JP2019023771A - 故障診断装置 - Google Patents
故障診断装置 Download PDFInfo
- Publication number
- JP2019023771A JP2019023771A JP2015244748A JP2015244748A JP2019023771A JP 2019023771 A JP2019023771 A JP 2019023771A JP 2015244748 A JP2015244748 A JP 2015244748A JP 2015244748 A JP2015244748 A JP 2015244748A JP 2019023771 A JP2019023771 A JP 2019023771A
- Authority
- JP
- Japan
- Prior art keywords
- synchronous
- data
- normal data
- data group
- mahalanobis distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】波形データを時間領域で分析したデータに基づき構成された単位空間におけるマハラノビス距離に基づき故障診断を実行する場合であっても、高精度な故障判定が可能となる故障診断装置を得ることを目的とする。
【解決手段】設備が正常状態にあるとき複数の回数にわたって検出した複数の正常動作特性を同期手段5により互いに同期をとることにより同期正常データ群を生成する同期正常データ群生成手段、設備が診断状態にあるとき検出した診断動作特性を同期手段5により同期正常データ群と同期をとることにより同期診断データを生成する同期診断データ生成手段、同期正常データ群に基づき単位空間を形成し同期診断データの単位空間におけるマハラノビス距離を演算するマハラノビス距離演算手段7、およびマハラノビス距離と予め設定した閾値とを比較しマハラノビス距離が閾値を超えたとき設備の故障と判定する対比手段8を備えた。
【選択図】図1
【解決手段】設備が正常状態にあるとき複数の回数にわたって検出した複数の正常動作特性を同期手段5により互いに同期をとることにより同期正常データ群を生成する同期正常データ群生成手段、設備が診断状態にあるとき検出した診断動作特性を同期手段5により同期正常データ群と同期をとることにより同期診断データを生成する同期診断データ生成手段、同期正常データ群に基づき単位空間を形成し同期診断データの単位空間におけるマハラノビス距離を演算するマハラノビス距離演算手段7、およびマハラノビス距離と予め設定した閾値とを比較しマハラノビス距離が閾値を超えたとき設備の故障と判定する対比手段8を備えた。
【選択図】図1
Description
この発明は、サーボモータ等で駆動する設備の故障を予知する故障診断装置に係り、特に、その予知能力の拡大向上を図るものである。
例えば、特許文献1には、設備の送り装置を駆動するサーボモータに流れる電流値または当該設備の送り装置に発生する振動値を検出手段で検出し、組み付け直後の正常無負荷時における前記検出手段からの検出値と診断対象時における検出値との対比結果に基づいて設備の送り装置の故障を予知する故障予知装置が紹介されている。
また、例えば、特許文献2には、エレベータのかごに発生する音と振動の波形データを検出して分析データを生成し、当該エレベータに異常が無いときに生成された分析データが対応付けられた多次元データから構成される単位空間(基準空間)におけるマハラノビス距離を算出するマハラノビス距離算出部を備え、算出されたマハラノビス距離と所定の閾値との比較結果に基づいてエレベータの異常を判定するエレベータ異常診断装置が紹介されている。
従来の特許文献1の故障予知装置においては、サーボモータに流れる電流値または設備の振動値の最大値と、正常無負荷運転時の電流値または振動値とを比較することで設備の故障を予知している。そのため、例えば、電流値または振動値の小さい増減に特徴が現れる故障のデータを予知することができない。
また、電流値または振動値の時間変化に遅れが現れるような故障事象については予知することができないという問題があった。
また、電流値または振動値の時間変化に遅れが現れるような故障事象については予知することができないという問題があった。
また、特許文献2のエレベータ異常診断装置においては、診断対象のかごで検出された振動の波形データから振動振幅値や指定した周波数帯域毎の最大値と平均値を算出し、これら算出結果から分析データを生成する(同文献2の請求項4等)。
ここで、振動データのように、故障の特徴が周期的に現れる場合は、振動の波形データを周波数領域で分析する方法は、検出したい故障の特徴と無関係なノイズを分離でき有効である。
しかし、モータの電流のように、周期性のないデータを対象に分析する場合は、故障の特徴も周期的に現れることはなくむしろある瞬間に現れる。従って、周波数領域で分析すると、各周波数領域に故障の特徴がばらけノイズに埋もれてしまい故障診断に適しない。
しかし、モータの電流のように、周期性のないデータを対象に分析する場合は、故障の特徴も周期的に現れることはなくむしろある瞬間に現れる。従って、周波数領域で分析すると、各周波数領域に故障の特徴がばらけノイズに埋もれてしまい故障診断に適しない。
特許文献2の場合でも、検出された波形データを時間領域で分析すると、算出したマハラノビス距離に基づき判定することで、比較的小さい増減に特徴が現れる故障の予知も可能となる。
しかるに、マハラノビス距離の算出に当たって、複数の正常運転時の波形データに基づき単位空間を構成するが、検出した各波形データにはその時間軸に多少のずれが存在し、これが故障判定の精度を低下させるという課題があった。
この発明は、以上のような従来の課題を解決するためになされたもので、複数の正常運転時の波形データを時間領域で分析したデータに基づき構成された単位空間におけるマハラノビス距離に基づき故障診断を実行する場合であっても、高精度な故障判定が可能となり、従って、検出値の小さい増減に特徴が現れる故障や検出値の時間変化に遅れが現れるような故障事象についても精度良く故障予知が可能となる故障診断装置を得ることを目的とする。
この発明に係る故障診断装置は、診断対象の設備を構成し設備を駆動する電気部品または設備の動作特性を検出する検出手段、互いに異なる時点において検出手段で検出した動作特性の同期をとる同期手段、設備が正常状態にあるとき複数の回数にわたって検出手段で検出した複数の正常動作特性を同期手段により互いに同期をとることにより同期正常データ群を生成して記憶手段に記憶する同期正常データ群生成手段、設備が診断状態にあるとき検出手段で検出した診断動作特性を同期手段により同期正常データ群と同期をとることにより同期診断データを生成する同期診断データ生成手段、記憶手段に記憶された同期正常データ群に基づき単位空間を形成し同期診断データの単位空間におけるマハラノビス距離を演算するマハラノビス距離演算手段、およびマハラノビス距離と予め設定した閾値とを比較しマハラノビス距離が閾値を超えたとき設備の故障と判定する対比手段を備えたものである。
この発明に係る故障診断装置は、以上のように、同期手段、同期正常データ群生成手段、および同期診断データ生成手段を備え、互いに同期した同期正常データ群および同期診断データを使用して演算されたマハラノビス距離に基づき設備の故障を判定するようにしたので、各データに時間的なずれが無く、従って、検出値の小さい増減に特徴が現れる故障や検出値の時間変化に遅れが現れるような故障事象についても精度良く故障予知が可能となる。
実施の形態1.
