JP2019144174A - 故障診断装置及び機械学習装置 - Google Patents

故障診断装置及び機械学習装置 Download PDF

Info

Publication number
JP2019144174A
JP2019144174A JP2018030138A JP2018030138A JP2019144174A JP 2019144174 A JP2019144174 A JP 2019144174A JP 2018030138 A JP2018030138 A JP 2018030138A JP 2018030138 A JP2018030138 A JP 2018030138A JP 2019144174 A JP2019144174 A JP 2019144174A
Authority
JP
Japan
Prior art keywords
repaired
data
state
motor driving
driving device
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
Application number
JP2018030138A
Other languages
English (en)
Other versions
JP6956028B2 (ja
Inventor
英幸 福田
Hideyuki Fukuda
英幸 福田
佐々木　拓
Hiroshi Sasaki
拓 佐々木
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.)
Fanuc Corp
Original Assignee
Fanuc Corp
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 Fanuc Corp filed Critical Fanuc Corp
Priority to JP2018030138A priority Critical patent/JP6956028B2/ja
Priority to DE102019103825.1A priority patent/DE102019103825A1/de
Priority to US16/280,292 priority patent/US20190258945A1/en
Priority to CN201910132926.9A priority patent/CN110187672A/zh
Publication of JP2019144174A publication Critical patent/JP2019144174A/ja
Application granted granted Critical
Publication of JP6956028B2 publication Critical patent/JP6956028B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37253—Fail estimation as function of lapsed time of use
    • 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
    • G06N3/048—Activation functions

Abstract

【課題】モータ駆動装置のいずれの箇所が故障しているのかを迅速且つ高い精度で診断することを可能とする故障診断装置及び機械学習装置を提供すること。【解決手段】本発明の故障診断装置１が備える機械学習装置１００は、修理対象となるモータ駆動装置の故障発生時の情報を含む故障時点データ、稼働環境を示す稼働環境データ、稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部１０６と、修理対象となるモータ駆動装置において修理・交換した部品を示す修理・交換部品データをラベルデータとして取得するラベルデータ取得部１０８と、状態変数とラベルデータとを関連付けて学習する学習部１１０と、を備える。【選択図】図２

