラベル(教師データ)を取得するもので、ファン１００の故障の有無に関するラベルを取得する。学習部２２は、「教師あり学習」を行うもので、状態観測部２１により観測された状態変数およびラベル取得部２４により取得されたラベル(故障の有無)に基づいて、ファン１００の故障を予測する学習モデルを作成する。出力利用部２３は、学習部２２の出力を受け取って、例えば、ファン１００の故障が生じる可能性が高いと判断される場合等において、ファン１００の故障が生じる可能性が高い旨をディスプレイ(例えば、ＣＮＣ装置の操作ディスプレイ)に表示し、または、アラーム(例えば、ランプを点灯)、或いは、ファン１００の交換を促すといった処理を行う。

なお、以上では、環境１として、工場における工作機械に据え付けられたＣＮＣ装置１０を例として説明したが、これは、ＣＮＣ装置に限定されるものではなく、例えば、ロボットコントローラやサーボアンプ、さらに、ファン１００による冷却機能を有する様々な装置であってもよいのはいうまでもない。また、ファン１００は、複数であってもよく、また、種類が異なる場合には、それぞれの型番のファン(モータ)に対して機械学習を行うのが好ましい。

図２は、第１実施例の機械学習器が適用されるＣＮＣ装置の一例を示すブロック図であり、学習部２２を誤差計算部２２１および誤差モデル更新部２２２により構成したものである。なお、図２では、意思決定部２５が追加して描かれている。図２に示されるように、ＣＮＣ装置１０には、ファン１００が設けられ、送風して冷却するようになっている。なお、ＣＮＣ装置１０は、ロボットコントローラやサーボアンプでもよいのは上述した通りである。ここで、センサ２００は、例えば、ファン１００の周囲温度を検出する温度センサ、或いは、ファン１００からの音を検出するマイクロフォン等であるが、上述した他の様々なセンサ(風量センサおよび振動センサ等)も、同様に、ファン１００の近傍に設けることができる。

図２に示されるように、学習部２２は、状態観測部２１の出力(状態変数)およびモデル(教師データ)を受け取って誤差を計算する誤差計算部２２１と、状態観測部の出力および誤差計算部２２１の出力を受け取って、ファン１００の故障予測に関連する誤差モデルを更新する誤差モデル更新部２２２と、を含む。なお、誤差計算部２２１に入力されるラベルは、図１のラベル取得部２４の出力に相当する。意思決定部２５は、例えば、前述した図１における出力利用部２３に相当し、学習部２２(誤差モデル更新部２２２)の出力に基づいて、ファン１００の故障予測に関連する情報を規定する。

なお、機械学習器２は、汎用の計算機やプロセッサを適用することもできるが、例えば、ＧＰＧＰＵ(General-Purpose computing on Graphics Processing Units)や大規模ＰＣクラスター等を適用すると、より高速に処理することが可能になる。また、機械学習器２は、少なくとも１つの他の機械学習器と接続可能であり、少なくとも１つの他の機械学習器との間で、機械学習器２の学習部２２で作成された学習モデルを相互に交換または共有することができる。

このように、第１実施例の機械学習器によれば、例えば、次回電源を投入して起動したときにファンが回転しない固着不良によるファンの故障を高精度で予測することができる。

図３は、本発明に係る機械学習器の第２実施例を模式的に示す図であり、例えば、ファンを回転させて使用しているときに突如回転しなくなる定常回転不良によるファンの故障予測を学習する機械学習器の例を示すものである。図３に示されるように、第２実施例の機械学習器２’は、状態観測部２１，学習部２２’および出力利用部２３’を含む。

状態観測部２１は、上述した第１実施例と同様に、環境１から与えられる入力データとして、例えば、ＣＮＣ装置１０を冷却するファン１００の電流，回転数および温度を状態変数として観測したものが与えられる。すなわち、状態観測部２１は、例えば、電源を投入した起動時におけるファン１００の電流および回転数、並びに、電源を投入した後、所定時間が経過して安定した動作を行っている定常時におけるファン１００の電流および回転数を状態変数として観測する。さらに、状態観測部２１は、例えば、ファン１００の巻線温度、ファン１００の周囲温度、ファン１００の風量、ファン１００の振動、および、ファン１００の音を状態変数として観測する。なお、各状態変数を観測するためのセンサは、第１実施例と同様であり、その説明は省略する。

学習部２２’は、状態観測部２１により観測された状態変数に基づいて、分布および規則性の学習モデルを生成する。ここで、学習部２２’は、ファン１００が正常に動作しているときに正常時スコアを出力すると共に、ファン１００を実際に使用しているときに使用時スコアを出力する。なお、正常時スコアは、例えば、故障を生じている可能性が極めて低い時期(正常動作が補償されている時期)にファン１００を動作させたときに得られるものである。