図1は、本発明の実施の形態1における故障診断装置の全体構成の概略を示す図、図2は、その手順の概略を示す図である。ここでは、動作特性として、診断対象の設備を構成し当該設備を駆動する電気部品としてのサーボモータに流れる電流値または当該設備に発生する振動値を検出し、これら検出した動作特性から設備の故障を予知する故障診断装置を取り上げる。
図1は、本発明の実施の形態1における故障診断装置の全体構成の概略を示す図、図2は、その手順の概略を示す図である。ここでは、動作特性として、診断対象の設備を構成し当該設備を駆動する電気部品としてのサーボモータに流れる電流値または当該設備に発生する振動値を検出し、これら検出した動作特性から設備の故障を予知する故障診断装置を取り上げる。
先ず、図1、図2両図を参照して装置全体の概略を説明し、本願発明の要部となる部分は、後段の各図を参照して詳述するものとする。
図1において、故障診断装置は、サーボモータ1(M)に流れる電流または設備の振動を検出する検出手段2(A)と、検出手段2において検出した正常運転時の電流値または振動値(正常動作特性)を記憶する記憶手段3(B)と、正常運転時と同じ動作をサーボモータ1に与える動作指令手段4(C)と、検出手段2において新たに検出した、即ち、互いに異なる時点において検出手段2で検出した、サーボモータ1の電流値または振動値の同期をとる同期手段5(D)と、同期手段5によって同期された電流値または振動値に対して記憶手段3に記憶されているデータから生成される単位空間におけるマハラノビス距離を算出するマハラノビス距離演算手段7(E)と、マハラノビス距離と予め設定した閾値とを比較しマハラノビス距離が閾値を超えたとき設備の故障と判定して故障予知手段6(R)に信号を送出する対比手段8(J)とを備えている。なお、蓄積手段9(F)は後段で説明する。
図1において、故障診断装置は、サーボモータ1(M)に流れる電流または設備の振動を検出する検出手段2(A)と、検出手段2において検出した正常運転時の電流値または振動値(正常動作特性)を記憶する記憶手段3(B)と、正常運転時と同じ動作をサーボモータ1に与える動作指令手段4(C)と、検出手段2において新たに検出した、即ち、互いに異なる時点において検出手段2で検出した、サーボモータ1の電流値または振動値の同期をとる同期手段5(D)と、同期手段5によって同期された電流値または振動値に対して記憶手段3に記憶されているデータから生成される単位空間におけるマハラノビス距離を算出するマハラノビス距離演算手段7(E)と、マハラノビス距離と予め設定した閾値とを比較しマハラノビス距離が閾値を超えたとき設備の故障と判定して故障予知手段6(R)に信号を送出する対比手段8(J)とを備えている。なお、蓄積手段9(F)は後段で説明する。
図2において、動作指令手段4からの指令が出力されサーボモータ1が駆動、検出手段2が例えばその電流を検出する。これら検出値は、同期手段5を使用することにより、後段で詳述する同期正常データ群を生成して記憶手段3に記憶される。
故障診断動作の開始(START)が指令されると、記憶手段3から読み出した同期正常データ群と新たに検出され同期手段5で同期された同期診断データとに基づきマハラノビス距離演算手段7がマハラノビス距離Dを演算する。
故障診断動作の開始(START)が指令されると、記憶手段3から読み出した同期正常データ群と新たに検出され同期手段5で同期された同期診断データとに基づきマハラノビス距離演算手段7がマハラノビス距離Dを演算する。
対比手段8が、D≦L(閾値)?を判定し、YESのときは、設備異常なしと判定して診断動作を終了する。NOのときは、設備故障と判定して故障予知手段6が動作して設備を一旦停止させ、具体的な故障個所を調査する指示を出す。
図3は、本発明の実施の形態1における故障診断装置で診断対象とするサーボモータの電流値の例を示したものである。一般的なサーボモータの動作において、サーボモータに流れる電流値は、動作指令から一定時間後に正方向にサーボモータが回転すれば正方向の電流値が変化し、負方向にサーボモータが回転すれば負方向に電流値が変化する。
設備に異常があるときにサーボモータが正常運転時と同じ動作をしようとした場合、サーボモータを回転させるためにより多くのトルクが必要となるため、正常運転時のサーボモータに流れる電流値である正常データ11に対して、異常運転時のサーボモータに流れる電流値である異常データ12は、電流値の変化が大きくなる。
設備に異常があるときにサーボモータが正常運転時と同じ動作をしようとした場合、サーボモータを回転させるためにより多くのトルクが必要となるため、正常運転時のサーボモータに流れる電流値である正常データ11に対して、異常運転時のサーボモータに流れる電流値である異常データ12は、電流値の変化が大きくなる。
従来の故障予知診断方法においては、特許文献1に挙げられるように、サーボモータの電流値から特定の時間を切り出し、この時間における電流値の最大値または最小値を予め設定した閾値と比較し、この閾値を超えるか超えないかで故障の予知をしている。
この方法においては、例えば、設備のブレーキに異常がある場合のように、電流値の最大値よりも振幅の小さい範囲で電流値の変化が生じる故障データ13を故障として診断することができない。
また、例えば、設備の摺動性能に異常がある場合のように、電流の変化が正常運転時と比べて遅くなる故障データ14においても電流値の最大値と最小値は正常運転時と変わらないので故障として診断することができない。
この方法においては、例えば、設備のブレーキに異常がある場合のように、電流値の最大値よりも振幅の小さい範囲で電流値の変化が生じる故障データ13を故障として診断することができない。
また、例えば、設備の摺動性能に異常がある場合のように、電流の変化が正常運転時と比べて遅くなる故障データ14においても電流値の最大値と最小値は正常運転時と変わらないので故障として診断することができない。