Description

本発明は、故障診断装置及び機械学習装置に関し、特にモータ駆動装置の故障部品を特定する制御装置及び機械学習装置に関する。
工作機械等に用いられているモータ駆動装置が故障した際には、故障した部品を特定した上で正常な部品に交換して修理し、再利用することが一般に行われている。その際、故障部品を特定するには、従来は外観や試験結果から人の経験を頼りに修理を行なっていた。また、特定の部品の故障有無だけをみる試験のみを行い、その結果から修理箇所を特定する試験機もある（例えば、特許文献１，２等）。
特開２００１−１１９９８７号公報 特開平１０−０２０００１号公報
しかしながら、人手による故障診断では、作業者の経験等により修理箇所を特定する速さや正確さに差がでるという課題がある。また、試験機を利用する場合でも製品の部品点数、故障モードが多い場合、試験機の種類が多くなり、診断時間が長くなったり精度が低下したりする課題がある。更に、作業を均一化しようとして試験項目や試験条件の最適化をしたとしても、その作業自体に時間が掛かってしまう。いずれにおいても、複数の部品が壊れている場合や故障している乃至故障しかかっている部品の特定は難しい。
そこで本発明の目的は、モータ駆動装置のいずれの箇所が故障しているのかを迅速且つ高い精度で診断することを可能とする故障診断装置及び機械学習装置を提供することである。
本発明では、故障したモータ駆動装置（アンプを含む）の状態に応じて、故障部品を迅速かつ正確に特定できるように、部品交換と試験結果を試行錯誤的に学習する機械学習装置を具備した故障診断装置を提供することにより、上記課題を解決する。
本発明の故障診断装置では、フィールドで故障して返却されたモータ駆動装置を対象に、製品の（１）故障発生時の情報（アラーム情報、モータの負荷情報、温度、時間帯等）、（２）稼働環境情報（ヒートシンク温度、気温、湿度、切削液状況、他の機械の故障状況等）、（３）稼働履歴、（４）試験機での試験結果（外観（切削液、切粉付着状況）、電流、発熱、エンコーダ波形、ＬＳＩの内部ステート等）、（５）修理・交換部品の情報、等に基づいて故障と交換部品との対応関係を機械学習し、その学習結果を利用して故障交換部品を特定する。本発明の故障診断装置における学習段階では、上記（１）、（２）、（３）を固定の入力データとして、また、（４）試験結果を任意の入力データとして、部品交換と試験を繰り返し、そのたびに（５）交換部品の情報を教師データとして学習させる。一方で、本発明の故障診断装置における推論段階では（１），（２），（３）（及び、任意で（４））のデータに基づいて故障部品を推論する。
そして、本発明の一態様は、モータ駆動装置の修理・交換対象となる部品を推論する故障診断装置であって、修理対象となる前記モータ駆動装置の状態に対する修理・交換対象となる部品を学習する機械学習装置を備え、前記機械学習装置は、前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、前記モータ駆動装置において修理・交換した部品を示す修理・交換部品データをラベルデータとして取得するラベルデータ取得部と、前記状態変数と前記ラベルデータとを関連付けて学習する学習部と、を備える故障診断装置である。
本発明の他の態様は、モータ駆動装置の修理・交換対象となる部品を推論する故障診断装置であって、修理対象となる前記モータ駆動装置の状態に対する修理・交換対象となる部品を学習した機械学習装置を備え、前記機械学習装置は、前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、前記モータ駆動装置の故障発生時の情報、前記モータ駆動装置の稼働環境、前記モータ駆動装置の稼働履歴に対して、前記モータ駆動装置において修理・交換した部品を関連付けて学習した学習部と、前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記修理・交換対象となる部品を推論した結果を出力する推論結果出力部と、を備える故障診断装置である。
本発明の他の態様は、修理対象となるモータ駆動装置の稼働状況に対する修理・交換対象となる部品を学習する機械学習装置であって、
前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、
前記モータ駆動装置において修理・交換した部品を示す修理・交換部品データをラベルデータとして取得するラベルデータ取得部と、
前記状態変数と前記ラベルデータとを関連付けて学習する学習部と、
を備える機械学習装置である。
本発明の他の態様は、修理対象となる前記モータ駆動装置の状態に対する修理・交換対象となる部品を学習した機械学習装置であって、前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、前記モータ駆動装置の故障発生時の情報、前記モータ駆動装置の稼働環境、前記モータ駆動装置の稼働履歴に対して、前記モータ駆動装置において修理・交換した部品を関連付けて学習した学習部と、前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記修理・交換対象となる部品を推論した結果を出力する推論結果出力部と、を備える機械学習装置である。
本発明の故障診断装置では、故障部品の特定が迅速かつ正確に行えるため、モータ駆動装置の修理に要する時間が短縮できる。また、壊れかかっている部品の特定・交換も可能となり、修理品の信頼性が高くなる。
第１の実施形態による故障診断装置の概略的なハードウェア構成図である。 第１の実施形態による故障診断装置の概略的な機能ブロック図である。 第１の実施形態による故障診断装置の学習の手順の例を示す図である。 第１の実施形態による故障診断装置が取得する状態変数Ｓ及びラベルデータＬの例を示す図である。 第１の実施形態による故障診断装置の学習の手順の例を示す図である。 故障診断装置の一形態を示す概略的な機能ブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。
以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による故障診断装置の要部を示す概略的なハードウェア構成図である。故障診断装置１は、例えばモータ駆動装置（アンプを含む）の修理工場などに設置されているコンピュータ（図示せず）等として実装することができる。本実施形態による故障診断装置１が備えるＣＰＵ１１は、故障診断装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って故障診断装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データが一時的に格納される。