出力利用部２３’は、学習部２２’から出力される正常時スコアおよび使用時スコアに基づいて、使用しているファン１００の故障を予測するもので、例えば、予め正常時スコアをメモリに格納し、その格納された正常時スコアと、学習部２２’から出力される使用時スコアを比較することで、定常回転不良によるファンの故障を予測する。すなわち、ファン１００が正常に回転しているときの時の状態変数(ファンの電流，回転数，温度，風量，振動および音等)に基づいて、教師なし学習により学習モデル(正常時スコア)を生成してメモリに格納し、その正常時スコアと、実際に使用しているときの学習モデル(使用時スコア)を比較して、定常回転不良によるファンの故障を予測する。なお、第２実施例の機械学習器２’も第１実施例のものと同様に、少なくとも１つの他の機械学習器と接続可能であり、少なくとも１つの他の機械学習器との間で、機械学習器２’の学習部２２’で作成された学習モデルを相互に交換または共有することができる。

次に、学習および判定方法の一例を説明する。すなわち、一例として、ユーザがニューラルネットワークモデルを設計し、正常時のファン１００のデータを使って学習を行う。仮に、機械学習器２’の出力スコアがＡ，Ｂ，Ｃの３要素ある場合を考える。

学習完了後、不良サンプル(故障しているファン)を用意し、機械学習器２’に入力する。その出力スコアと正常時のスコアを比較し、正常時のスコアの範囲を決める。仮に、正常時のスコアを以下の条件１ように決めた場合を考える。
Ａ１＜Ａ＜Ａ２，Ｂ１＜Ｂ＜Ｂ２，Ｃ１＜Ｃ＜Ｃ２・・・ (条件１)

ここで、条件１の範囲に入らないスコアになったときは、例えば、スコアを判定するスコア判定器がＣＰＵへ異常を示す信号を送り、また、スコア判定器から異常を示す信号を受け取ったＣＰＵは、例えば、上位管理システムにワーニングとして画面(ディスプレイ)に表示する。ここで、機械学習器２’は、例えば、ＣＮＡ装置１０に内蔵され、ワーニングは、ＣＮＣ装置１０の操作ディスプレイに表示することができる。

ここで、教師なし学習について説明する。教師なし学習の適用例では、「全てのデータを選り好みなく入力し、学習器に入力データを分類させる」というような例が多いが、本第２実施例では「正常時のデータ」のみを入力して学習を行う。すなわち、本第２実施例では、入力データに基づいて「ファン不良の発生の予兆がある/ない」の２通りを判別するため、どちらか一方のデータのみを用いてその特徴を学習すれば、自ずと他方の判別も可能になる。また、全てのデータを選り好みなく入力して分類させる場合には、当然入力データとして異常時のデータを加えなければ十分な判定器の学習を行えないが、判定を学習するのに十分な量の異常時データを収集するのは困難であり、現実的ではない。

そこで、本第２実施例では、「正常時のデータ」のみを入力として用いて、その特徴量を学習させるという教師なし学習を適用し、正常時における正常時スコアを生成する。なお、本第２実施例で適用する機械学習は、学習の過程において「正常／異常」のラベルが適用されているわけではないので、教師なし学習になる。

以下、入力データから出力(スコア)を得るまでを説明する。図４は、図３に示す機械学習器の一例を説明するための図であり、入力データからスコアを得るまでを概念的に示すものである。図４に示されるように、本第２実施例では、「ニューラルネットワーク」を機械学習器２’として用いることを想定しているが、ニューラルネットワークのモデルは、一般的なものを適用することができる。

図４に示されるように、本第２実施例では、例えば、経年劣化が生じておらず、安定した動作を行っていると考えられるファン１００による「正常時のデータＸｎ」を入力Ｘとして、ニューラルネットワークの入力部に与える。ここで、ニューラルネットワークは、入力部，中間層および出力部を含み、中間層は、複数層で構成される。ニューラルネットワークの出力部からは、特徴量(スコア)Ｚが出力され、入力部に「正常時のデータ」を与えた場合には、正常なスコアの集合が得られることになる。

図５は、図３に示す学習器回路の他の例を説明するための図であり、自己符号化器(オートエンコーダ)を概念的に示すものである。図５に示されるように、ニューラルネットワークは、入力部，中間層および出力部と、入力部および中間層を反転したものを追加した構成となっている。

図４に示す自己符号化器において、入力データ(Ｘｎ)を入力Ｘとしてニューラルネットワークの入力部に与え、出力部から出力されるデータを、追加した中間層および入力部から出力Ｙとして取り出ようにする。これにより、入力データＸｎ(入力Ｘ)と出力データＹｎ(出力Ｙ)の誤差を、||Ｘ2n−Ｙｎ||²として求めることができる。すなわち、入力データをそのまま正解ラベルとして使用して誤差を計算し、誤差が最小となるように学習することで、出力部で入力の特徴量を抽出することができる。そして、正常時と、実際の使用時の入力データによる誤差を判定することにより、定常回転不良によるファンの故障予測を高精度に行うことが可能になる。