本発明はこれらの問題を解決するため、多変量解析の手段として知られているマハラノビス・タグチ法(以下、MT法と称す)を採用する。
図4は、本発明の実施の形態1における故障診断装置で採用するMT法の概念を示したものである。
図4は、本発明の実施の形態1における故障診断装置で採用するMT法の概念を示したものである。
故障診断の精度を上げるためには最大値というある瞬間の値ではなく、それぞれの時間における電流値同士の相関を考慮する時間領域での分析が必要となる。即ち、時間を変数とした場合、1つの変数における値のみでなく、多くの変数における値を同時に考慮する必要がある。正常か異常かを判定する多変量解析の手段として、重回帰分析やクラスター分析が知られている。しかし、両者とも測定対象データが正常と異常とのどちらにより近いかを判定する手法であり、正常か異常かを判定する閾値を決定する際に異常データを必要とする。
ところで、ワークが良品か不良品かを判定する際には、不良品のデータを得ることは比較的容易である。しかし、運転を続ける設備の故障診断における異常状態は一般的に部品の磨耗などの設備の劣化によって引き起こされるため、異常データを得ることはあまり容易ではない。MT法は、異常状態のデータを必要としない多変量解析の手段として知られている。
MT法においては、予め測定した正常データ群15から単位空間16を形成し、新たに得られた診断対象データ17の単位空間16におけるマハラノビス距離18を算出する。診断対象データ17がどれだけ多変量であってもマハラノビス距離18は1つの変数で表される。
マハラノビス距離18は、単位空間16を形成する正常データ群15と診断対象データ17との類似性を示しており、マハラノビス距離18が小さいほど類似性があり、大きいほど類似性がないことを示す。
マハラノビス距離18は、単位空間16を形成する正常データ群15と診断対象データ17との類似性を示しており、マハラノビス距離18が小さいほど類似性があり、大きいほど類似性がないことを示す。
MT法を用いることで、電流値の小さい増減に特徴が現れる故障データ13や電流値の時間変化に遅れが現れる故障データ14に対しても故障を予知することができる。
一般的に、診断対象データのマハラノビス距離の二乗がデシベル単位で4を超えると診断対象データは単位空間を生成する正常データ群とは類似性のない異常データであるとされる。この構成によれば、異常データを必要としない閾値の設定ができる。
一般的に、診断対象データのマハラノビス距離の二乗がデシベル単位で4を超えると診断対象データは単位空間を生成する正常データ群とは類似性のない異常データであるとされる。この構成によれば、異常データを必要としない閾値の設定ができる。
ところで、前掲の特許文献2の故障診断法は、このMT法を適用するものであるが、時間領域で分析するデータを対象とする場合、マハラノビス距離の算出に当たって、複数の正常データ群15に基づき単位空間を形成するが、検出した各データにはその時間軸に多少のずれが存在し、これが故障判定の精度を低下させるという問題があった。
本発明はこの問題を解決するため、正常データ群15相互間、およびこれら正常データ群15と診断対象データ17との同期をとる同期手段5を採用している。
図5は、この同期手段5を採用し正常データ群15の同期をとることにより、同期正常データ群を生成する同期正常データ群生成手段31における手順を示すフローチャートである。
図5は、この同期手段5を採用し正常データ群15の同期をとることにより、同期正常データ群を生成する同期正常データ群生成手段31における手順を示すフローチャートである。
同期手段5の動作原理は、互いに異なる時点において検出手段2で検出した動作特性の一方を基準動作特性とし、他方の動作特性を時間xだけずらした特性と前記基準動作特性との相互相関を演算し、前記時間xを変化させたとき前記相互相関が最大となるときの時間xに基づき他方の動作特性を基準動作特性に同期させるというものである。
以下、図5を参照して同期正常データ群生成手段31の具体的な手順について説明する。検出手段2で検出された正常データ群(データ個数をnとする)の中から任意の1個を選んで基準データf0(t)とする。残りの正常データ群15は、fl(t)(l=1〜(n−1))とする。
ステップS1では、基準データf0(t)と他の正常データfl(t)を時間xだけずらしたデータとの相互相関Cl(x)を演算する。そして、ステップS2で、相互相関Cl(x)が最大となるxを各正常データfl(t)のずらし時間幅Δtlとして求める。
これにより、基準データf0(t)を含む、合計n個の正常データ群fl(t)の同期がとれ、同期正常データ群fl(t−Δtl)22として記憶手段3に記憶する。
これにより、基準データf0(t)を含む、合計n個の正常データ群fl(t)の同期がとれ、同期正常データ群fl(t−Δtl)22として記憶手段3に記憶する。
更に、診断対象データ17の同期をとる必要がある。図6は、同期手段5により診断対象データ17を同期正常データ群22と同期をとる同期診断データ生成手段32における手順を示すフローチャートである。
ここでは、1個の診断対象データ17が検出された場合の、当該診断対象データ17を同期正常データ群22に同期させる動作を説明する。
ここでは、1個の診断対象データ17が検出された場合の、当該診断対象データ17を同期正常データ群22に同期させる動作を説明する。
図5の場合と同様の要領で、ステップS3では、基準データf0(t)と診断対象データf(t)17を時間xだけずらしたデータとの相互相関C(x)を演算する。そして、ステップS4で、相互相関C(x)が最大となるxを診断対象データf(t)のずらし時間幅Δtとして求める。
これにより、同期正常データ群22と同期がとれた同期診断データf(t−Δt)23として後段で詳述するマハラノビス距離演算手段7に送出される。