不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、故障診断装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、図示しないキーボード等の入力機器や外部メモリ、ネットワーク等を介して取得されたデータ（修理対象となるモータ駆動装置の故障発生時の情報、稼働環境情報、稼働履歴情報等の稼働情報、試験機での試験結果、交換部品の情報等を含む）や、図示しないインタフェースを介して入力された動作用のプログラム等が記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種のシステム・プログラム（後述の機械学習装置１００とのやりとりを制御するためのシステム・プログラムを含む）があらかじめ書き込まれている。なお、故障診断装置１は、インタフェース１８を介して試験機７０によるモータ駆動装置の試験の結果を取得できるように構成しても良い。
グラフィック制御回路１５は数値データ及び図形データ等のデジタル信号を表示用のラスタ信号に変換し、表示装置６０に送り、表示装置６０はこれらの数値及び図形を表示する。表示装置６０には主に液晶表示装置が使用される。
インタフェース２１は、故障診断装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して故障診断装置１で取得可能な各データ（修理対象となるモータ駆動装置の故障発生時の情報等）を観測することができる。また、故障診断装置１は、機械学習装置１００から出力される、修理対象となるモータ駆動装置を構成する部品の故障診断結果を図示しない表示装置等に表示する。
図２は、第１の実施形態による故障診断装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した故障診断装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、故障診断装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の故障診断装置１は、機械学習装置１００から出力された推論結果を表示装置６０へと出力する表示部３４を備える。
本実施形態の機械学習装置１００は、修理対象となるモータ駆動装置の状態に対する、該修理対象となるモータ駆動装置を構成する部品を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。故障診断装置１が備える機械学習装置１００が学習するものは、修理対象となるモータ駆動装置の状態と、修理・交換対象となる部品との、相関性を表すモデル構造に相当する。
図２に機能ブロックで示すように、故障診断装置１が備える機械学習装置１００は、修理対象となるモータ駆動装置の故障発生時の情報を含む故障時点データＳ１、モータ駆動装置の稼働環境を示す稼働環境データＳ２、モータ駆動装置の稼働履歴を示す稼働履歴データＳ３を含む状態変数Ｓを観測する状態観測部１０６と、修理・交換部品の情報を示す修理・交換部品データＬ１を含むラベルデータＬを取得するラベルデータ取得部１０８と、状態変数ＳとラベルデータＬとを用いて、修理対象となるモータ駆動装置の状態に対する、修理・交換対象となる部品とを関連付けて学習する学習部１１０と、更に、モータ駆動装置の故障発生時の情報、モータ駆動装置の稼働環境、及びモータ駆動装置の稼働履歴に基づいて現在の学習済みモデルを用いて判定結果を出力する推論結果出力部１２２とを備える。
状態観測部１０６が観測する状態変数Ｓのうち、故障時点データＳ１は、修理対象となるモータ駆動装置が故障した時点での状態を示すデータのセットとして取得することができる。故障時点データＳ１としては、例えば、モータ駆動装置が故障した時点で組み込み先の機械で発生したアラーム情報、モータ駆動装置の負荷情報、モータ駆動装置の温度、故障した時間帯等が挙げられる。これら各データは、モータ駆動装置のドライバが故障した時点でメモリ上に保持した情報等を取得して利用するようにしても良い。故障時点データＳ１は、修理対象となるモータ駆動装置が組み込まれていた機械から外部記憶装置やネットワーク等を介して取得して用いても良い。
状態変数Ｓのうち、稼働環境データＳ２は、修理対象となるモータ駆動装置が故障した前後におけるモータ駆動装置の動作環境を示すデータのセットとして取得することができる。故障時点データＳ１としては、例えば、ヒートシンク温度、環境温度、環境湿度、使用切削液、設置場所、モータ駆動装置と同一の軸に組み込まれた他の装置の故障状況等が挙げられる。これら各データは、モータ駆動装置が組み込まれていた機械のメモリ上に保持された情報や、メンテナンスを行なう作業者が入力した情報等を取得して利用しても良い。稼働環境データＳ２は、修理対象となるモータ駆動装置が組み込まれていた機械から外部記憶装置やネットワーク等を介して取得して用いても良い。
状態変数Ｓのうち、稼働履歴データＳ３は、修理対象となるモータ駆動装置の今までの稼働状態を示すデータのセットとして取得することができる。稼働履歴データＳ３としては、例えば、モータ駆動装置の稼働時間や過去の修理履歴等が挙げられる。これら各データは、モータ駆動装置のメモリ上に記録されている情報や、メンテナンスを行なう業者が記録している情報等を取得して利用しても良い。稼働履歴データＳ３は、修理対象となるモータ駆動装置が組み込まれていた機械や修理履歴が記録されたデータベースサーバ等から外部記憶装置やネットワーク等を介して取得して用いても良い。
ラベルデータ取得部１０８が取得するラベルデータＬに含まれる修理・交換部品データＬ１は、例えばモータ駆動装置の修理を行った作業者により申告された部品の修理・交換に関するデータを用いることができる。修理・交換部品データＬ１は、例えば修理対象となるモータ駆動装置に対して修理・交換を行なった部品、修理対象となるモータ駆動装置が当該部品の交換により不具合現象が改善したか否かの情報、などを含んでも良い。ラベルデータ取得部１０８が取得するラベルデータＬは、状態変数Ｓの下でメンテナンスが行われた場合の結果を表す指標である。