なお、第２実施例の機械学習器２’にニューラルネットワークを適用する場合、汎用の計算機若しくはプロセッサを用いることもできるが、例えば、ＧＰＧＰＵや大規模ＰＣクラスター等を適用すると、より高速に処理することが可能になる。また、教師なし学習の手法としては、上述したものに限定されず、例えば、ｋ平均(k-means)法による非階層型クラスタリング、或いは、階層型クラスタリングにおける次元圧縮等の様々な手法を適用することができるのはいうまでもない。

以上、実施形態を説明したが、ここに記載したすべての例や条件は、発明および技術に適用する発明の概念の理解を助ける目的で記載されたものであり、特に記載された例や条件は発明の範囲を制限することを意図するものではない。また、明細書のそのような記載は、発明の利点および欠点を示すものでもない。発明の実施形態を詳細に記載したが、各種の変更、置き換え、変形が発明の精神および範囲を逸脱することなく行えることが理解されるべきである。

１環境
２，２’ 機械学習器
２１状態観測部
２２，２２’ 学習部
２３出力利用部
２４ラベル取得部
２５意思決定部
１００ファンモータ
２００センサ
２２１誤差計算部
２２２誤差モデル更新部

Claims

ファンの故障予測を学習する機械学習器であって、
前記ファンの動作に関連する状態変数を観測する状態観測部と、
前記ファンの故障の有無に関するラベルを取得するラベル取得部と、
前記状態観測部により観測された前記状態変数および前記ラベル取得部により取得された前記ラベルに基づいて、前記ファンの故障を予測する学習モデルを作成する学習部と、を備える、
ことを特徴とする機械学習器。
前記学習部は、
前記状態観測部により観測された前記状態変数および前記ラベル取得部により取得された前記ラベルに基づいて、誤差を計算する誤差計算部と、
前記状態観測部および前記誤差計算部の出力に基づいて、前記ファンの故障予測に関連する誤差モデルを更新する誤差モデル更新部と、を備える、
ことを特徴とする請求項１に記載の機械学習器。
前記機械学習器は、
次回電源を投入して起動したときに前記ファンが回転しない固着不良による前記ファンの故障予測を学習する、
ことを特徴とする請求項１または請求項２に記載の機械学習器。
ファンの故障予測を学習する機械学習器であって、
前記ファンの動作に関連する状態変数を観測する状態観測部と、
前記状態観測部により観測された前記状態変数に基づいて、分布および規則性の学習モデルを生成する学習部と、を備える、
ことを特徴とする機械学習器。
前記学習部は、
前記ファンが正常に動作しているときに正常時スコアを出力すると共に、前記ファンを使用しているときに使用時スコアを出力し、
さらに、前記正常時スコアおよび前記使用時スコアに基づいて、使用している前記ファンの故障を予測する出力利用部を備える、
ことを特徴とする請求項４に記載の機械学習器。
前記機械学習器は、
前記ファンを回転させて使用しているときに回転しなくなる定常回転不良による前記ファンの故障予測を学習する、
ことを特徴とする請求項４または請求項５に記載の機械学習器。
前記状態観測部は、
前記ファンの電流，回転数および温度を観測する、
ことを特徴とする請求項１乃至請求項６のいずれか１項に記載の機械学習器。
前記状態観測部は、
起動時における前記ファンの電流および回転数、定常時における前記ファンの電流および回転数、前記ファンの巻線温度、前記ファンの周囲温度、前記ファンの風量、前記ファンの振動、並びに、前記ファンの音を観測する、
ことを特徴とする請求項７に記載の機械学習器。
前記機械学習器は、
ニューラルネットワークを有する、
ことを特徴とする請求項１乃至請求項８のいずれか１項に記載の機械学習器。
請求項１乃至請求項９のいずれか１項に記載の機械学習器を含む装置であって、
前記装置は、前記ファンにより冷却される、
ことを特徴とする装置。
前記装置は、
ＣＮＣ装置、ロボットコントローラ、または、サーボアンプである、
ことを特徴とする請求項１０に記載の装置。
ファンの故障予測を学習する機械学習方法であって、
前記ファンの動作に関連する状態変数を観測し、
前記ファンの故障の有無に関するラベルを取得し、
観測された前記状態変数および取得された前記ラベルに基づいて、前記ファンの故障を予測する学習モデルを作成する、
ことを特徴とする機械学習方法。
前記学習モデルの作成は、
観測された前記状態変数および取得された前記ラベルに基づいて誤差を計算し、
観測された前記状態変数および取得された前記ラベルに基づいて、前記ファンの故障予測に関連する誤差モデルを更新する、
ことを特徴とする請求項１２に記載の機械学習方法。
ファンの故障予測を学習する機械学習方法であって、
前記ファンの動作に関連する状態変数を観測し、
観測された前記状態変数に基づいて、分布および規則性の学習モデルを生成する、
ことを特徴とする機械学習方法。
さらに、
前記ファンが正常に動作しているときに出力される正常時スコア、および、前記ファンを使用しているときに出力される使用時スコアに基づいて、使用している前記ファンの故障を予測する、
ことを特徴とする請求項１４に記載の機械学習方法。