これにより、同期正常データ群22と同期がとれた同期診断データf(t−Δt)23として後段で詳述するマハラノビス距離演算手段7に送出される。
MT法は、一般に、画像認識技術や振動データの良否判定技術に広く使われているが、設備診断技術にはあまり用いられていない。これは、MT法が時間のずれに弱いためということがある。
MT法は、後述するように、変数同士の相関を考慮して単位空間を形成するデータ群との類似性を算出する。そのため時間を変数とした場合、わずかな時間のずれによって大きく類似性が変わってしまうことになる。
MT法は、後述するように、変数同士の相関を考慮して単位空間を形成するデータ群との類似性を算出する。そのため時間を変数とした場合、わずかな時間のずれによって大きく類似性が変わってしまうことになる。
即ち、データの先頭が揃っていないと動作開始後、時間と電流値との関係が大きく崩れる。データの先頭は動作開始のタイミングであるため、シーケンサからデバイスの立ち上がりを検出して測定開始のトリガとするということも可能であるが、この方法ではスキャンタクトのため、50〜100msのずれが生じることがある。また、単位空間を形成するのに正常データは30〜40個ほど必要であるため、手動で正常データ群の先頭を適切に揃えるのは非常に手間がかかる。
図5、図6で説明した、正常データ群および診断対象データを同期させる手法では、上記問題の解決方法として相互相関を用いる。一般的に、2つのデータの各変数における値が近いとき、相互相関の値は大きくなる。即ち、相互相関の値が最大となる時間のずれにおいて両データの先頭が揃ったと言え、これにより、故障診断の精度の向上が期待できるわけである。
次に、マハラノビス距離演算手段7の動作、従って、以上で得られた同期正常データ群22および同期診断データ23を用いてマハラノビス距離を演算する手法について具体的に説明する。
本発明では、既述してきた通り、故障の特徴が周期的に現れず、検出値の小さい増減に特徴が現れる故障や検出値の時間変化に遅れが現れるような故障事象についても精度良く故障予知が可能となるよう、検出されるデータを時間領域で分析するとしている。
本発明では、既述してきた通り、故障の特徴が周期的に現れず、検出値の小さい増減に特徴が現れる故障や検出値の時間変化に遅れが現れるような故障事象についても精度良く故障予知が可能となるよう、検出されるデータを時間領域で分析するとしている。
この場合、各データは、具体的には、検出手段2によって所定の周期でサンプリングされた、例えば、k個の検出値群で構成され、これは、k次元または変数の数kのデータとも称してよい。
これに対し、マハラノビス距離の演算に当たって、単位空間を形成するための同期正常データ群のデータ個数をnとすると、後述するように、n個のデータ群を用いて、k個の変数についての相関行列Rを求め、更に、その逆行列を演算する必要がある。
これに対し、マハラノビス距離の演算に当たって、単位空間を形成するための同期正常データ群のデータ個数をnとすると、後述するように、n個のデータ群を用いて、k個の変数についての相関行列Rを求め、更に、その逆行列を演算する必要がある。
このことから、一般的には、n>kの関係が要求される。しかるに、時間的に変化するデータを精度良く検出するためにはそのサンプリング周期を短くする、即ち、サンプリングレートを上げる必要があり、結果、多数の正常データ群の取得が要請され、診断のための作業時間や演算時間が長大となることが懸念される。
そこで、ここでは、先ず、n>kが前提での、一般的なマハラノビス距離の演算手法について説明し、後段で、n≦k、即ち、単位空間を形成する正常データの変数の数kより正常データ群のデータの数nが少なくてもマハラノビス距離を算出可能な演算手法を後掲の図7も参照して説明することにする。
先ず、n>kの関係が成立する場合について説明する。
k次元(変数の数k)の同期正常データをn個取得して、(1)式に示す同期正常データ群xliを用意する。
k次元(変数の数k)の同期正常データをn個取得して、(1)式に示す同期正常データ群xliを用意する。
平均値μと標準偏差σを用いて、規格化した同期正常データ群Xliを(2)式で求める。
規格化された同期正常データ群Xliを用いて、k個の変数について相関行列Rを(3)式で求める。
(3)式で、rijは、変数iと変数jの相関係数である。
同期診断データyiを(4)式に示す。
同期診断データyiを(4)式に示す。
平均値μと標準偏差σを用いて、規格化した同期診断データYiを(5)式で求める。
同期診断データYiのマハラノビス距離をDとすると、その二乗D2は、(3)式の相関行列Rの逆行列Aを用いて(6)式で定義される。
以上のように、n>kの関係が成立する場合は、図6で説明した通り、新たに検出された同期診断データ23についてのマハラノビス距離Dは、(6)式に基づき演算することができる。
従って、先の図2で説明したように、対比手段8において、このマハラノビス距離Dと予め設定された閾値Lとの大小比較から精度の高い故障診断が可能となる。
従って、先の図2で説明したように、対比手段8において、このマハラノビス距離Dと予め設定された閾値Lとの大小比較から精度の高い故障診断が可能となる。
次に、n>kの関係が成立しない、即ち、単位空間を形成する正常データの変数の数kより正常データ群のデータの数nが少ない場合の演算手法について説明する。
(3)式で説明した相関行列Rの固有値を大きい方から順に、λ1、λ2、・・・λkとし、対応する固有ベクトルP1、P2、・・・Pkを並べて、(7)式に示す変数変換行列Pが得られる。
(3)式で説明した相関行列Rの固有値を大きい方から順に、λ1、λ2、・・・λkとし、対応する固有ベクトルP1、P2、・・・Pkを並べて、(7)式に示す変数変換行列Pが得られる。