学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、修理対象となるモータ駆動装置の稼働状況に対するラベルデータＬを学習する。学習部１１０は、前述した状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。
図３は、学習部１１０が状態変数ＳとラベルデータＬとを用いて機械学習する流れを示す図である。機械に組み込まれたモータ駆動装置に異常が発生すると、（手順１）修理依頼を受けた作業者が機械から修理対象となるモータ駆動装置を取り出すと共に、機械及びモータ駆動装置から故障診断に有用な各種データ（故障時点データＳ１，稼働環境データＳ２，稼働履歴データＳ３）を取得する。作業者は、（手順２）モータ駆動装置の外観を観察しつつ試験機７０等を用いてモータ駆動装置を試験し、（手順１）で取得した各データを参照しながらモータ駆動装置の故障箇所を推定し、その推定結果に基づいてモータ駆動装置を構成する部品の修理・交換を行なう。そして、モータ駆動装置が正常に動作することを確認した作業者は、（手順３）故障診断装置に対して（手順１）で得られた各種データと、どの部品を修理・交換したらモータ駆動装置が正常になったのか（修理・交換部品データＬ１）を入力する。故障診断装置１は、(手順４)作業者により入力された状態変数ＳとラベルデータＬとを用いて機械学習を行う。
図４は、本実施形態の故障診断装置１が取得する状態変数ＳとラベルデータＬのデータセットの例を示している。なお、図４の状態変数ＳとラベルデータＬの例は、上記で示した各状態データとラベルデータＬの一部を簡易的に示したものである。図４に示した例では、例えば、あるモータ駆動装置に異常が発生し、該モータ駆動装置が組み込まれた機械でアラームＸが発生した場合に、部品Ａを交換した場合はモータ駆動装置の異常は回復せず（Ｎｏ．１）、その後、部品Ｂを交換したらモータ駆動装置が正常に回復している（Ｎｏ．２）。この場合、学習部１１０は、モータ駆動装置が正常に回復したデータセット（図３の例では、Ｎｏ．２，４，７のデータセット）を用いた機械学習を行う。
このような学習サイクルを繰り返すことにより、学習部１１０は、故障発生時の情報（故障時点データＳ１）、稼働環境（稼働環境データＳ２）、及び稼働履歴（稼働履歴データＳ３）と、該状態に対する修理・交換対象となる部品（修理・交換部品データＬ１）との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には故障時点データＳ１、稼働環境データＳ２、及び稼働履歴データＳ３と、修理・交換対象となる部品との相関性は実質的に未知であるが、学習部１１０は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。故障時点データＳ１、稼働環境データＳ２、及び稼働履歴データＳ３と修理・交換対象となる部品との相関性が、ある程度信頼できる水準まで解釈されると、学習部１１０が反復出力する学習結果は、現在状態に対しての修理・交換対象となる部品の予測が高い精度で行えるようになる。
推論結果出力部１２２は、学習部１１０が学習した結果に基づいて、修理対象となるモータ駆動装置の状態と、修理・交換対象となる部品の推論を行い、該推論結果を表示部３４へと出力する。推論結果出力部１２２は、学習部１１０による学習が完了した状態において、機械学習装置１００に修理対象となるモータ駆動装置の状態が入力されると、修理・交換対象となる部品を出力する。
図５は、故障診断装置１による推論結果を用いてモータ駆動装置を修理する流れを示す図である。機械に組み込まれたモータ駆動装置に異常が発生すると、（手順１）修理依頼を受けた作業者が機械から修理対象となるモータ駆動装置を取り出すと共に、機械及びモータ駆動装置から故障診断に有用な各種データ（故障時点データＳ１，稼働環境データＳ２，稼働履歴データＳ３）を取得する。作業者は、（手順２）（手順１）で取得したデータを故障診断装置１に状態変数Ｓとして入力する。故障診断装置１は、（手順３）作業者により入力された状態変数Ｓに基づいて、モータ駆動装置の修理・交換対象となる部品を推論し、（手順４）推論結果を出力する。作業者は、（手順５）故障診断装置１から出力された修理・交換対象となる部品の修理乃至交換を行い、モータ駆動装置が正常になったか確認し、モータ駆動装置が正常になった場合には修理が終了する。また、モータ駆動装置が正常にならなかった場合には、作業者は試行錯誤をしながら修理を行い、その結果、モータ駆動装置が正常になった場合には、（手順６）新たに（手順１）で得られた各種データと、どの部品を修理・交換したらモータ駆動装置が正常になったのか（修理・交換部品データＬ１）を入力する。そして、故障診断装置１は、(手順７)作業者により入力された状態変数ＳとラベルデータＬとを用いて（追加の）機械学習を行う。なお、追加の学習を行わない場合には、（手順６）、（手順７）は省略しても良い。
上記したように、故障診断装置１が備える機械学習装置１００は、状態観測部１０６が観測した状態変数Ｓとラベルデータ取得部１０８が取得したラベルデータＬとを用いて、学習部１１０が機械学習アルゴリズムに従い、修理対象となるモータ駆動装置の状態に対する修理・交換対象となる部品を学習するものである。状態変数Ｓは、故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３、試験結果データＳ４といった、外乱の影響を受け難いデータで構成され、またラベルデータＬは、作業者が入力した情報から取得できる。したがって、故障診断装置１が備える機械学習装置１００によれば、学習部１１０の学習結果を用いることで、修理対象となるモータ駆動装置の状態に応じた、修理・交換対象となる部品を、自動的に、しかも正確に推論することができるようになる。
故障診断装置１が備える機械学習装置１００の一変形例として状態観測部１０６は、状態変数Ｓとして更にモータ駆動装置の観測結果や試験機７０等による試験結果を示す試験結果データＳ４を観測し、学習部１１０による機械学習に用いるようにしても良い。試験結果データＳ４は、作業者によるモータ駆動装置の試験結果を示すデータのセットとして取得することができる。試験結果データＳ４としては、例えば、外観（切削液、切粉付着状況等）、電流、発熱、エンコーダ波形、ＬＳＩの内部ステート等が挙げられる。これら各データは、作業者による入力や、試験機７０からの取得した情報を利用しても良い。