規格化した同期診断データYi(図7のステップS5)の第i主成分得点Zi(i=1、2、・・・、k)は、変数変換行列Pによる変数変換により(8)式で求められる(図7のステップS6)。
マハラノビス距離D2は、この主成分得点Ziを用いて(9)式により表すことが出来る。
ところで、相関行列Rは、(10)式に示すように、直交行列Pによって対角化され、従って、D2は、主成分得点Ziと相関行列Rの固有値λiとを用いて(11)式のように表すことが出来る。
n≦kのとき、相関行列Rの固有値問題を解くと、(n−1)個の固有値と固有ベクトルが求められる。従って、n≦kの場合は、(n−1)個の固有値λ1、λ2、・・・、λn−1とk×(n−1)の変数変換行列P=(p1 p2 ・・・pn−1)が得られるので、(11)式は(12)式のようになる(図7のステップS7)。
従って、サンプリング周期を短くすることで、時間的に変化するデータを高精度で検出する結果、データの変数kが取得した正常データ群の数nを超えることになっても、(12)式を用いてマハラノビス距離を演算することにより、精度の良い故障診断が可能となる。
次に、図8は、演算したマハラノビス距離のバラツキを低減するため正常データ群の選別を行う手順を示すフローチャートである。マハラノビス距離18は、単位空間16を形成する同期正常データ群22と同期診断データ23との類似性を表すものであるので、同期正常データ群22を構成する複数のデータの中に、例えば、検出系やこの後段で発生したノイズが含まれたものが存在すると、正確なマハラノビス距離18が得られない。
図8は、同期正常データ群生成手段31で一旦生成された同期正常データ群22から、上記のようなノイズが含まれたデータを抽出してこれらを排除することで、診断時に採用する同期正常データ群22の信頼性を向上させる手順を示す。
同期正常データ群生成手段31により生成された同期正常データ群から任意に抽出した1個の同期正常データを除く残りの同期正常データ群に基づき単位空間16を形成し抽出対象の同期正常データの単位空間16におけるマハラノビス距離を演算して蓄積手段9に保存する。
以上の処理を抽出対象の同期正常データを替えて繰り返し、評価手段10は、演算された複数のマハラノビス距離のバラツキからノイズを含む同期正常データを同期正常データ群22から排除する。
以上の処理を抽出対象の同期正常データを替えて繰り返し、評価手段10は、演算された複数のマハラノビス距離のバラツキからノイズを含む同期正常データを同期正常データ群22から排除する。
ノイズが含まれない同期正常データが抽出されたときに演算されたマハラノビス距離に比較して、ノイズが含まれた同期正常データが抽出されたときに演算されたマハラノビス距離は大きくなるので、評価手段10は、この演算されたマハラノビス距離のバラツキからノイズを含む同期正常データを同期正常データ群22から排除する。
以上のように、評価手段10により、同期正常データ群22の選別を行い、ノイズを含む同期正常データを同期正常データ群22から除外するので、後段で実施される同期診断データ23に係るマハラノビス距離の演算精度が向上する。
図9は、同期正常データ群22のデータ個数nがその次元の個数k以下である場合に、マハラノビス距離の演算の適正化を図るための手順を示すフローチャートである。
単位空間を形成するデータ群の傾向に偏りがあるとマハラノビス距離に影響し、故障診断の精度が低下する。一般に、単位空間を形成するデータ群のデータ個数を増やせばデータ群の偏りの影響が軽減される。しかし、n≦kとなる場合で、先の図7と(7)式以降で説明した要領でマハラノビス距離を演算する場合の特徴として、(7)式で示すように、相関行列Rの固有値を大きい方から順に、λ1、λ2、・・・λkとし、(12)式に示すように、マハラノビス距離Dの二乗D2は、(n−1)個のZi2/λiの平均値で求められる。
単位空間を形成するデータ群の傾向に偏りがあるとマハラノビス距離に影響し、故障診断の精度が低下する。一般に、単位空間を形成するデータ群のデータ個数を増やせばデータ群の偏りの影響が軽減される。しかし、n≦kとなる場合で、先の図7と(7)式以降で説明した要領でマハラノビス距離を演算する場合の特徴として、(7)式で示すように、相関行列Rの固有値を大きい方から順に、λ1、λ2、・・・λkとし、(12)式に示すように、マハラノビス距離Dの二乗D2は、(n−1)個のZi2/λiの平均値で求められる。
従って、データに偏りがあると仮定してデータ数nが増えると、より小さい値のλまでD2の算出に関与することになり、マハラノビス距離が大きめに算出される可能性がある。
そこで、図9では、n個の同期正常データからなる同期正常データ群22の中からp(p<n)個の同期正常データを任意に抽出し、平均値μ、標準偏差σ、変数変換行列P、固有値λを使って、抽出同期正常データ群と同期診断データ23とのマハラノビス距離D2を演算して蓄積手段9に保存する。
以上の抽出演算をq回繰り返し、評価手段10は、この蓄積手段9に蓄積されたq個のマハラノビス距離D2の平均値により故障診断の評価を行う。
そこで、図9では、n個の同期正常データからなる同期正常データ群22の中からp(p<n)個の同期正常データを任意に抽出し、平均値μ、標準偏差σ、変数変換行列P、固有値λを使って、抽出同期正常データ群と同期診断データ23とのマハラノビス距離D2を演算して蓄積手段9に保存する。
以上の抽出演算をq回繰り返し、評価手段10は、この蓄積手段9に蓄積されたq個のマハラノビス距離D2の平均値により故障診断の評価を行う。
以上のように、同期正常データ群22のデータ個数nより少ないp個の同期データ群をq回任意に抽出してq個のマハラノビス距離を演算しその平均値を出力するようにしたので、同期正常データ群22にデータの偏りがあってもその影響が軽減されマハラノビス距離の演算の適正化が図られる。
実施の形態2.
図10は、本発明の実施の形態2による故障診断装置における故障診断の手順を示すフローチャートである。
設備に異常がなくても外乱によって診断対象データが正常データ群と異なる傾向を示し故障と診断される場合が考えられる。
図10は、本発明の実施の形態2による故障診断装置における故障診断の手順を示すフローチャートである。
設備に異常がなくても外乱によって診断対象データが正常データ群と異なる傾向を示し故障と診断される場合が考えられる。
この実施の形態2は、図10の対比手段8において、マハラノビス距離Dが閾値Lを超えて設備が故障と判定されたときに、それが外乱による誤った判断か正しく実際の故障であるかを判別する手順を提供するものである。
対比手段8において故障と診断された診断対象データを正常データ群とそのまま電流値を比較しても多変数であるためどの時間区間に差があるのかすぐにはわからないことが多い。
そこで、この実施の形態2では、対比手段8によって故障と診断された診断対象データについて、診断対象データと正常データ群とをすべて含めてその変数(次元)kについて独立成分分析をする。
そこで、この実施の形態2では、対比手段8によって故障と診断された診断対象データについて、診断対象データと正常データ群とをすべて含めてその変数(次元)kについて独立成分分析をする。
独立成分分析は、主成分分析と同様、複数の変数の線形結合で表される新たな変数を生成する手法であるが、主成分分析が各変数を表す係数の内積が0になるという制約があるのに対し独立成分分析はそのような制約がない。従って、他の新たな変数の影響を受けないため異常の特徴を抽出するのに優れている。
独立成分分析によって得られた変数変換行列との積によって独立成分得点が得られる。マハラノビス距離が大きくなるデータは、単位空間の中心からある軸方向に対して遠くにあるので正常データ群よりも独立成分得点が大きい軸がk個の軸のうちに存在する。この軸を表す線形結合係数より異常データが正常データのどの変数に異常の特徴が表れているかがわかる。
独立成分分析によって得られた変数変換行列との積によって独立成分得点が得られる。マハラノビス距離が大きくなるデータは、単位空間の中心からある軸方向に対して遠くにあるので正常データ群よりも独立成分得点が大きい軸がk個の軸のうちに存在する。この軸を表す線形結合係数より異常データが正常データのどの変数に異常の特徴が表れているかがわかる。
この係数が正であれば正常データより値が大きく、係数が負であれば正常データより値が小さい。例えば、診断対象データの電流値が正常データと比較して遅く増加した場合、増加が遅れている時間領域においては線形結合係数が負となる。このように設備の故障は特定の時間領域に現れるため、線形結合係数において連続して係数が正または負となっている時間区間が存在しなければ外乱が原因となって故障と診断された可能性が高い。
以上のように、同期正常データ群22および同期診断データ23の時間軸に相当する次元k毎に独立成分分析19を実施し、この独立成分分析に基づく線形結合係数の時間軸に沿った変化特性に基づき、対比手段8による故障の判定が、外乱によるものか実際の故障かを分析する分析手段20を備えたので、その都度、技術者の目によって判定しなくても線形結合係数が正から負または負から正となった回数を算出する等、線形結合係数の時間軸に沿った変化特性に基づき外乱による影響か実際の故障であるか容易に判定できる。
実施の形態3.