上記変形例によれば、機械学習装置１００は、故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３に加えて、試験結果データＳ４を学習及び推論に利用することが出来るため、修理・交換対象の部品の推論の制度の向上が期待できる。
故障診断装置１が備える機械学習装置１００の他の変形例としてラベルデータ取得部１０８は、ラベルデータＬとして更にモータ駆動装置を修理して再稼働開始後の次の故障までの稼働時間を示す再修理時間データＬ２、及び次の故障時における修理・交換部品の情報を示す次回修理・交換部品データＬ３を取得し、学習部１１０による機械学習に用いるようにしても良い。再修理時間データＬ２、及び次回修理・交換部品データＬ３は、モータ駆動装置の修理時に取得された各データについて、それぞれのモータ駆動装置を一意に識別できる識別子と、それぞれのモータ駆動装置の修理作業の時間的な流れを記録するようにしておき、該データに基づいて、モータ駆動装置の修理について学習する際に、次回の故障までの稼働時間と、次回の修理交換部品の情報とを特定して取得するようにすれば良い。
上記変形例によれば、機械学習装置１００は、状態変数Ｓ（故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３等）に対して、修理・交換部品データＬ１に加えて、再修理時間データＬ２、及び次回修理・交換部品データＬ３を学習し、観測された状態変数Ｓに基づいて、今回の修理・交換部品に加えて、モータ駆動装置を修理して再稼働開始後の次の故障までの稼働時間、及び次の故障時における修理・交換部品を推論することができるようになる。その為、作業者は、モータ駆動装置の修理時に、今回故障している部品の修理乃至交換を行うと共に、次回故障する可能性がある部品について試験等を行い、必要に応じて一緒に修理乃至交換を行ったり、次回故障するタイミングまでの間に故障する可能性がある部品を調達しておけるようにメンテナンス計画を立てたりすることができるようになる。
故障診断装置１が備える機械学習装置１００の他の変形例として状態観測部１０６は、状態変数Ｓとして故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３等の全てを観測するのではなく、これらの状態変数のうち少なくとも１つを観測するようにしても良い。その様にした場合、学習部は、状態観測部１０６が観測した故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３等のうち少なくとも１つと、ラベルデータＬとを関連付けて学習し、推論結果出力部１２２は、状態観測部１０６が観測した故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３等の少なくとも１つに基づいて推論処理を行うこととなる。状態変数Ｓとして故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３等のうち少なくとも１つを観測するように構成した場合、これら状態変数の全てを観測する場合と比べて学習・推論の精度は低下するものの、ある程度の確度で修理対象となるモータ駆動装置の状態に対して修理・交換対象となる部品を推論する故障診断装置１を提供することができる。
上記構成を有する機械学習装置１００では、学習部１１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図６は、図２に示す故障診断装置１の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部１１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデルを学習する手法である。
図６に示す故障診断装置１が備える機械学習装置１００において、学習部１１０は、状態変数Ｓから修理・交換対象の部品を推論する相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部１１２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部１１４とを備える。学習部１１０は、モデル更新部１１４が相関性モデルＭの更新を繰り返すことによって修理対象となるモータ駆動装置の状態に対する修理・交換対象の部品を学習する。
相関性モデルＭの初期値は、例えば、状態変数Ｓと修理・交換対象の部品との相関性を単純化して（例えば一次関数で）表現したものであり、教師あり学習の開始前に学習部１１０に与えられる。教師データＴは、例えば、過去の修理対象となるモータ駆動装置の状態と作業者による修理の履歴を記録することで蓄積された経験値によって構成でき、教師あり学習の開始前に学習部１１０に与えられる。誤差計算部１１２は、学習部１１０に与えられた大量の教師データＴから修理対象となるモータ駆動装置の状態と修理・交換対象の部品との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓ及びラベルデータＬに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部１１４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。
次の学習サイクルでは、誤差計算部１１２は、更新後の相関性モデルＭに従って状態変数Ｓを用いて修理・交換対象の部品の予測が行われ、該予測の結果と実際に取得されたラベルデータＬの誤差Ｅを求め、モデル更新部１１４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態とそれに対する予測との相関性が徐々に明らかになる。
前述した教師あり学習を進める際に、ニューラルネットワークを用いることができる。図７Ａは、ニューロンのモデルを模式的に示す。図７Ｂは、図７Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。
図７Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する結果ｙを出力するものである。各入力ｘ1〜ｘ3には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆkは活性化関数である。
Figure 2019144174
図７Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す)が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。
図７Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してｗ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。
図７Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してｗ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。
なお、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることも可能である。
故障診断装置１が備える機械学習装置１００においては、状態変数Ｓを入力ｘとして、学習部１１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、修理対象となるモータ駆動装置を構成する部品の内いずれを修理・交換するべきなのか（結果ｙ）を出力することができる。なお、ニューラルネットワークの動作モードには、学習モードと価値予測モードとがあり、例えば学習モードで学習データセットを用いて重みｗを学習し、学習した重みｗを用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。
上記した故障診断装置１の構成は、プロセッサ１０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、修理・交換対象となる部品を学習する機械学習方法であって、プロセッサ１０１が、故障時点データＳ１，稼働環境データＳ２、稼働履歴データＳ３などのデータを、現在状態を表す状態変数Ｓとして観測するステップと、モータ駆動装置の部品の修理・交換が行われた結果を示すラベルデータＬを取得するステップと、状態変数ＳとラベルデータＬとを用いて、故障時点データＳ１、稼働環境データＳ２、稼働履歴データＳ３と、修理・交換対象となる部品とを関連付けて学習するステップとを有する。
機械学習装置１００の学習部１１０により学習されて得られた学習済みモデルは機械学習に係るソフトウェアの一部であるプログラムモジュールとしての利用することが可能である。本発明の学習済みモデルは、ＣＰＵやＧＰＵ等のプロセッサとメモリを備えるコンピュータにて用いることができる。より具体的には、コンピュータのプロセッサが、メモリに記憶された学習済みモデルからの指令に従って、モータ駆動装置の状態を入力として演算を行い、演算結果に基づいて修理・交換対象となる部品を出力するように動作する。本発明の学習済みモデルは、外部記憶媒体やネットワーク等を介して他のコンピュータに対して複製して利用することが可能である。
また、本発明の学習済みモデルを他のコンピュータに対して複製して新しい環境で利用する際に、当該環境で得られた新たな状態変数や判定データに基づいて当該学習済みモデルに対して更なる学習を行わせることもできる。このようにした場合、当該環境による学習済みモデルから派生した学習済みモデル（以下、派生モデルとする）を得ることが可能である。本発明の派生モデルは、所定のモータ駆動装置の状態に対する修理・交換対象となる部品の推論の結果を出力するという点では元の学習済みモデルと同じだが、元の学習済みモデルよりも新しい環境（例えば、新しい種類のモータ駆動部品）に適合した結果を出力するという点で異なる。この派生モデルもまた、外部記憶媒体やネットワーク等を介して他のコンピュータに対して複製して利用することが可能である。
更に、本発明の学習済みモデルを組み込んだ機械学習装置に対する入力に対して得られる出力を用いて、他の機械学習装置において１から学習を行うことで得られる学習済みモデル（以下、蒸留モデルとする）を作成し、これを利用することも可能である（このような学習工程を蒸留と言う）。蒸留において、元の学習済みモデルを教師モデル、新たに作成する蒸留モデルを生徒モデルとも言う。一般に、蒸留モデルは元の学習済みモデルよりもサイズが小さく、それでいて元の学習済みモデルと同等の正確度を出せるため、外部記憶媒体やネットワーク等を介した他のコンピュータに対する配布により適している。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、機械学習装置１００が実行する学習アルゴリズムや演算アルゴリズムは、上述したものに限定されず、様々なアルゴリズムを採用できる。
上記した実施形態では故障診断装置１と機械学習装置１００が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００は故障診断装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
また、上記した実施形態では機械学習装置１００が故障診断装置１上にある例を示しているが、機械学習装置１００はネットワークに用意されたクラウドサーバ等に存在する構成とすることも可能である。
更に、上記した実施形態では、機械学習装置１００は、モータ駆動装置の状態に対して修理・交換対象となる部品を推論して出力するように機械学習しているが、例えば学習部１１０を周知のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：畳み込みニューラルネットワーク）などで構成し、ラベルとしての修理・交換対象となる部品をクラスと見なし、出力側を各クラスに属する確率が出力されるように機械学習させることで、修理・交換対象となる部品を確率の昇順で表示させることも可能となる。このように構成すると、作業者は故障診断装置１からの出力に基づいて、最も高い確率の部品を最初に修理・交換し、それでモータ駆動装置が正常にならなければ次に確率の高い部品を修理・交換する、といったように、より柔軟にモータ駆動装置の修理作業を支援することが出来るようになる。
１ 故障診断装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１５ グラフィック制御回路
１８，２１ インタフェース
２０ バス
３４ 表示部
６０ 表示装置
７０ 試験機
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１０８ ラベルデータ取得部
１１０ 学習部
１１２ 誤差計算部
１１４ モデル更新部
１２２ 推論結果出力部