図11は、本発明の実施の形態3による故障診断装置における閾値設定の手順を示すフローチャートである。
ここでは、先の実施の形態例の対比手段8において、予め設定するとした閾値Lの設定要領の一例について説明する。
図11は、本発明の実施の形態3による故障診断装置における閾値設定の手順を示すフローチャートである。
ここでは、先の実施の形態例の対比手段8において、予め設定するとした閾値Lの設定要領の一例について説明する。
マハラノビス距離の二乗は、いわゆるカイ二乗(χ2)分布に従うとされる。診断動作に先立って、正常運転時のデータを複数回測定し、各データについてマハラノビス距離を演算する。そして、複数のマハラノビス距離のカイ二乗分布曲線を求め、設定手段25は、このカイ二乗分布曲線の95〜99%信頼区間を対比手段8における閾値Lに設定する。
以上のように、診断動作に先立って複数回測定されたデータに基づき演算されたマハラノビス距離のカイ二乗分布曲線から、診断時、対比手段8で故障か否かを判定する閾値Lを設定するので、異常データを必要とせずに精度の良い閾値Lの設定ができる。
なお、本発明は、その発明の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略することが可能である。
1 サーボモータ、2 検出手段、3 記憶手段、4 動作指令手段、5 同期手段、6 故障予知手段、7 マハラノビス距離演算手段、8 対比手段、9 蓄積手段、
10 評価手段、12 異常データ、13,14 故障データ、15 正常データ群、
16 単位空間、17 診断データ、18 マハラノビス距離、19 独立成分分析、
20 分析手段、21 基準データ、22 同期正常データ群、23 同期診断データ、25 設定手段、31 同期正常データ群生成手段、32 同期診断データ生成手段。
10 評価手段、12 異常データ、13,14 故障データ、15 正常データ群、
16 単位空間、17 診断データ、18 マハラノビス距離、19 独立成分分析、
20 分析手段、21 基準データ、22 同期正常データ群、23 同期診断データ、25 設定手段、31 同期正常データ群生成手段、32 同期診断データ生成手段。
Claims (9)
- 診断対象の設備を構成し前記設備を駆動する電気部品または前記設備の動作特性を検出する検出手段、互いに異なる時点において前記検出手段で検出した前記動作特性の同期をとる同期手段、前記設備が正常状態にあるとき複数の回数にわたって前記検出手段で検出した前記複数の正常動作特性を前記同期手段により互いに同期をとることにより同期正常データ群を生成して記憶手段に記憶する同期正常データ群生成手段、前記設備が診断状態にあるとき前記検出手段で検出した診断動作特性を前記同期手段により前記同期正常データ群と同期をとることにより同期診断データを生成する同期診断データ生成手段、前記記憶手段に記憶された前記同期正常データ群に基づき単位空間を形成し前記同期診断データの前記単位空間におけるマハラノビス距離を演算するマハラノビス距離演算手段、および前記マハラノビス距離と予め設定した閾値とを比較し前記マハラノビス距離が前記閾値を超えたとき前記設備の故障と判定する対比手段を備えたことを特徴とする故障診断装置。
- 前記同期手段は、前記互いに異なる時点において前記検出手段で検出した前記動作特性の一方を基準動作特性とし、他方の動作特性を時間xだけずらした特性と前記基準動作特性との相互相関を演算し、前記時間xを変化させたとき前記相互相関が最大となるときの前記時間xに基づき前記他方の動作特性を前記基準動作特性に同期させるようにしたことを特徴とする請求項1記載の故障診断装置。
- 前記同期正常データ群生成手段は、前記複数の前記正常動作特性の中から1個を選んで基準データとし、前記同期手段により前記基準データを除く前記正常動作特性のそれぞれを前記基準データに同期させることにより前記同期正常データ群を生成することを特徴とする請求項1または請求項2に記載の故障診断装置。
- 前記同期診断データ生成手段は、前記同期手段により前記診断動作特性を前記基準データに同期させることにより前記同期診断データを生成することを特徴とする請求項3記載の故障診断装置。
- 前記同期正常データ群生成手段により生成された前記同期正常データ群から任意に抽出した1個の同期正常データを除く残りの同期正常データ群に基づき単位空間を形成し抽出対象の同期正常データの該単位空間におけるマハラノビス距離を演算する処理を前記抽出対象の同期正常データを替えて繰り返し、得られた前記マハラノビス距離のバラツキからノイズを含む同期正常データを前記同期正常データ群から排除する評価手段を備え、
前記マハラノビス距離演算手段は、前記同期正常データ群から前記評価手段により排除された同期正常データを除く同期正常データ群と前記同期診断データとにより前記マハラノビス距離を演算することを特徴とする請求項1から請求項4のいずれか1項に記載の故障診断装置。 - 前記対比手段が前記同期正常データ群と前記同期診断データとから演算した前記マハラノビス距離と前記閾値との比較から前記設備が故障と判定したとき、
前記同期正常データ群および前記同期診断データの時間軸に相当する次元毎に独立成分分析を実施し、この独立成分分析に基づく線形結合係数の前記時間軸に沿った変化特性に基づき、前記対比手段による前記故障の判定が、外乱によるものか実際の故障かを分析する分析手段を備えたことを特徴とする請求項1から請求項5のいずれか1項に記載の故障診断装置。 - 診断の動作に先だって、複数回の正常運転におけるデータから前記マハラノビス距離演算手段により複数のマハラノビス距離を演算し、前記複数のマハラノビス距離のカイ二乗分布曲線を求め、前記カイ二乗分布曲線の95〜99%信頼区間を、前記対比手段で設定する前記閾値とすることを特徴とする請求項1から請求項6のいずれか1項に記載の故障診断装置。
- 前記マハラノビス距離演算手段は、前記n個の同期正常データからなる前記同期正常データ群の中からp(p<n)個の同期正常データをq回任意に抽出して前記q個の抽出同期正常データ群を生成し、前記q個の抽出同期正常データ群のそれぞれと前記同期診断データとによる演算で求まる前記q個のマハラノビス距離の二乗の平均値から前記マハラノビス距離を出力することを特徴とする請求項8記載の故障診断装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015244748A JP2019023771A (ja) | 2015-12-16 | 2015-12-16 | 故障診断装置 |
PCT/JP2016/083180 WO2017104305A1 (ja) | 2015-12-16 | 2016-11-09 | 故障診断装置および故障診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015244748A JP2019023771A (ja) | 2015-12-16 | 2015-12-16 | 故障診断装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019023771A true JP2019023771A (ja) | 2019-02-14 |
Family
ID=59056505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015244748A Pending JP2019023771A (ja) | 2015-12-16 | 2015-12-16 | 故障診断装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2019023771A (ja) |
WO (1) | WO2017104305A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6956914B1 (ja) * | 2020-08-04 | 2021-11-02 | 三菱電機株式会社 | 同期装置及びプログラム |
US20220307946A1 (en) * | 2021-03-29 | 2022-09-29 | Seiko Epson Corporation | Abnormality Determination Method, Abnormality Determination Device, And Abnormality Determination System |