Claims (9)

  1. モータ駆動装置の修理・交換対象となる部品を推論する故障診断装置であって、
    修理対象となる前記モータ駆動装置の状態に対する修理・交換対象となる部品を学習する機械学習装置を備え、
    前記機械学習装置は、
    前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、
    前記モータ駆動装置において修理・交換した部品を示す修理・交換部品データをラベルデータとして取得するラベルデータ取得部と、
    前記状態変数と前記ラベルデータとを関連付けて学習する学習部と、
    を備える故障診断装置。
  2. 前記状態観測部は、更に前記モータ駆動装置の試験結果を示す試験結果データを状態変数として観測する、
    請求項１に記載の故障診断装置。
  3. 前記ラベルデータ取得部は、更に前記モータ駆動装置を修理して再稼働開始後の次の故障までの稼働時間を示す再修理時間データ、及び次の故障時における修理・交換部品の情報を示す次回修理・交換部品データをラベルデータとして取得する、
    請求項１または２に記載の故障診断装置。
  4. 前記学習部は、
    前記状態変数から前記修理・交換対象となる部品を推論する相関性モデルと、予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
    前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
    請求項１〜３のいずれか１つに記載の故障診断装置。
  5. 前記学習部は、前記状態変数と前記ラベルデータとを多層構造で演算する、
    請求項１〜４のいずれか１つに記載の故障診断装置。
  6. 前記機械学習装置は、クラウドサーバに存在する、
    請求項１〜５のいずれか１つに記載の故障診断装置。
  7. モータ駆動装置の修理・交換対象となる部品を推論する故障診断装置であって、
    修理対象となる前記モータ駆動装置の状態に対する修理・交換対象となる部品を学習した機械学習装置を備え、
    前記機械学習装置は、
    前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、
    前記モータ駆動装置の故障発生時の情報、前記モータ駆動装置の稼働環境、前記モータ駆動装置の稼働履歴に対して、前記モータ駆動装置において修理・交換した部品を関連付けて学習した学習部と、
    前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記修理・交換対象となる部品を推論した結果を出力する推論結果出力部と、
    を備える故障診断装置。
  8. 修理対象となるモータ駆動装置の稼働状況に対する修理・交換対象となる部品を学習する機械学習装置であって、
    前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、
    前記モータ駆動装置において修理・交換した部品を示す修理・交換部品データをラベルデータとして取得するラベルデータ取得部と、
    前記状態変数と前記ラベルデータとを関連付けて学習する学習部と、
    を備える機械学習装置。
  9. 修理対象となる前記モータ駆動装置の状態に対する修理・交換対象となる部品を学習した機械学習装置であって、
    前記モータ駆動装置の故障発生時の情報を含む故障時点データ、前記モータ駆動装置の稼働環境を示す稼働環境データ、前記モータ駆動装置の稼働履歴を示す稼働履歴データのうち少なくとも１つを環境の現在状態を表す状態変数として観測する状態観測部と、
    前記モータ駆動装置の故障発生時の情報、前記モータ駆動装置の稼働環境、前記モータ駆動装置の稼働履歴に対して、前記モータ駆動装置において修理・交換した部品を関連付けて学習した学習部と、
    前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記修理・交換対象となる部品を推論した結果を出力する推論結果出力部と、
    を備える機械学習装置。
JP2018030138A 2018-02-22 2018-02-22 故障診断装置及び機械学習装置 Active JP6956028B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018030138A JP6956028B2 (ja) 2018-02-22 2018-02-22 故障診断装置及び機械学習装置
DE102019103825.1A DE102019103825A1 (de) 2018-02-22 2019-02-15 Fehlerdiagnosevorrichtung und maschinelle lernvorrichtung
US16/280,292 US20190258945A1 (en) 2018-02-22 2019-02-20 Fault diagnosis apparatus and machine learning device
CN201910132926.9A CN110187672A (zh) 2018-02-22 2019-02-22 故障诊断装置和机器学习装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018030138A JP6956028B2 (ja) 2018-02-22 2018-02-22 故障診断装置及び機械学習装置

Publications (2)

Publication Number Publication Date
JP2019144174A true JP2019144174A (ja) 2019-08-29
JP6956028B2 JP6956028B2 (ja) 2021-10-27

Family

ID=67482231

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018030138A Active JP6956028B2 (ja) 2018-02-22 2018-02-22 故障診断装置及び機械学習装置

Country Status (4)

Country Link
US (1) US20190258945A1 (ja)
JP (1) JP6956028B2 (ja)
CN (1) CN110187672A (ja)
DE (1) DE102019103825A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020154662A (ja) * 2019-03-19 2020-09-24 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
CN113771631A (zh) * 2021-09-28 2021-12-10 南京禄协信息科技有限公司 一种基于人工智能算法的电驱动故障诊断系统
JP2022033094A (ja) * 2020-10-29 2022-02-28 東京瓦斯株式会社 修理支援システム、プログラム
CN115587737A (zh) * 2022-11-01 2023-01-10 北京思维实创科技有限公司 一种以可靠性为中心的成本优化运维调度方法及系统
JP7404046B2 (ja) 2019-12-04 2023-12-25 東京瓦斯株式会社 修理支援システム
JP7477365B2 (ja) 2020-05-22 2024-05-01 コンピュートロン株式会社 監視システム

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111142503B (zh) * 2019-12-30 2023-03-21 山东科技大学 一种基于迭代学习观测器的故障诊断方法及诊断系统
CN111314113B (zh) * 2020-01-19 2023-04-07 赣江新区智慧物联研究院有限公司 物联网节点故障检测方法、装置、存储介质及计算机设备
DE112021000920T5 (de) * 2020-02-07 2022-11-24 Fanuc Corporation Diagnosevorrichtung
CN111562105B (zh) * 2020-03-25 2021-11-23 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111488925B (zh) * 2020-04-07 2023-10-20 北京百度网讯科技有限公司 一种数据标注方法、装置、电子设备及存储介质
JP2021184132A (ja) * 2020-05-21 2021-12-02 東芝ライフスタイル株式会社 情報処理システム
JP6935837B1 (ja) * 2020-08-20 2021-09-15 トヨタ自動車株式会社 機械学習装置及び機械学習システム
CN115335785A (zh) * 2020-10-14 2022-11-11 三菱电机株式会社 外部信号输入输出单元、控制系统、机器学习装置及推断装置
CN112465052B (zh) * 2020-12-07 2023-04-07 重庆忽米网络科技有限公司 基于卷积神经网络的设备故障诊断报告生成方法与系统
CN112463641B (zh) * 2020-12-16 2021-08-31 北京京航计算通讯研究所 一种用于软件缺陷核查的故障模式集构建方法及系统
CN113258678A (zh) * 2021-06-03 2021-08-13 长沙理工大学 一种智能配电柜故障抢修系统、方法及装置
CN113955149B (zh) * 2021-11-25 2023-06-16 北京润科通用技术有限公司 一种电机系统的健康诊断方法和装置
CN116167749B (zh) * 2023-04-23 2023-07-18 合肥荣叙科技有限公司 一种基于深度学习的永磁同步电机故障诊断方法
CN116466689B (zh) * 2023-06-19 2023-09-05 广汽埃安新能源汽车股份有限公司 故障诊断方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017083237A (ja) * 2015-10-26 2017-05-18 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3810482B2 (ja) 1996-06-27 2006-08-16 株式会社ホンダエレシス モータ駆動回路の故障診断方法及び装置
KR100240957B1 (ko) * 1997-07-19 2000-01-15 이종수 분산구조를 갖는 지능형 엘리베이터 원격감시 방법 및 장치
JP2000162277A (ja) * 1998-11-25 2000-06-16 Mitsubishi Electric Corp 半導体集積回路
JP2001119987A (ja) 1999-10-18 2001-04-27 Meidensha Corp モータ駆動回路の故障診断装置
US20080059120A1 (en) * 2006-08-30 2008-03-06 Fei Xiao Using fault history to predict replacement parts
JP2009217770A (ja) * 2008-03-13 2009-09-24 Nec Corp 故障予測通知システム、故障予測通知方法、故障予測通知プログラムおよびプログラム記録媒体
CN101540009B (zh) * 2008-03-17 2011-11-16 大叶大学 预测设施与设备故障的方法
US8725008B2 (en) * 2010-03-16 2014-05-13 Xerox Corporation Using images to diagnose defects in an image forming apparatus
CN102509187B (zh) * 2011-10-28 2014-10-29 合肥工业大学 一种基于数据挖掘的大型装备mro知识获取方法
US20140188405A1 (en) * 2012-12-28 2014-07-03 International Business Machines Corporation Predicting a time of failure of a device
CN103835882A (zh) * 2014-03-18 2014-06-04 上海电机学院 大型风力发电机组状态监测与故障诊断系统
CN104200288B (zh) * 2014-09-18 2017-03-15 山东大学 一种基于因素与事件间相关关系识别的设备故障预测方法
CN104484732B (zh) * 2014-11-07 2017-07-07 湘潭大学 一种计及机组发电量的风电场维修部件选取方法
JP6357584B2 (ja) * 2015-04-28 2018-07-11 株式会社小松製作所 部品情報管理システム
CN104850904A (zh) * 2015-05-12 2015-08-19 上海能策燃气轮机有限公司 一种优化燃气轮机维检修方案的分析方法
JP3221103U (ja) * 2016-01-22 2019-05-09 堅 馮 切削液リサイクル設備
CN106768000B (zh) * 2017-01-06 2019-05-24 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法
WO2018163383A1 (ja) * 2017-03-09 2018-09-13 三菱電機株式会社 電力変換装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017083237A (ja) * 2015-10-26 2017-05-18 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020154662A (ja) * 2019-03-19 2020-09-24 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
WO2020189374A1 (ja) * 2019-03-19 2020-09-24 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
US11927945B2 (en) 2019-03-19 2024-03-12 Daikin Industries, Ltd. Apparatus for assisting maintenance work, method of assisting maintenance work, and program for assisting maintenance work
JP7404046B2 (ja) 2019-12-04 2023-12-25 東京瓦斯株式会社 修理支援システム
JP7477365B2 (ja) 2020-05-22 2024-05-01 コンピュートロン株式会社 監視システム
JP2022033094A (ja) * 2020-10-29 2022-02-28 東京瓦斯株式会社 修理支援システム、プログラム
CN113771631A (zh) * 2021-09-28 2021-12-10 南京禄协信息科技有限公司 一种基于人工智能算法的电驱动故障诊断系统
CN115587737A (zh) * 2022-11-01 2023-01-10 北京思维实创科技有限公司 一种以可靠性为中心的成本优化运维调度方法及系统

Also Published As

Publication number Publication date
DE102019103825A1 (de) 2019-08-22
US20190258945A1 (en) 2019-08-22
CN110187672A (zh) 2019-08-30
JP6956028B2 (ja) 2021-10-27

Similar Documents

Publication Publication Date Title
JP6956028B2 (ja) 故障診断装置及び機械学習装置
JP2019008675A (ja) 故障予測装置及び機械学習装置
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
JP6530779B2 (ja) 加工不良要因推定装置
JP2017120649A (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP6629815B2 (ja) 寿命推定装置及び機械学習装置
JP2019101516A (ja) 作業者管理装置
Desforges et al. A prognostic function for complex systems to support production and maintenance co-operative planning based on an extension of object oriented Bayesian networks
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
Friederich et al. Towards data-driven reliability modeling for cyber-physical production systems
JP5487060B2 (ja) 故障原因診断方法及び故障原因診断装置
CN112513760A (zh) 用于预测机器的剩余使用寿命的装置和方法
TWI710873B (zh) 支援裝置、學習裝置以及廠房運轉條件設定支援系統
CN114341814A (zh) 通过数字孪生中模拟故障进行有效的故障分析
JP7378367B2 (ja) 故障診断装置および故障診断方法
US20230185257A1 (en) Machine controller and methods for configuring and using the machine controller
Line et al. Managing and predicting intermittent failures within long life electronics
Guo et al. IAI DevOps: A Systematic Framework for Prognostic Model Lifecycle Management
US20230152759A1 (en) Information processing apparatus, information processing method, and computer program product
WO2023162364A1 (ja) 異常診断装置及びその方法
JP2019160176A (ja) 部品供給量推定装置及び機械学習装置
Liao Preventive Maintenance
JP2541633B2 (ja) プラントの予防保全方法および同予防保全装置
Kodali et al. A framework to debug diagnostic matrices
JP2019164762A (ja) 情報処理装置，機械学習装置及びシステム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190612

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190717

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20191008

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191015

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191211

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20200310

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20200515

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20201215

C13 Notice of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: C13

Effective date: 20210302

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20210406

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210428

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20210727

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20210831

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20210831

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211004

R150 Certificate of patent or registration of utility model

Ref document number: 6956028

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150