WO2023228678A1 (ja) * | 2022-05-25 | 2023-11-30 | 三菱重工業株式会社 | 設備の異常判定装置、異常判定システム、異常判定方法、異常判定システムの制御方法、及び、異常判定プログラム |
JP7462833B2 (ja) | 2020-09-01 | 2024-04-05 | ジョイント ストック カンパニー“ロスエネルゴアトム” | 運転中のディーゼル発電機の技術的状態を監視する方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6655595B2 (ja) * | 2017-12-21 | 2020-02-26 | 三菱日立パワーシステムズ株式会社 | 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム |
CN112000081B (zh) * | 2020-08-31 | 2021-10-08 | 江南大学 | 基于多块信息提取和马氏距离的故障监测方法及系统 |
CN112362987B (zh) * | 2020-10-28 | 2022-06-14 | 广东电网有限责任公司佛山供电局 | 一种基于稳健估计的避雷器故障诊断方法 |
EP4261639A4 (en) | 2020-12-08 | 2024-01-31 | JFE Steel Corporation | METHOD FOR DETERMINING A TIME SERIES SIGNAL TRIGGER CONDITION, METHOD FOR DIAGNOSIS OF AN ANOMALY IN A MONITORED INSTALLATION, AND DEVICE FOR DETERMINING A TIME SERIES SIGNAL TRIGGER CONDITION |
CN115178752A (zh) * | 2022-09-13 | 2022-10-14 | 广东银纳增材制造技术有限公司 | 一种3d打印金属粉末生产设备的故障预警方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3631118B2 (ja) * | 2000-09-21 | 2005-03-23 | 株式会社東芝 | プラント診断装置 |
JP4957406B2 (ja) * | 2007-06-27 | 2012-06-20 | 横河電機株式会社 | バッチプロセス解析システムおよびバッチプロセス解析方法 |
JP5740459B2 (ja) * | 2009-08-28 | 2015-06-24 | 株式会社日立製作所 | 設備状態監視方法 |
JP2011238147A (ja) * | 2010-05-13 | 2011-11-24 | Yokogawa Electric Corp | プロセス状態解析装置およびプロセス状態解析方法 |
JP2014241329A (ja) * | 2013-06-11 | 2014-12-25 | 三菱電機株式会社 | 太陽光発電モジュール検査装置 |
-
2015
- 2015-12-16 JP JP2015244748A patent/JP2019023771A/ja active Pending
-
2016
- 2016-11-09 WO PCT/JP2016/083180 patent/WO2017104305A1/ja active Application Filing
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6956914B1 (ja) * | 2020-08-04 | 2021-11-02 | 三菱電機株式会社 | 同期装置及びプログラム |
JP7462833B2 (ja) | 2020-09-01 | 2024-04-05 | ジョイント ストック カンパニー“ロスエネルゴアトム” | 運転中のディーゼル発電機の技術的状態を監視する方法 |
US20220307946A1 (en) * | 2021-03-29 | 2022-09-29 | Seiko Epson Corporation | Abnormality Determination Method, Abnormality Determination Device, And Abnormality Determination System |
US11885721B2 (en) | 2021-03-29 | 2024-01-30 | Seiko Epson Corporation | Abnormality determination method, abnormality determination device, and abnormality determination system |
WO2023228678A1 (ja) * | 2022-05-25 | 2023-11-30 | 三菱重工業株式会社 | 設備の異常判定装置、異常判定システム、異常判定方法、異常判定システムの制御方法、及び、異常判定プログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2017104305A1 (ja) | 2017-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019023771A (ja) | 故障診断装置 | |
US20130318011A1 (en) | Method for Detecting Anomalies in Multivariate Time Series Data | |
Zhao et al. | Advanced correlation-based anomaly detection method for predictive maintenance | |
JP6406261B2 (ja) | 情報処理装置、及び、分析方法 | |
CN104915568B (zh) | 基于dtw的卫星遥测数据异常检测方法 | |
KR101554216B1 (ko) | 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치 | |
US20120296605A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
EP2495583A2 (en) | Target tracking system and target tracking method | |
EP3355313B1 (en) | Abnormality diagnosis system | |
US9026397B2 (en) | Stick-slip detecting device and detecting method | |
CN112334849B (zh) | 诊断装置、诊断方法及程序 | |
KR101522385B1 (ko) | 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체 | |
JP5824333B2 (ja) | スティックスリップ検出装置および検出方法 | |
CN109117450B (zh) | 振动测试数据最佳分析长度的确定方法 | |
CN105043776A (zh) | 一种飞机发动机性能监控与故障诊断方法 | |
WO2016121689A1 (ja) | 不具合診断方法及び不具合診断システム | |
US9696717B2 (en) | Apparatus and method of segmenting sensor data output from a semiconductor manufacturing facility | |
KR101348635B1 (ko) | 유도전동기 회전자의 고장 진단 장치 및 방법 | |
KR102340395B1 (ko) | 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법 | |
JP2019159786A (ja) | 情報処理装置、情報処理方法、プログラム | |
JP2022084435A5 (ja) | ||
JP6733656B2 (ja) | 情報処理装置、情報処理システム、プラントシステム、情報処理方法、及び、プログラム | |
CN114227701A (zh) | 一种基于生产数据的机器人故障预测方法 | |
KR101615345B1 (ko) | 반도체 생산 공정에서 센서 데이터들을 이용하여 웨이퍼의 수율을 분석하는 방법 | |
KR20160039078A (ko) | 발전소 배관 운전신호 분석 방법 |